[发明专利]一种土体应力应变关系确定方法

权利要求书

1.一种基于多尺度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：利用三轴压缩试验，获取不同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：对原始数据集进行归一化处理，得到归一化数据集，确定数据样本标签数据的尺度效应系数c；尺度效应系数c满足公式：c＝log(|y|_max)-log(|y|_min)，其中，y为归一化数据集的训练集中所有数据样本的标签数据集合；

S4：使用Octave建立四层LSTM深度学习网络，确定隐藏层节点数量N_h、激活函数和多尺度代价函数J；

S5：确定LSTM深度学习网络的初始权值矩阵和向量；

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，并确定代价函数值J；

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。

2.根据权利要求1所述的基于多尺度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，所述步骤S1中，物理力学参数包括土体的压缩指数λ、回弹指数κ、孔隙率e、强度参数M；土体试样是指高度与直径之比为2～2.5的圆柱形土体试验样本。

3.根据权利要求1所述的基于多尺度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，所述步骤S2中，所述原始数据集为在所有加载条件下的原始应力应变数据样本的集合，分为训练集和测试集；所述原始应力应变数据样本由t个连续应力加载步对应的土体参数、应力和应变组成。

4.根据权利要求1所述的基于多尺度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，所述四层LSTM深度学习网络由输入层、LSTM单元隐藏层、全连接隐藏层和输出层组成的深度学习模型。

5.根据权利要求4所述的基于多尺度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，所述隐藏层节点数量N_h为LSTM单元隐藏层和全连接隐藏层中的节点数量，N_h满足公式：

N_h＝a×N_c+b×N_v

其中，N_c为应力应变数据样本的输入数据中不会随时间变化的常变量个数，N_v为应力应变数据样本的输入数据中随时间变化的可变变量个数，a为常变量系数，b为可变变量系数。

6.根据权利要求5所述的基于多尺度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，所述多尺度代价函数J满足公式：

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，y^o_ki为第k个数据样本第i个时间步的LSTM模型输出数据，y_ki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，w_j为模型中第j个权重，N_w为LSTM模型的权重个数，c为尺度效应系数，δ为克罗内克算子，当log|y_i|＝log|y|_min时，其值为1，不相等时，其值为0。

7.根据权利要求1所述的基于多尺度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，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，W_l，R_l，b_l为第l层的权值矩阵和偏置向量，N_l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。。

8.根据权利要求1所述的基于多尺度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，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θ_t-1；

b)计算权值参数梯度g_t,g_t＝▽_θf_t(θ_t-1)；

c)计算一阶动量m_t,m_t＝β₁m_t-1+(1-β₁)g_t；

d)计算二阶动量v_t,v_t＝β₂v_t-1+(1-β₂)g_t²；

e)计算一阶动量修正项

f)计算二阶动量修正项

g)计算更新后权值参数θ_t,

其中，所述θ_t-1指代LSTM模型上一步迭代的权值矩阵和向量，所述θ_t指代更新后的权值矩阵和向量。