[发明专利]基于渐进式集成学习的大粒径粗粒土力学特性预测方法

权利要求书

1.基于渐进式集成学习的大粒径粗粒土力学特性预测方法，其特征在于，包括以下步骤：

步骤1：采集三轴实验的数据，对各粒径粗粒土数据归类、过滤和补全；

步骤2：基于步骤1得到的最大粒径归类的数据集，依次训练得到模型组；

步骤3：根据步骤2的模型组，结合待预测的粗粒土特征数据，得到其力学特性的预测结果。

2.根据权利要求1所述基于渐进式集成学习的大粒径粗粒土力学特性预测方法，其特征在于，所述步骤1包括如下子步骤：

步骤A1：获取三轴实验数据，按最大粒径分组归类，并确定数据的输入特征参数和输出标签；

步骤A2：首先审核步骤A1分组归类的数据，并排除不符合三轴实验标准的数据；然后按照拟定标准规范化数据，以岩土公式填补部分缺失值；最后以对应类别数据集的平均值填补输入特征参数的缺失值，以双曲线拟合填补并使得所有输出标签达到规定范围。

3.根据权利要求1所述基于渐进式集成学习的大粒径粗粒土力学特性预测方法，其特征在于，所述步骤2包括如下子步骤：

步骤B1：由步骤1处理得到的最大粒径最小的数据集训练XGBoost模型，将得到的预测该最大粒径的模型组作为基模型组；

步骤B2：首先由基模型组更新本次最大粒径的数据集，基于该数据集训练一个神经网络模型并加入模型组；然后以该数据集的新标签训练得到一个新的基模型，并对此新的基模型进行模型剪枝和恢复训练；最后将得到的第i个基模型加入第i-1个模型组作为第i个模型组，来预测第i个最大粒径的粗粒土的力学特性；重复以上过程直至模型组的对应最大粒径达到要求。

4.根据权利要求2所述基于渐进式集成学习的大粒径粗粒土力学特性预测方法，其特征在于，所述步骤A1中的输入特征参数包括最大粒径、试验围压、容器直径、容器高度、相对密度、干密度、孔隙比和级配。

5.根据权利要求2所述基于渐进式集成学习的大粒径粗粒土力学特性预测方法，其特征在于，所述步骤A1中的输出标签为偏应力或体积应变。

6.根据权利要求3所述基于渐进式集成学习的大粒径粗粒土力学特性预测方法，其特征在于，所述步骤B2中数据集的新标签的计算公式如下：

y^new_i＝y_i-y^pred_i-1

其中，y^new_i为第i个最大粒径的数据集的新标签；y_i为第i个最大粒径的数据集的原标签；y^pred_i-1为第i-1模型组对第i个最大粒径数据集标签的预测结果。

7.根据权利要求1所述基于渐进式集成学习的大粒径粗粒土力学特性预测方法，其特征在于，所述步骤3中预测结果的计算公式如下：

y^pred_i＝y^pred_i-1+y^p_i

其中，y^pred_i为第i个模型组对第i个最大粒径粗粒土样力学特性的预测值；y^pred_i-1为第i-1个模型组对第i个最大粒径粗粒土样力学特性的预测值；y^p_i为第i个基模型的预测值；y^p_n为第n个基模型的预测值。