[发明专利]基于人工神经网络的瞬态变温光纤光栅的土体含水率原位监测方法

说明书

本发明公开了一种基于人工神经网络的瞬态变温光纤光栅的土体含水率原位监测方法，该方法通过瞬态变温光纤光栅传感器获取各测点的变温特征指标，将变温特征指标与测点的土体含水率真值作为数据集，并划分为训练数据集和测试数据集。建立人工神经网络模型，设置模型的输入层为测点和相邻测点的变温特征指标，输出层为测点的土体含水率。利用训练数据集对所建的人工神经网络模型训练，测试数据集对训练后模型测试，将满足期望误差的神经网络模型作为标定模型。将测得的变温特征指标输入标定模型，达到原位监测土体含水率的目的。本发明减小了由瞬态变温光纤光栅传感器内部纵向传热引起的误差，得到的标定模型适用性强，监测的土体含水率精度高。

技术领域

本发明涉及土体含水率监测方法，尤其涉及一种基于人工神经网络的瞬态变温光纤光栅的土体含水率原位监测方法。

背景技术

近年来，瞬态变温光纤光栅传感器广泛应用于土体中的含水率监测，该传感器主要由高导热材料、电阻丝和光纤布拉格光栅FBG等组成，具有安装操作简便、对土体扰动小、抗电磁干扰、耐腐蚀、稳定性好等优点。

此外，瞬态变温光纤光栅传感器可根据监测密度及测点的要求串联多个FBG，以此实现土体含水率的准分布式监测。瞬态变温光纤光栅传感器进行准分布式监测之前需要完成标定工作，若标定时瞬态变温光纤光栅传感器周围土体含水率分布梯度较小，可近似认为瞬态变温光纤光栅传感器内部的变温过程基本一致，即土体内部无沿着瞬态变温光纤光栅传感器管体的传热现象。然而在实际中，相邻测点处的土体含水率常常具有较大差异，即导热系数不同，导致瞬态变温光纤光栅传感器内部的温度变化具有差异性，从而引起瞬态变温光纤光栅传感器内部纵向的热量传递，使得FBG的变温特征指标受到相邻土体性质的影响。

目前，瞬态变温光纤光栅传感器的传统标定方法的标定速度慢、精度低、适用性差，仅采用传统的经验公式法对一个测点处的变温特征指标与土体含水率值进行拟合标定，并未考虑到瞬态变温光纤光栅传感器内部纵向热量传递作用的影响，从而增大了标定模型的误差，影响了监测土体含水率的精度。

因此，如何通过标定的方法来提高瞬态变温光纤光栅传感器监测土体含水率的精度，成为了亟需解决的技术问题。

发明内容

发明目的：本发明提供一种基于人工神经网络的瞬态变温光纤光栅的土体含水率原位监测方法，通过建立瞬态变温光纤光栅传感器内部纵向温度的传递规律，去除内部温度传递对测点的变温特征指标的影响，进而提高瞬态变温光纤光栅传感器的标定精度，达到原位高精度监测土体含水率的目的。

技术方案：本发明基于人工神经网络的瞬态变温光纤光栅的土体含水率原位监测方法包括以下步骤：

(1)获取标定数据，即通过瞬态变温光纤光栅传感器获取测点处的变温特征指标，通过烘干法或含水率传感器获取测点处的土体含水率真值；

(2)进行数据集组建与划分，具体为，将测点处的变温特征指标和土体含水率真值作为数据集，并将数据集划分为训练数据集和测试数据集；

(3)进行数据集归一化处理，具体为，对训练数据集的变温特征指标和土体含水率真值，以及测试数据集的变温特征指标进行归一化处理；

(4)建立人工神经网络模型并进行训练，基于人工神经网络模型，建立适用于瞬态变温光纤光栅传感器的标定模型，并对归一化训练数据集进行训练，得到已训练的人工神经网络模型；

(5)进行人工神经网络预测，具体为，将测试数据集的归一化变温特征指标输入已训练的人工神经网络模型，得到人工神经网络预测的土体含水率归一化值；

(6)进行土体含水率值返归一化及误差计算，即将人工神经网络预测的土体含水率归一化值进行返归一化处理，并计算返归一化土体含水率值与土体含水率真值之间的均方根误差RMSE；