一种基于时序性与模态分解的加筋土应力应变预测方法与流程

本发明涉及土木工程建筑，特别是涉及一种基于时序性与模态分解的加筋土应力应变预测方法。

背景技术：

1、近年来，随着国民经济持续、健康和快速的发展，公路、铁路、机场等基础设施建设正以前所未有的速度高速发展。加筋边坡、加筋土挡墙和加筋地基由于具有施工简便、造价低廉和美化景观的独特优势，在土木工程建设中得到了广泛应用。土工格室是由高分子聚合物宽条带(例如高密度聚乙烯、聚丙烯或聚酯)经超声波焊接、铆接或插接而形成的三维网状土工合成材料，土工格室运输方便，使用时张开并填充土石料或混凝土料，修建成加筋地基、加筋边坡和加筋挡墙等结构，广泛应用于土木工程各个领域。由于其特殊的三维形状，与土工格栅、土工织物和土工膜等仅靠自身的抗拉强度以及与土之间的摩擦和咬合来发挥加筋效果的二维平面加筋材料相比，土工格室不仅自身具有抗拉强度，格室片与土之间有相互摩擦作用，还能够对填料提供较强的侧向约束力，因此使得加筋土的粘聚强度增长较大，加筋效果优于二维土工合成材料。由于其优异的加筋效果，土工格室已被广泛应用于修建加筋地基、加筋边坡和加筋挡墙。但土工格室加筋土结构仍无成熟的设计方法和设计规范，特别是设计中将土工格室加筋土作为复合材料的等效强度和等效刚度这一重要的设计参数仍无理论确定方法，理论研究落后于工程实践，制约了新型土工格室加筋土结构的设计计算及其在工程实践中的应用。

技术实现思路

1、本发明的目的是提出一种基于时序性与模态分解的加筋土应力应变预测方法，以解决上述现有技术存在的问题，依托于对广泛试验数据的深入分析和历史经验的系统总结，促成本构模型的发展，旨在得到对未知基础属性组合的土体应力应变相应的预测模型。

2、为实现上述目的，本发明提供了如下方案：

3、一种基于时序性与模态分解的加筋土应力应变预测方法，包括：

4、获取待预测应力应变数据，构建集成预测模型，所述集成预测模型包括若干组合学习模型，所述组合学习模型包括：长短期记忆网络模型与xgboost集成模型；其中，所述集成预测模型利用训练集训练获得；

5、利用所述训练集训练所述集成预测模型包括：对所述训练集进行序列分解，获取若干固有模态函数，将所述训练集中的偏应力数据替换为若干固有模态函数中时间序列的纵坐标值，从而将训练集中的多样本数据合并为若干一维时间序列，对所述若干一维时间序列分别进行时序性重构，训练所述集成预测模型；

6、将所述待预测应力应变数据输入所述集成预测模型，获取加筋土的应力应变预测结果。

7、可选地，利用所述训练集训练所述组合学习模型前包括：

8、对原始数据集进行数据清洗，将数据清洗后的原始数据集中格室材料特征进行独热编码，将独热编码后的原始数据集进行相关性分析，获取若干个高相关性的特征，并进一步构建数据集，将所述数据集划分为训练集、测试集和验证集。

9、可选地，获取所述若干固有模态函数包括：

10、s1.1、获取与训练集样本数一致的随机数，即高斯白噪声，选择所述高斯白噪声作为初始固有模态函数；

11、s1.2、对所述初始固有模态函数执行希尔伯特变换，获取所述初始固有模态函数的包络函数；

12、s1.3、根据所述包络函数分离出所述初始固有模态函数的频率信息与平滑成分，获取粗糙的固有模态函数；

13、s1.4、从所述训练集中扣除所述粗糙的固有模态函数，产生残差信号；

14、s1.5、将所述残差信号作为新的初始固有模态函数，重复s1-s4，直至初始固有模态函数的包络函数满足预设的收敛性或精度要求；

15、s1.6、将所有初始固有模态函数依照尺度由低至高排序，以组成所述若干固有模态函数。

16、可选地，训练所述集成预测模型包括：

17、s2.1、设置超参数空间，选定一组超参数，利用滑动窗口机制，分别将所述若干一维时间序列中的某一行序列输入所述若干组合学习模型进行训练；

18、s2.2、步骤s2.1训练完成后，将当前行序列以及所述当前行序列的上一行中的所有序列与下一行序列融合作为融合序列输入所述若干组合学习模型进行训练；

19、s2.3、重复步骤s2.2，直至将全部行序列以及超参数输入所述若干组合学习模型进行训练，获取若干超参数优化结果，根据所述若干超参数优化结果，获取若干个最优组合学习模型，基于若干个最优组合学习模型，获取所述集成预测模型。

