[发明专利]一种基于对比学习和度量学习的接地网不开挖腐蚀预测模型

权利要求书

1.一种基于对比学习和度量学习的接地网不开挖腐蚀预测模型，其特征在于：其包括以下步骤，(1)选择用于预测模型的数据采样区域及其数据采样点，建立采样点样本库；(2)通过将对比学习和度量学习相结合建立神经网络，形成预测模型；(3)对步骤(2)形成的预测模型进行验证；

步骤(1)中数据采样区域为选择接地网中2-4个腐蚀支路，将该腐蚀支路所在区域作为数据采样区域；所述数据采样点为在所述数据采样区域内的接地网腐蚀样本点；

步骤(2)包括以下步骤，(2-1)确定输入数据和输出数据：输入数据为步骤(1)中数据采样区域对应土壤理化性质；输出数据为数据采样区域对应的接地导体的腐蚀速率；(2-2)通过度量学习和对比学习对步骤(2-1)的输入输出数据进行拟合；

步骤(2-1)中，接地导体的腐蚀速率为将数据采样区域的接地网腐蚀样本点处截取腐蚀支路对应的部分接地导体作为样本，利用失重法计算出对应接地导体的腐蚀速率；

步骤(2-1)中，土壤理化性质包括土壤电阻率、含水率、孔隙率、S04 2-和Cl-的含量；所述土壤电阻率的获得方法为：在数据采样区域内，垂直等距埋入地下4支金属探针，互相之间相隔为a，金属探针的埋入深度不超过a的5％；土壤电阻率计算公式为：ρ＝2πaR(1)；式中ρ为土壤电阻率，a为两个相邻金属探针之间的距离，R为接地电阻测量仪读数；

步骤(2-2)包括以下步骤，(2-2-1)通过度量学习确定虚拟度量指标α；(2-2-2)对虚拟度量指标α进行训练，通过对比学习对虚拟度量指标α的拟合误差进行自监督对比学习，根据对比学习算法对虚拟度量指标α进行优化；如果步骤(2-2-2)结果不收敛，则返回步骤(2-2-1)中，重新确定虚拟度量指标α值，直至结果收敛；

步骤(2-2-1)中，确定虚拟度量指标α的方法为：

定义神经网络的损失函数如下：

其中，I表示训练集；它的K个查询为R＝{i_k，j_k，r_k}，k＝1，...K；其中i_k为第k个查询中一个样本的虚拟度量指标，j_k为另一个样本产生的度量指标，而r_k∈{+1，-1，0}是i_k和j_k两个点之间的真实腐蚀速率大小比较，小、大和相等分别用+1，-1和0表示，ψ_k(I，i_k，j_k，r，z)是第k次查询的损失值，表示为：

z是预测值，z_ik和z_jk是在点i_k和j_k时的预测值；得到的z为α；

步骤(2-2-2)中，对虚拟度量指标α进行训练的过程为：通过多层神经网络对样本集进行训练，在此基础上通过损失函数确定出虚拟度量指标a；

步骤(22-2)中，根据对比学习算法对虚拟度量指标α进行优化的过程为：

在对比学习中，数据本身为学习算法提供监督，对于虚拟度量指标α，对比方法的目的是学习编码器f，文中列项说明格式如下：

score(f(α)，f(α⁺))＞＞score(f(α)，f(α^-)) (4)；

其中，α⁺是与α相似或相等的数据点，称为正样本；α^-是与α不同的数据点，称为负样本；score函数用来度量两个特征之间相似性，其表达式为：

score(f(a)，f(a⁺))＝f(a)^Tf(a⁺) (5)；

作为样本输入的α称为锚定点，构造一个soffmax分类器来正确地分类正样本对和负样本对，这个分类器鼓励f让正样本对相似，负样本对差异化：

如果步骤(2-2-2)结果不收敛，则返回步骤(2-2-1)中，重新确定虚拟度量指标α值；

确定虚拟度量指标α值后，预测出未知样本的腐蚀速率Y；

Y＝a1×fushi1+a2×fushi2+...an×fushin (7)；

式中Y是组合输出结果，a1、a2、...、an是需要拟合的系数，而fushi1、fushi2、...、fushin是接地导体的腐蚀速率；

a1、a2、...、an拟合过程中，在多层神经网络的基础上，输入初始解阶段同样使用了SE_Block，并且底层三个层块共用了同样的参数，然后经过全局的压缩-膨胀模块Dul_Block，为临近样本提出的特征统筹判断重要性，最后经过全连接层输出临近样本的系数，以预测出未知样本的腐蚀速率。