本發(fā)明涉及一種基于cnn-bilstm-attention的dcm樁抗壓強(qiáng)度預(yù)測方法，適用于地基加固dcm樁施工領(lǐng)域。

背景技術(shù)：

1、在地基加固領(lǐng)域，深層水泥攪拌樁(dcm)技術(shù)因其良好的地基加固性能而被廣泛應(yīng)用，尤其是近些年在堤壩、港口等水上結(jié)構(gòu)工程中。目前的實(shí)際工程中，dcm樁的承載性能評估仍依賴于現(xiàn)場鉆芯取樣試驗(yàn)，不僅實(shí)施過程繁瑣而且成本高昂，同時鉆芯取樣試驗(yàn)結(jié)果適用的是大面積一般地質(zhì)條件下的dcm樁施工結(jié)果，無法涵蓋到施工中突遇巖石等障礙物時特殊處理后的dcm樁抗壓強(qiáng)度評估。

2、隨著人工智能技術(shù)的飛速發(fā)展，上述問題在支持向量機(jī)(svm)、相關(guān)向量機(jī)(rvm)和長短期記憶網(wǎng)絡(luò)(lstm)這些監(jiān)督學(xué)習(xí)算法應(yīng)用于dcm樁的抗壓強(qiáng)度預(yù)測得到解決。然而svm和rvm處理高維特征和小樣本問題方面展現(xiàn)出一定的優(yōu)勢，但這些方法在處理時間序列數(shù)據(jù)和捕捉輸入間動態(tài)依賴關(guān)系方面的局限性非常明顯，在實(shí)際項目突遇巖石等障礙物時特殊處理后預(yù)測精度會大幅降低。lstm解決了處理時間序列數(shù)據(jù)前后依賴關(guān)系局限性問題，提高了地質(zhì)條件突變的特殊處理后預(yù)測精度，在但在特征提取能力和前后數(shù)據(jù)的雙向依賴關(guān)系捕獲上有所欠缺。

3、因此，需要一種既能處理序列數(shù)據(jù)雙向依賴關(guān)系、提高預(yù)測方法應(yīng)變能力，又能保證出色的特征提取能力的dcm樁抗壓強(qiáng)度預(yù)測方法。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的，是為了解決svm和rvm無法處理時間序列數(shù)據(jù)和捕捉輸入間動態(tài)依賴關(guān)系，而lstm欠缺特征提取能力和前后數(shù)據(jù)的雙向依賴關(guān)系捕獲能力的問題，提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)(cnn)-雙向長短期記憶網(wǎng)絡(luò)(bilstm)-注意力機(jī)制(attention)的dcm樁抗壓強(qiáng)度預(yù)測方法，具有預(yù)測精度高、預(yù)測方法應(yīng)變能力強(qiáng)、計算復(fù)雜度低的優(yōu)點(diǎn)，可廣泛的應(yīng)用于地基加固施工前的dcm樁抗壓強(qiáng)度預(yù)測。

2、本發(fā)明的目的可以通過采取如下技術(shù)方案達(dá)到：

3、s101，數(shù)據(jù)收集和預(yù)處理；

4、所述數(shù)據(jù)收集和預(yù)處理，包括在施工期間，通過綜合土工測試收集土壤特性數(shù)據(jù)——有機(jī)質(zhì)含量、塑性指標(biāo)、剪切強(qiáng)度，以及dcm樁施工的詳細(xì)參數(shù)，如攪拌速率、攪拌深度、貫入速率、噴水流量、噴漿流量、成樁直徑、樁長、外加劑摻量、摻合料摻量和固化時間，此外，通過現(xiàn)場取芯試驗(yàn)獲得實(shí)際dcm樁的抗壓強(qiáng)度測量值；去除異常值、重復(fù)值和錯誤記錄，統(tǒng)一數(shù)據(jù)格式，并采用歸一化方法將數(shù)據(jù)范圍縮放至[0,1]區(qū)間，隨后，將整理后的數(shù)據(jù)分割為一系列時間序列樣本，其中每個樣本包含特定時間窗口內(nèi)的數(shù)據(jù)，接著將數(shù)據(jù)樣本劃分為訓(xùn)練集和測試集；