20、可选地，获取若干超参数优化结果包括：

21、利用验证集对训练过程中的包含每一组超参数的组合学习模型进行测试，记录验证集的误差，选择最优的验证集的误差作为所述超参数优化结果。

22、可选地，获取所述集成预测模型包括：

23、获取包含最有超参数优化结果的组合学习模型中长短期记忆网络模型的最佳验证集误差以及xgboost集成模型的最佳验证集误差；

24、设置误差阈值，对所述长短期记忆网络模型的最佳验证集误差和所述xgboost集成模型的最佳验证集误差进行计算，将计算结果与所述误差阈值进行比较，若所述误差阈值大于所述计算结果，则将所述长短期记忆网络模型和所述xgboost集成模型进行加权相加，形成所述最优组合学习模型，若所述误差阈值小于所述计算结果，则对所述长短期记忆网络模型的最佳验证集误差和所述xgboost集成模型的最佳验证集误差进行判断，将最小最佳验证集误差的模型作为所述最优组合学习模型，进一步获取若干个最优组合学习模型

25、将所述若干个最优组合学习模型进行加权组合，获取所述集成预测模型。

26、可选地，获取单一最优组合学习模型的应力应变预测结果的方法为：

27、

28、其中，ytest为加筋土的应力应变预测结果，wlstm为长短期记忆网络模型的最佳验证集误差，为最优长短期记忆网络模型，wxgb为xgboost集成模型的最佳验证集误差，为最优xgboost集成模型。

29、本发明的有益效果为：

30、引入时间序列处理思想和深度学习的lstm模型，新技术能够深入挖掘土体历史数据，显著提升了模型对数据时序性的认识和预测能力，有效解决了原有模型忽略时序性的问题。

31、利用独热编码技术对分类特征进行处理，增强了模型对类别特征的表达和理解能力，避免了因简单数字赋值导致的关键信息损失，从而优化了模型对类别特征的学习和预测。

32、应用z分位数法和vmd序列分解技术进行数据清洗、波形分解，有效处理了罕见样本和复杂的应力应变序列，显著提高了模型的泛化能力和性能，解决了模型在处理特殊数据时的归纳和泛化能力受限的问题。

33、整体上，这些先进技术的整合不仅显著提升了预测的准确性，还显著增强了模型对复杂土体行为的分析和预测能力，使模型在实际应用中具有更高的适用性和效果，为土体工程的预测和分析提供了更为可靠和高效的技术支持。

技术特征：

1.一种基于时序性与模态分解的加筋土应力应变预测方法，其特征在于，包括：

2.根据权利要求1所述的基于时序性与模态分解的加筋土应力应变预测方法，其特征在于，利用所述训练集训练所述组合学习模型前包括：

3.根据权利要求1所述的基于时序性与模态分解的加筋土应力应变预测方法，其特征在于，获取所述若干固有模态函数包括：

4.根据权利要求1所述的基于时序性与模态分解的加筋土应力应变预测方法，其特征在于，训练所述集成预测模型包括：

5.根据权利要求4所述的基于时序性与模态分解的加筋土应力应变预测方法，其特征在于，获取若干超参数优化结果包括：

6.根据权利要求4所述的基于时序性与模态分解的加筋土应力应变预测方法，其特征在于，获取所述集成预测模型包括：

7.根据权利要求4所述的基于时序性与模态分解的加筋土应力应变预测方法，其特征在于，获取所述最优组合学习模型的加筋土的应力应变预测结果的方法为：

技术总结本发明涉及一种基于时序性与模态分解的加筋土应力应变预测方法，其特征在于，包括：获取待预测应力应变数据，构建组合学习模型，所述组合学习模型包括：长短期记忆网络模型与XGBoost集成模型；其中，所述组合学习模型利用训练集训练获得；利用所述训练集训练所述组合学习模型包括：对所述训练集进行序列分解，获取若干固有模态函数，将所述训练集中的偏应力数据替换为若干固有模态函数中时间序列的纵坐标值，从而将训练集中的多样本数据合并为若干一维时间序列，对所述若干一维时间序列分别进行时序性重构，训练所述组合学习模型；将所述待预测应力应变数据输入所述组合学习模型，获取加筋土的应力应变预测结果。技术研发人员：何新平,崔鹏飞,宋飞,刘瑾,闫向阳,刘国涛受保护的技术使用者：中国公路工程咨询集团有限公司技术研发日：技术公布日：2024/12/2