CN111242301A - 多相场作用下岩石三轴抗压强度深度学习预测方法及装置 - Google Patents
多相场作用下岩石三轴抗压强度深度学习预测方法及装置 Download PDFInfo
- Publication number
- CN111242301A CN111242301A CN202010153225.6A CN202010153225A CN111242301A CN 111242301 A CN111242301 A CN 111242301A CN 202010153225 A CN202010153225 A CN 202010153225A CN 111242301 A CN111242301 A CN 111242301A
- Authority
- CN
- China
- Prior art keywords
- data
- module
- prediction
- deep learning
- compressive strength
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000013135 deep learning Methods 0.000 title claims abstract description 44
- 239000011435 rock Substances 0.000 title claims abstract description 38
- 238000000034 method Methods 0.000 title claims abstract description 36
- 230000009471 action Effects 0.000 title claims abstract description 27
- 238000012545 processing Methods 0.000 claims abstract description 18
- 238000005516 engineering process Methods 0.000 claims abstract description 14
- 230000000694 effects Effects 0.000 claims abstract description 8
- 230000008447 perception Effects 0.000 claims abstract description 7
- 238000012549 training Methods 0.000 claims abstract description 6
- 238000004364 calculation method Methods 0.000 claims description 22
- 230000008569 process Effects 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 9
- 238000012544 monitoring process Methods 0.000 claims description 7
- 238000001514 detection method Methods 0.000 claims description 3
- 238000003745 diagnosis Methods 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 238000012821 model calculation Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000005215 recombination Methods 0.000 claims description 3
- 230000006798 recombination Effects 0.000 claims description 3
- 230000008439 repair process Effects 0.000 claims description 3
- 230000003068 static effect Effects 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 claims description 2
- 230000009466 transformation Effects 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Computational Linguistics (AREA)