5、s102，特征提?。?/p>

6、所述特征提取，包括將訓(xùn)練集樣本數(shù)據(jù)輸入卷積神經(jīng)網(wǎng)絡(luò)，利用卷積層內(nèi)的神經(jīng)元對訓(xùn)練集樣本數(shù)據(jù)進(jìn)行特征提取，提取的數(shù)據(jù)通過prelu激活函數(shù)處理后傳遞給池化層，由池化層進(jìn)一步壓縮特征、減少參數(shù)量后，再展平成一維向量后由輸出層傳遞給雙向長短期記憶網(wǎng)絡(luò)模型；

7、s103，捕獲數(shù)據(jù)時序依賴關(guān)系；

8、所述捕獲數(shù)據(jù)時序依賴關(guān)系，包括采用雙向長短期記憶網(wǎng)絡(luò)對卷積神經(jīng)網(wǎng)絡(luò)特征提取后的數(shù)據(jù)進(jìn)行時序依賴關(guān)系的捕獲，所述雙向長短期記憶網(wǎng)絡(luò)包括前向長短期記憶網(wǎng)絡(luò)和后向長短期記憶網(wǎng)絡(luò)，所述前向長短期記憶網(wǎng)絡(luò)根據(jù)序列數(shù)據(jù)從前往后的順序，通過遺忘門決定細(xì)胞狀態(tài)中刪除的信息量，通過輸入門決定輸入信息中需要被更新的部分，通過輸出門決定當(dāng)前隱藏狀態(tài)的輸出信息，計算過程如式(1)～(6)，然后所述后向長短期記憶網(wǎng)絡(luò)根據(jù)序列數(shù)據(jù)從后往前的順序進(jìn)一步挖掘時序數(shù)據(jù)過去與未來的內(nèi)在聯(lián)系，計算過程與前向長短期記憶網(wǎng)絡(luò)相同，將雙向長短期記憶網(wǎng)絡(luò)的當(dāng)前隱藏狀態(tài)輸出信息進(jìn)行融合；

9、ft＝σ(wf[ht-1,xt]+bf)??????(1)

10、it＝σ(wi[ht-1,xt]+bi)?????(2)

11、c't＝tanh(wc[ht-1,xt]+bc)??????(3)

12、ot＝σ(wo[ht-1,xt]+bo)?????(4)

13、

14、式中，ft為遺忘門當(dāng)前時間步的遺忘向量，it為輸入門當(dāng)前時間步的輸入權(quán)重向量，c't為候選細(xì)胞狀態(tài)，ot為輸出門當(dāng)前時間步的輸出權(quán)重向量，ct為當(dāng)前時間步的細(xì)胞狀態(tài)，ht為當(dāng)前時間步隱藏狀態(tài)，wf為遺忘門的權(quán)重矩陣，wi為輸入門的權(quán)重矩陣，wc為候選細(xì)胞狀態(tài)的權(quán)重矩陣，wo為輸出門的權(quán)重矩陣，ht-1為上一時間步隱藏狀態(tài)，xt為當(dāng)前時間步輸入，bf為遺忘門的偏置，bi為輸入門的偏置，bc為候選細(xì)胞狀態(tài)的偏置，bo為輸出門的偏置，ct-1為上一時間步的細(xì)胞狀態(tài)，σ為sigmoid激活函數(shù)，tanh為雙曲正切激活函數(shù)，表示逐元素相乘，表示逐元素相加；

15、s104，引入注意力機(jī)制；

16、所述引入注意力機(jī)制，包括在雙向長短期記憶網(wǎng)絡(luò)計算得到當(dāng)前隱藏狀態(tài)的輸出信息ht后經(jīng)過注意力層式(7)得到輸出s，然后使用反向誤差傳播對注意力層的權(quán)重參數(shù)進(jìn)行調(diào)整；

17、

18、s105，模型評估與調(diào)整；

19、所述模型評估與調(diào)整，包括選取平均絕對誤差和均方誤差作為評價指標(biāo)，使用測試集數(shù)據(jù)樣本對模型進(jìn)行評估，通過調(diào)整歸一化方法，卷積層數(shù)量、大小，雙向長短期記憶網(wǎng)絡(luò)層數(shù)、每層神經(jīng)元數(shù)量、時間步長以及注意力分?jǐn)?shù)函數(shù)，得到不同的評價指標(biāo)，對比評價指標(biāo)，選擇預(yù)測值與實(shí)際值更接近以及預(yù)測性能更穩(wěn)定的參數(shù)組合；

