[发明专利]一种集渗透变形特征判别与抗渗梯度预测于一体的方法

说明书

本发明公开了一种集渗透变形特征判别与抗渗梯度预测于一体的方法，S1、将渗流试验历史数据作为训练样本，并构建渗流试验数据库；S2、对训练样本进行数据清洗，根据重力确定无应力条件下数据的平均有效应力，并获得数据集；S3、切分数据集，将训练样本按比例切分为训练集和测试集；S4、基于因果模型的IE深度学习网络，加载预训练参数，构建集渗透破坏类型判别与抗渗梯度预测于一体的智能分析网络模型；S5、对测试集进行测试，根据误差概率优化智能分析网络模型，得到用于渗透破坏风险快速评估的优化智能分析网络模型；S6、根据现场工况，基于优化智能分析网络模型，快速评估堰塞体、土石坝的渗透破坏类型及是否产生渗透破坏。

技术领域

本发明属于水利工程的技术领域，具体涉及一种集渗透变形特征判别与抗渗梯度预测于一体的方法。

背景技术

渗透破坏为一种堤坝、堰塞体等结构本身或地基上较为常见的破坏现象，其破坏类型主要有流土、管涌、过渡三类。材料产生渗透破坏时相应的水力梯度为抗渗梯度。快速准确确定材料在实际运行环境中的渗透破坏类型及其抗渗梯度，对于堤坝工程设计、堤坝和堰塞体渗流安全评估与应急抢险等均具有重要的工程意义。

当前的试验与理论研究表明，渗透破坏类型及其抗渗梯度受到材料级配、密实度、应力状态等影响，但现有的渗透破坏类型破坏准则及抗渗梯度预测公式多是仅考虑颗粒级配，且存在如下不足之处：一是没有考虑材料赋存的应力状态及密实度等影响，导致普适性不足，不能用于堰塞体、疏松坝基等，且抗渗梯度也难以代表各材料实际工作状态下的性能；二是考虑颗粒级配时，仅用细颗粒含量、D15/d85等个别参数来表征颗粒级配曲线的整体特征，而没有考虑整个颗粒级配曲线，较为片面；三是渗透破坏类型判别和抗渗梯度不能同时开展，需分别用不同的方法计算。

目前的研究与工程应用中，一般还通过渗流试验对不同土体的渗透破坏类型和抗渗梯度进行测定。对于不同的土样，其级配特征、材料物理性质、赋存应力状态等均会对其抗渗梯度产生影响，而在研究实际工程建筑或地基土样的渗透特性时，难以在室内渗透破坏试验中准确地对其级配特征、土料物理性质、赋存应力状态等进行还原设置，故测定的抗渗梯度也存在偏差。如果在应急处置的条件下，还需通过现场取样、试样运输、室内试验的方法来确定抗渗梯度，往往不能满足应急的及时需求。

发明内容

本发明的目的在于针对现有技术中的上述不足，提供一种集渗透变形特征判别与抗渗梯度预测于一体的方法，以解决或改善上述的问题。

为达到上述目的，本发明采取的技术方案是：

一种集渗透变形特征判别与抗渗梯度预测于一体的方法，其包括以下步骤：

S1、将渗流试验历史数据作为训练样本，并构建渗流试验数据库；

S2、对训练样本进行数据清洗，根据重力确定无应力条件下数据的平均有效应力，并获得数据集；

S3、切分数据集，将训练样本按比例切分为训练集和测试集；

S4、基于因果模型的IE深度学习网络，加载预训练参数，构建集渗透破坏类型判别与抗渗梯度预测于一体的智能分析网络模型；

S5、对测试集进行测试，根据误差概率优化智能分析网络模型，得到用于渗透破坏风险快速评估的优化智能分析网络模型；

S6、根据现场工况，基于优化智能分析网络模型，快速评估堰塞体、土石坝的渗透破坏类型及是否产生渗透破坏。

进一步地，步骤S1中渗透破坏类型标签包括流土、过渡和管涌。

进一步地，步骤S3切分数据集中，渗透破坏类型标签与测试集中的渗透破坏类型标签一致。

进一步地，步骤S4基于因果模型的IE深度学习网络，加载预训练参数，构建集渗透破坏类型判别与抗渗梯度预测于一体的智能分析网络模型，包括以下步骤：