- Development Economics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明是多相场作用下岩石三轴抗压强度深度学习预测方法及装置,其主要特征是:通过对多相场作用下岩石三轴抗压强度数据样本库进行扫描和识别,并将识别到的数据提取,利用深度学习技术建立学习模型对提取的数据进行学习训练,达到准确预测的效果,最后将预测的结果进行输出。本发明的装置主要包括:感知模块、深度学习处理模块、预测模块、嵌入模块、信息记忆模块、安全防护模块。本发明所述的是多相场作用下岩石三轴抗压强度深度学习预测方法及装置,具有操作简便、运算结果与实际数据拟合程度较高、适用性较好的优点。
Description
技术领域
本发明涉及的多相场作用下岩石三轴抗压强度深度学习预测方法及装置,属于岩石的抗压强度预测和机器学习领域。
背景技术
在实际工程中,岩体工程的工程特性会随着自身所赋存的地质条件的变化而变化。近些年来,学术界对于岩石的抗压强度研究不再局限于传统模式下的三轴抗压强度试验。传统的岩石三轴抗压强度测定仅测定岩石在应力状态下的强度,而未考虑外界环境如:温度、水等因素对其影响。因此,更准确的测定自然界中岩石的三轴抗压强度值,保证工程的施工质量和使用质量尤为重要。
采用试验方法测定岩石在多相场作用下三轴抗压强度虽然可行,但耗时长久,测定过程中也难免出现误差,造价成本亦相对较高。随着计算机技术的高速发展,若能采用智能预测技术将岩石的温度、水等因素作用的影响考虑在内,将大大提高岩石在三轴状态下的作用研究,增加研究结果的准确性。
深度学习作为一种智能学习方法,因其在数据特征与模式识别方面有独特优势与潜力而被应用于多重领域。并且,经过专家学者的研究,在深度学习的应用方面有了很显著进展。本发明引入一种采用深度学习法的多相场作用下岩石三轴抗压强度智能预测方法及装置,将复杂的问题简化处理,为多相场作用下的岩石三轴抗压强度预测提供一条新途径。
发明内容
本发明实施例采用多相场作用下岩石三轴抗压强度深度学习预测方法及装置,利用该方法及装置能够快速准确进行预测,建立满足需求的自适应深度学习的分析处理模型,本发明提供的多相场作用下岩石三轴抗压强度深度学习预测方法及装置,包括:
1.预测方法原理包括:步骤一,通过对多相场作用下岩石三轴抗压强度的数据样本库进行扫描和识别,将识别到的数据提取并实现自主定位;步骤二,将识别到的多相场作用下岩石三轴抗压强度的数据精确提取;步骤三,利用深度学习技术对数据进行学习,建立一种深度学习技术学习模型对数据进行训练,达到准确预测的效果;步骤四,最后利用辅助软件将预测的结果进行输出;其装置主要包括:感知模块、深度学习处理模块、预测模块、嵌入模块、信息记忆模块、安全防护模块。
2.预测方法为:通过对多相场作用下岩石三轴抗压强度的数据样本库进行扫描和识别,将识别到的数据提取并实现自主定位,将识别到的多相场作用下岩石三轴抗压强度的数据精确提取,利用深度学习技术对数据进行学习,建立一种深度学习技术学习模型对数据进行训练,达到准确预测的效果,最后利用辅助软件将预测的结果进行输出。
3.预测装置为:感知模块:在于对预测***进行作用唤醒并对样本库数据进行前期扫描与识别,将识别到的数据精确提取并实现自主定位;深度学习处理模块:为***装置的第二区,用于中期数据训练;预测模块:用于将二区深度学习过的结果数据输送至此区域进行预测;嵌入模块:对全程运算及预测***进行实时监控,同时设置辅助功能,辅助***顺利运行;信息记忆模块:将***装置运行过程中的所有信息完整记录,分类存储在此区;安全防护模块:为全***装置提供安全空间和安全的预测环境。
4.该装置共包含6个模块区域,分别为感知模块、深度学习处理模块、预测模块、嵌入模块、信息记忆模块、安全防护模块;
进一步的,用户可以通过用户接口连接***装置,在传递至感知模块的同时唤醒***;
进一步的,***将用户传入的样本数据进行扫描、提取和顺序归位,此模块主要进行的是数据预处理,为后续区块提供运算依据;
进一步的,支持随时暂停***装置运算并返回上一级别修改样本库数据操作;
进一步的,深度学习处理模块包含数据训练匣区,而在匣区内可进行数据特征学习和数据特征变换,此模块为***装置运行中的主要处理中心,匣区内连接智能加速器,自动优化计算路径,提高计算速率;
进一步的,在预测模块可进行数据统组、模型计算和结果处理,将在二区内训练处理的数据先进行统组,之后进入预测计算,得出最后所需结果,此区经过多重设置,能加强计算结果的准确性和对计算结果精准分析;