20、s106，模型應(yīng)用與維護(hù)；

21、所述模型應(yīng)用與維護(hù)，包括將訓(xùn)練好的模型應(yīng)用與實(shí)際工程項目中，根據(jù)模型預(yù)測的dcm樁抗壓強(qiáng)度值與實(shí)際試驗(yàn)獲取的dcm樁抗壓強(qiáng)度值對比，評估模型的應(yīng)用預(yù)測效果，采用實(shí)際工程數(shù)據(jù)對模型進(jìn)行再訓(xùn)練，更新模型參數(shù)。

22、進(jìn)一步的，在步驟s103中，所述當(dāng)前隱藏狀態(tài)輸出信息進(jìn)行融合包括前向長短期記憶網(wǎng)絡(luò)隱藏狀態(tài)輸出信息和后向長短期記憶網(wǎng)絡(luò)隱藏狀態(tài)輸出信息的逐元素相加。

23、本發(fā)明的有益效果是：通過卷積神經(jīng)網(wǎng)絡(luò)提高了模型的特征提取能力，通過雙向長短期記憶網(wǎng)絡(luò)分別處理前向和后向的序列數(shù)據(jù)信息，獲取更全面的上下文信息以應(yīng)對dcm樁成樁過程中突遇巖石等障礙物時特殊處理后的抗壓強(qiáng)度預(yù)測，并且通過注意力機(jī)制讓模型專注于數(shù)據(jù)的重要特征部分，對長序列數(shù)據(jù)的處理更加高效；具有預(yù)測精度高、預(yù)測方法應(yīng)變能力強(qiáng)、計算復(fù)雜度低的優(yōu)點(diǎn)，可廣泛的應(yīng)用于地基加固施工前的dcm樁抗壓強(qiáng)度預(yù)測。

技術(shù)特征：

1.一種基于cnn-bilstm-attention的dcm樁抗壓強(qiáng)度預(yù)測方法，其特征在于，所述方法包括以下步驟：

2.根據(jù)權(quán)利要求1所述的一種基于cnn-bilstm-attention的dcm樁抗壓強(qiáng)度預(yù)測方法，其特征在于：步驟s103中，所述當(dāng)前隱藏狀態(tài)輸出信息進(jìn)行融合包括前向長短期記憶網(wǎng)絡(luò)隱藏狀態(tài)輸出信息和后向長短期記憶網(wǎng)絡(luò)隱藏狀態(tài)輸出信息的逐元素相加。

技術(shù)總結(jié)
本發(fā)明提供了一種基于CNN?BiLSTM?ATTENTION的DCM樁抗壓強(qiáng)度預(yù)測方法，適用于地基加固DCM樁施工領(lǐng)域；本發(fā)明的一種基于CNN?BiLSTM?ATTENTION的DCM樁抗壓強(qiáng)度預(yù)測方法包括數(shù)據(jù)收集和預(yù)處理、特征提取、捕獲數(shù)據(jù)時序依賴關(guān)系、引入注意力機(jī)制、模型評估與調(diào)整以及模型應(yīng)用與維護(hù)；通過卷積神經(jīng)網(wǎng)絡(luò)提高了模型的特征提取能力，通過雙向長短期記憶網(wǎng)絡(luò)分別處理前向和后向的序列數(shù)據(jù)信息，獲取更全面的上下文信息以應(yīng)對DCM樁成樁過程中突遇巖石等障礙物時特殊處理后的抗壓強(qiáng)度預(yù)測，并且通過注意力機(jī)制讓模型專注于數(shù)據(jù)的重要特征部分，對長序列數(shù)據(jù)的處理更加高效，可廣泛的應(yīng)用于地基加固施工前的DCM樁抗壓強(qiáng)度預(yù)測。

技術(shù)研發(fā)人員：王雪剛,林美鴻,沈文耿,何麗平,滕超
受保護(hù)的技術(shù)使用者：中交四航工程研究院有限公司
技術(shù)研發(fā)日：
技術(shù)公布日：2024/10/21