[发明专利]基于迁移学习算法的土质边坡稳定性预测方法及预测平台

权利要求书

1.一种基于迁移学习算法的土质边坡稳定性预测方法，包括如下步骤：

S1.获取边坡实测水平位移数据及土体样本数据；

S2.采用步骤S1获取的边坡实测水平位移数据及土体样本数据，通过神经网络算法构建边坡实测水平位移值与土体强度参数的关系模型，并进行反演分析处理，获取反演土体强度参数；

S3.采用神经网络算法，构建土体强度参数与边坡安全系数值关系的后台模型；

S4.采用神经网络算法，构建土体强度参数与边坡安全系数值关系的用户模型；

S5.通过迁移学习算法，针对步骤S3构建的后台模型和步骤S4构建的用户模型进行迁移学习处理，构建NN+TL算法模型；

S6.采用步骤S2获取的反演土体强度参数，通过步骤S5构建的NN+TL算法模型，完成边坡的稳定性预测分析。

2.根据权利要求1所述的基于迁移学习算法的土质边坡稳定性预测方法，其特征在于步骤S1所述的获取边坡实测水平位移数据及土体样本数据，具体包括：

1)通过边坡监测技术，针对边坡的位移进行实时监测，记录各个测点的实测水平位移值{f₁,f₂,…,f_n}；

2)获取边坡土体基本参数，包括土体弹性模量E、泊松比v、土体重度γ、黏聚力c、内摩擦角根据获取的黏聚力c与内摩擦角的取值范围，形成不同的组合系列，利用有限元分析软件，建立边坡数值分析模型，并记录对应组合下各个测点的计算水平位移值{d₁,d₂,…,d_n}和边坡安全系数值{F_s}，构建土体样本数据。

3.根据权利要求2所述的基于迁移学习算法的土质边坡稳定性预测方法，其特征在于步骤S2所述的采用步骤S1获取的边坡实测水平位移数据及土体样本数据，通过神经网络算法构建边坡实测水平位移值与土体强度参数的关系模型，并进行反演分析处理，获取反演土体强度参数，具体包括：

针对步骤S1获取的边坡实测水平位移数据及土体样本数据进行标准化处理，将处理后的各测点的计算水平位移值{d₁,d₂,…,d_n}作为网络输入，土体强度参数作为网络输出，随机划分训练数据集和测试数据集，进行神经网络的训练和测试，建立边坡实测水平位移值与土体强度参数的关系模型；

选择标准化处理后的各个测点的实测水平位移{f₁,f₂,…,f_n}作为训练后的神经网络的输入，通过神经网络处理，得到反演的土体强度参数

4.根据权利要求3所述的基于迁移学习算法的土质边坡稳定性预测方法，其特征在于步骤S3所述的采用神经网络算法，构建土体强度参数与边坡安全系数值关系的后台模型，具体包括：

获取符合条件的土体强度参数随机数组，并通过有限元软件建立边坡数值分析模型，记录每一组下的边坡安全系数值{F_s}；针对土体强度参数和边坡安全系数值{F_s}进行标准化处理，将土体强度参数作为网络输入，对应的边坡安全系数值{F_s}作为网络输出，随机划分训练数据集和测试数据集，进行神经网络的训练，构建土体强度参数与边坡安全系数值关系的后台模型。

5.根据权利要求4所述的基于迁移学习算法的土质边坡稳定性预测方法，其特征在于步骤S4所述的采用神经网络算法，构建土体强度参数与边坡安全系数值关系的用户模型，具体包括：

采用步骤S1获得样本数据作为网络的样本数据集，针对土体强度参数和边坡安全系数值{F_s}进行标准化处理，将土体强度参数作为网络输入，对应的边坡安全系数值{F_s}作为网络输出，随机划分训练数据集和测试数据集，进行神经网络的训练，构建土体强度参数与边坡安全系数值关系的用户模型。