进一步的,嵌入模块内置监视域、控制域和辅助域,监视域的设置是进行实时监督,包括对***的故障检测和故障诊断,当诊断出问题所在时,将自动运转至控制域,在***运行中出现异常时能进行***重组和自动修复,控制域根据运行情况对预设逻辑进行修正,辅助域则是辅助完成显示器的显示及服务数据科学配送,确保运行能顺利完成;
进一步的,信息记忆模块可分为信息存储域和TF码生成域,运算过程中生成的种种数据均会收录在信息存储域,此域为静态存储记录;
进一步的,当出现中途断电或设备事故等中断状况,用户可在此域将数值参数找回,不用重新开始计算,节约了计算时间,每一组TF码则对应一组相应的数据,当用户需要调取或查询时,可输入相应的TF码进行查询;
进一步的,在***装置启用时安全防护模块会自启动,生成密钥加密消息,并进行全程实施保护,保护敏感及重要数据,增加用户体验价值和安全感。
附图说明
图1本发明原理图;
图2本发明实现的执行顺序图;
图3感知模块的处理与分析图;
图4深度学习模块的特征学习;
图5预测模块计算与解析;
图6信息记忆模块包含域图;
图7嵌入模块包含域图;
具体实施方式
本发明提供了多相场作用下岩石三轴抗压强度深度学习预测方法及装置,有效的解决了多相场作用下岩石三轴抗压强度的预测问题,是一种预测结果较精确、适用性强、可进行多次学习且易于实现的预测方法及装置。
下面结合附图进一步对本发明进行阐明:
如图1所示,通过对多相场作用下岩石三轴抗压强度的数据样本库进行扫描和识别,将识别到的数据提取并实现自主定位,将识别到的多相场作用下岩石三轴抗压强度的数据精确提取,利用深度学习技术对数据进行学习,建立一种深度学习技术学习模型对数据进行训练,达到准确预测的效果,最后利用辅助软件将预测的结果进行输出。
如图2所示,多相场作用下岩石三轴抗压强度深度学习预测装置***的执行顺序图,由图可知,所述岩石三轴抗压强度预测装置包括该装置共包含6个模块区域,分别为感知模块、深度学习处理模块、预测模块、嵌入模块、信息记忆模块、安全防护模块,每一个所属模块都能发挥积极作用,共同维护和维持***装置健康、精准的运行。
步骤1:通过用户接口可连接***装置,运行至感知模块的同时唤醒***,如图3所示,将用户传入的样本数据进行扫描、提取和顺序归位,此模块主要进行的是数据预处理,为后续区块提供运算依据,同时,支持随时暂停***装置运算并返回上一级别修改样本库数据的操作。
步骤2:运行深度学习处理模块,如图4所示,该模块包含数据训练匣区,而在匣区内可进行数据特征学习和数据特征变换,此模块为***装置运行中的主要处理中心,匣区内连接智能加速器,自动优化计算路径,提高计算速率。
步骤3:运行预测模块,如图5所示,在预测模块可进行数据统组、模型计算和结果处理,将在二区内训练处理的数据先进行统组,之后进入预测计算,得出最后所需结果,此区经过多重设置,能加强计算结果的准确性和对计算结果精准分析。
步骤4:运行信息记忆模块,如图6所示,该模块可分为信息存储域和TF码生成域。运算过程中生成的种种数据均会收录在信息存储域,此域是静态存储记录,一旦出现中途断电或设备事故等中断状况,用户可在此域将数值参数找回,不用重新开始计算,节约了计算时间,每一组TF码则对应一组相应的数据,当用户需要调取或查询时,可输入相应的TF码进行查询。
步骤5:通过终端输出口,可将预测结果进行输出和读取,在***装置启用时嵌入模块和安全防护模块会自启动,如图7所示,嵌入模块内置监视域、控制域和辅助域,监视域的设置进行实时监督,包括对***的故障检测和故障诊断,当诊断出问题所在时,将自动运转至控制域,在***运行中出现异常时能进行***重组和自动修复,控制域根据运行情况对预设逻辑进行修正,辅助域则是辅助完成显示器的显示及服务数据科学配送,确保运行能顺利完成,安全防护模块生成密钥加密消息,并进行全程实施保护,保护敏感及重要数据,增加用户体验价值和安全感。
综上,该***方法及装置具备完善的使用功能和准确的预测能力,经过前、中、后期的相关运算及处理,可更为方便和高效的预测出多相场作用下岩石三轴抗压强度的预测。
Claims (5)
1.多相场作用下岩石三轴抗压强度深度学习预测方法及装置,其主要特征原理是:
步骤一,通过对多相场作用下岩石三轴抗压强度的数据样本库进行扫描和识别,将识别到的数据提取并实现自主定位;
步骤二,将识别到的多相场作用下岩石三轴抗压强度的数据精确提取;
步骤三,利用深度学习技术对数据进行学习,建立一种深度学习技术学习模型对数据进行训练,达到准确预测的效果;
步骤四,最后利用辅助软件将预测的结果进行输出;
其装置主要包括:感知模块、深度学习处理模块、预测模块、嵌入模块、信息记忆模块、安全防护模块。
2.根据权利要求1所述的预测方法及装置,其特征在于,所述预测方法为:通过对数据样本库进行扫描和识别,并将识别到的数据提取,利用深度学习技术建立学习模型对提取的数据进行学习训练,达到准确预测的效果,最后将预测的结果进行输出。
