申请/专利权人：汕头大学

申请日：2020-09-25

公开（公告）日：2024-06-25

公开（公告）号：CN114254416B

主分类号：G06F30/13

分类号：G06F30/13;G06F30/27;G06N3/0442;G06N3/08;G06F119/14

优先权：

专利状态码：有效-授权

法律状态：2024.06.25#授权;2022.05.06#实质审查的生效;2022.03.29#公开

摘要：本发明公开了一种基于长短期记忆深度学习的土体应力应变关系确定方法，包括以下步骤：制备不同物理力学参数的土体试样获取不同所述土体试样在指定应力加载步下的应变数据，建立应力应变的原始数据集，进行归一化处理，得到归一化数据集；建立四层LSTM深度学习网络；确定LSTM深度学习网络的初始权值矩阵和向量；将训练集输入LSTM深度学习网络，利用修正Adam动量梯度下降算法更新权值矩阵，并确定代价函数值J；重复迭代直至LSTM深度学习网络的代价函数J小于预设数值χ或达到预定迭代训练次数Iter。采用本发明，能快速准确地预测不同土体在不同围压条件下的应力应变关系，对指导实际工程具有重要意义。本方法简单、实用，便于推广，具有很大的应用价值。

主权项：1.一种基于长短期记忆深度学习的土体应力应变关系确定方法，其特征在于，包括以下步骤：S1：制备不同物理力学参数的土体试样；S2：使用三轴压缩试验，获取不同所述土体试样在指定应力加载步下的应变数据，建立应力应变的原始数据集；S3：对所述原始数据集进行归一化处理，得到归一化数据集；S4：使用Octave建立四层LSTM深度学习网络，确定隐藏层节点数量Nh、激活函数和代价函数J，并确定初始权值矩阵和向量；所述代价函数J为衡量LSTM深度学习网络的输出层的输出数据与数据样本的标签数据之间差距的函数，其中，，其中，n为数据样本的数量，m为每个数据样本的应力应变数据对的数量，yoki为第k个数据样本第i个时间步的LSTM模型输出数据，yki为第k个数据样本第i个时间步的标签数据，λ为L2正则系数，wj为模型中第j个权重，Nw为LSTM模型的权重个数，α为缩放系数，当log|yki|0，α=1，当log|yki|0，α=0.1；S5：确定LSTM深度学习网络的初始权值矩阵和向量；所述初始权值矩阵和向量为预先给定的LSTM模型的初始的权值矩阵和向量，初始权值矩阵和向量的方法满足公式： 其中，U为均匀分布，Wl，Rl，bl为第l层的权值矩阵和偏置向量，Nl为LSTM模型第l层数据层的节点数量，L为循环神经网络的层数；S6：将训练集输入LSTM深度学习网络，利用修正Adam动量梯度下降算法更新权值矩阵，并确定代价函数J的值；所述修正Adam动量梯度下降算法的计算过程如下：a指定优化参数：动量指数衰减参数β1和β2，默认为0.9和0.999，系数ε为10-8，指定步长α，初始化一阶动量m0、二阶动量v0和时间步t为0，上一步迭代的权值参数为θt-1；b计算权值参数梯度gt,；c计算一阶动量mt,；d计算二阶动量vt,；e计算一阶动量修正项͞mt,；f计算二阶动量修正项͞vt,；g计算更新后权值参数θt,；其中，所述θt-1指代LSTM模型上一步迭代的权值矩阵和向量，所述θt指代更新后的权值矩阵和向量；S7：重复迭代S6，直至LSTM深度学习网络的代价函数J小于预设数值χ或达到预定迭代训练次数Iter。

全文数据：

权利要求：

百度查询： 汕头大学 基于长短期记忆深度学习的土体应力应变关系确定方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD