[发明专利]基于神经网络模型的异性结构面峰值抗剪强度预测方法

权利要求书

1.一种基于神经网络模型的异性结构面峰值抗剪强度预测方法，其特征在于，包括以下步骤：

S1：采集实际试验的历史数据，筛选出训练数据和验证数据后进行标准化处理；

S2：建立包含输入层、隐含层和输出层的BP神经网络模型，选择异性结构面壁岩强度比率、结构面粗糙度系数和法向应力作为输入参数，选择峰值抗剪强度比率作为输出参数；

S3：根据输入参数数量和输出参数数量确定隐含层最优神经单元数量，确定最优神经单元数量的公式如下：

其中，n表示隐含层神经单元数量，n₀表示输出参数的数量，n_i表示输入参数的数量，α是一个从1到10的常数，通过改变α的大小确定n值，然后得出所述训练数据中同一组数据对应的不同异性结构面抗剪强度，分别比较得到的异性结构面抗剪强度与实际的历史异性结构面抗剪强度，确定均方误差最小且相关系数最大的异性结构面抗剪强度对应的n值为隐含层最优神经单元数量；

S4：使用所述训练数据训练所述BP神经网络模型；

S5：使用所述验证数据验证所述BP神经网络模型；

S6：对验证后的所述BP神经网络模型输入参数，得到峰值抗剪强度比率预测值，从而得到预测的异性结构面的峰值抗剪强度。

2.如权利要求1所述的基于神经网络模型的异性结构面峰值抗剪强度预测方法，其特征在于：所述历史数据通过室内直剪试验获得或通过现场原位测试获得。

3.如权利要求1所述的基于神经网络模型的异性结构面峰值抗剪强度预测方法，其特征在于：对所述训练数据和所述验证数据的标准化处理为按比例缩小到0到1之间，缩小公式如下：

其中，x_i是变量，x_max、x_min为最大值和最小值，x_i,norm为标准化值。

4.如权利要求1所述的基于神经网络模型的异性结构面峰值抗剪强度预测方法，其特征在于：所述BP神经网络模型训练方式是通过调整权重和临界值以建立输入参数和输出结果之间非线性关系。

5.如权利要求4所述的基于神经网络模型的异性结构面峰值抗剪强度预测方法，其特征在于，训练所述BP神经网络模型的目标函数为：

其中C_t表示第t次试验所述BP神经网络模型输出参数，y_t表示对应的预期输出参数，T表示所述训练数据中的数组数量，MSE表示均方误差。

6.如权利要求5所述的基于神经网络模型的异性结构面峰值抗剪强度预测方法，其特征在于：评价训练所述BP神经网络模型合格的参数为均方根误差和相关系数，均方根误差小于0.1且相关系数大于0.85时，判断所述BP神经网络模型合格。

7.如权利要求6所述的基于神经网络模型的异性结构面峰值抗剪强度预测方法，其特征在于：所述均方根误差最小且所述相关系数最大时，判断所述BP神经网络模型合格。

8.基于神经网络模型的异性结构面峰值抗剪强度预测系统，其特征在于，包括：

预处理模块，用于采集实际试验的历史数据，筛选出训练数据和验证数据后进行标准化处理；

建模模块：建立包含输入层、隐含层和输出层的BP神经网络模型，选择异性结构面壁岩强度比率、结构面粗糙度系数和法向应力作为输入参数，选择峰值抗剪强度比率作为输出参数，确定隐含层最优神经单元数量，确定公式如下：

其中，n表示隐含层神经单元数量，n₀表示输出参数的数量，n_i表示输入参数的数量，α是一个从1到10的常数，通过改变α的大小确定n值，然后得出所述训练数据中同一组数据对应的不同异性结构面抗剪强度，分别比较得到的异性结构面抗剪强度与实际的历史异性结构面抗剪强度，确定均方误差小且相关系数最大的异性结构面抗剪强度对应的n值为最优隐含层神经单元数量；

训练模块：用于使用所述训练数据训练所述BP神经网络模型；

验证模块：用于使用所述验证数据验证所述BP神经网络模型；

输出模块：对验证后的所述BP神经网络模型输入参数，得到峰值抗剪强度比率预测值。