3.根据权利要求1所述的预测方法及装置,其特征在于,所述预测方法包括:通过对多相场作用下岩石三轴抗压强度的数据样本库进行扫描和识别,将识别到的数据提取并实现自主定位,将识别到的多相场作用下岩石三轴抗压强度的数据精确提取,利用深度学习技术对数据进行学习,建立一种深度学习技术学习模型对数据进行训练,达到准确预测的效果,最后利用辅助软件将预测的结果进行输出。
4.根据权利要求1所述的预测方法及装置,其特征在于,所述预测装置包括:
感知模块:在于对预测***进行作用唤醒并对样本库数据进行前期扫描与识别,将识别到的数据精确提取并实现自主定位;
深度学习处理模块:为***装置的第二区,用于中期数据训练;
预测模块:用于将二区深度学习过的结果数据输送至此区域进行预测;
嵌入模块:对全程运算及预测***进行实时监控,同时设置辅助功能,辅助***顺利运行;
信息记忆模块:将***装置运行过程中的所有信息完整记录,分类存储在此区;
安全防护模块:为全***装置提供安全空间和安全的预测环境。
5.根据权利要求4所述的预测装置,其特征在于:通过用户接口可连接***装置,运行至感知模块的同时唤醒***,将用户传入的样本数据进行扫描、提取和顺序归位,此模块主要进行的是数据预处理,为后续区块提供运算依据,支持随时暂停***装置运算并返回上一级别修改样本库数据;深度学习处理模块包含数据训练匣区,而在匣区内可进行数据特征学习和数据特征变换,此模块为***装置运行中的主要处理中心,匣区内连接智能加速器,自动优化计算路径,提高计算速率;在预测模块可进行数据统组、模型计算和结果处理,将在二区内训练处理的数据先进行统组,之后进入预测计算,得出最后所需结果,此区经过多重设置,能加强计算结果的准确性和对计算结果精准分析;嵌入模块内置监视域、控制域和辅助域,监视域的设置是进行实时监督,包括对***的故障检测和故障诊断,当诊断出问题所在时,将自动运转至控制域,在***运行中出现异常时能进行***重组和自动修复,控制域根据运行情况对预设逻辑进行修正,辅助域则是辅助完成显示器的显示及服务数据科学配送,确保运行能顺利完成;信息记忆模块可分为信息存储域和TF码生成域,运算过程中生成的种种数据均会收录在信息存储域,此域是静态存储记录,一旦出现中途断电或设备事故等中断状况,用户可在此域将数值参数找回,不用重新开始计算,节约了计算时间,每一组TF码则对应一组相应的数据,当用户需要调取或查询时,可输入相应的TF码进行查询;***装置启用时安全防护模块会自启动,生成密钥加密消息,并进行全程实施保护,保护敏感及重要数据,增加用户体验价值和安全感。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010153225.6A CN111242301A (zh) | 2020-03-06 | 2020-03-06 | 多相场作用下岩石三轴抗压强度深度学习预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010153225.6A CN111242301A (zh) | 2020-03-06 | 2020-03-06 | 多相场作用下岩石三轴抗压强度深度学习预测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111242301A true CN111242301A (zh) | 2020-06-05 |
Family
ID=70875342
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010153225.6A Pending CN111242301A (zh) | 2020-03-06 | 2020-03-06 | 多相场作用下岩石三轴抗压强度深度学习预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111242301A (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20070011660A (ko) * | 2005-07-21 | 2007-01-25 | 경봉기술(주) | 항공기 훈련용 시뮬레이터 및 항공기용 블랙박스 분석용영상정보 표시장치 및 그 운용방법 |
CN103226080A (zh) * | 2013-03-20 | 2013-07-31 | 辽宁工程技术大学 | 一种基于神经网络的岩石破坏强度确定方法 |
CN110472597A (zh) * | 2019-07-31 | 2019-11-19 | 中铁二院工程集团有限责任公司 | 基于深度学习的岩石图像风化程度检测方法及*** |
