[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

说明书

本发明公开了属于计算机应用技术领域的基于渐进式集成学习的大粒径粗粒土力学特性预测方法。该方法包括以下步骤：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。本发明方法不仅在对最大粒径较小的粗粒土的力学特性预测上有更好的性能，更能对最大粒径更大的粗粒土的力学特性进行预测，并且结果具有良好的准确性、泛化性。

技术领域

本发明涉及计算机应用技术领域，尤其涉及基于渐进式集成学习的大粒径粗粒土力学特性预测方法。

背景技术

粗粒土是指块石、碎石(或砾卵石)、石屑、石粉等粗颗粒组成的混合土料，是土石坝的主要建筑材料，因此掌握其力学特性对土石坝建筑设计极为重要。影响粗粒土特性的因素较多，其中各粒径大小的颗粒占比，称为级配，是最为重要的影响因素之一。在实际使用的粗粒土原型级配中，粒径最大可达600～800mm，而一般室内三轴仪器支持的最大粒径仅为60mm，因此无法直接测得其力学特性。

目前工程中只能通过一些级配缩小方法，称为缩尺，一般将其缩尺至最大粒径60mm进行试验，再由此数据推测原型级配的特性。这将带来无法避免的误差，被称为缩尺效应。目前，在由试验土料特性推求现场大粒径土料力学特性的过程中，一般采用传统数学公式模型。这类公式模型基于一定假设，存在大量参数且参数来自于较少量的试验结果，不具备良好的准确性、可解释性和泛化性。

综上所述，在大粒径粗粒土力学特性研究中，缺少基于大量真实数据，能根据粗粒土包括级配、干密度、孔隙率等参数，准确地、泛化地预测其力学特性的方法。

发明内容

本发明的目的是提出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。

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。

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。

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。

所述步骤A1中的输出标签为偏应力或体积应变。

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