-
2020
- 2020-03-06 CN CN202010153225.6A patent/CN111242301A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20070011660A (ko) * | 2005-07-21 | 2007-01-25 | 경봉기술(주) | 항공기 훈련용 시뮬레이터 및 항공기용 블랙박스 분석용영상정보 표시장치 및 그 운용방법 |
CN103226080A (zh) * | 2013-03-20 | 2013-07-31 | 辽宁工程技术大学 | 一种基于神经网络的岩石破坏强度确定方法 |
CN110472597A (zh) * | 2019-07-31 | 2019-11-19 | 中铁二院工程集团有限责任公司 | 基于深度学习的岩石图像风化程度检测方法及*** |
Non-Patent Citations (1)
Title |
---|
王刚: "花岗岩真三轴强度特性及神经网络强度预测的应用研究", 中国优秀博硕士学位论文全文数据库(硕士), no. 2019, pages 49 - 54 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108873830A (zh) | 一种生产现场数据在线采集分析及故障预测*** | |
CN112926257A (zh) | 往复式天然气压缩机故障诊断***以及诊断方法 | |
CN109470946B (zh) | 一种发电设备故障检测方法及*** | |
CN117517907B (zh) | 一种变电站电容型设备的绝缘状态监测方法及*** | |
CN115358155A (zh) | 一种电力大数据异常预警方法、装置、设备及可读存储介质 | |
CN117111544B (zh) | 一种自动适配的楼宇物联网监控方法及*** | |
CN116961215A (zh) | 一种电力***故障快速反应处理方法 | |
CN113420465A (zh) | 一种基于数字孪生模型的液压支架全寿命周期管理方法 | |
Nguyen et al. | Survey paper of digital twins and their integration into electric power systems | |
CN108377209A (zh) | 基于scada的设备故障检测***和检测方法 | |
CN111354496B (zh) | 核电厂事故在线诊断及状态跟踪预测方法 | |
CN114462820A (zh) | 一种轴承状态监测与健康管理***性能测试及优化方法和*** | |
CN111242301A (zh) | 多相场作用下岩石三轴抗压强度深度学习预测方法及装置 | |
CN114020715A (zh) | 一种日志数据的处理方法、装置、介质及设备 | |
CN112149770A (zh) | 一种智能电缆的数据射频识别显示***、方法及装置 | |
US20100161307A1 (en) | Software health management testbed | |
JP7062505B2 (ja) | 設備管理支援システム | |
CN109213119A (zh) | 基于在线学习的复杂工业关键部件故障预测方法及*** | |
CN116108376A (zh) | 一种反窃电的监测***、方法、电子设备及介质 | |
CN104751059A (zh) | 基于函数模板的软件行为分析方法 | |
RU2735296C1 (ru) | Способ многопараметрического контроля состояния сложных электротехнических объектов | |
Krupp et al. | A hybrid framework for bearing fault diagnosis using physics-guided neural networks | |
CN113283076A (zh) | 用电异常的研究方法、装置与计算机可读存储介质 | |
Zhang et al. | Structural Vibration Data Anomaly Detection Based on Multiple Feature Information Using CNN‐LSTM Model | |
CN114415602B (zh) | 工业设备的监控方法、装置、***和存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |