CN120257003A 一种基于深度学习的岩土力学参数智能识别方法及系统 （江西科技学院）.docxVIP

(19)国家知识产权局

(12)发明专利申请

(10)申请公布号CN120257003A(43)申请公布日2025.07.04

(21)申请号202510308746.7

(22)申请日2025.03.17

(71)申请人江西科技学院

G01N15/08(2006.01)G01D21/02(2006.01)G06F119/02(2020.01)

GO6F119/14(2020.01)

地址330000江西省南昌市瑶湖高校园区

(72)发明人李香兰

(74)专利代理机构南昌恒桥知识产权代理事务所(普通合伙)36125

专利代理师杨志宇

(51)Int.CI.

GO6F18/24(2023.01)

GO6F18/21(2023.01)

GO6F30/10(2020.01)

GO6N3/0499(2023.01)

GO6N3/08(2023.01)

GO1N3/00(2006.01)

权利要求书3页说明书6页附图1页

(54)发明名称

一种基于深度学习的岩土力学参数智能识别方法及系统

(57)摘要

CN120257003A本发明公开了一种基于深度学习的岩土力学参数智能识别方法及系统，旨在精确识别岩土的弹性模量、强度参数及渗透系数，支持复杂地质条件下工程项目的决策与设计。从数据需求分析开始，明确参数识别目标并规划现场测试布局。通过综合收集与整合多源数据，包括实验室与现场测试数据、遥感信息等，构建基础数据集。数据经预处理与分析，以去除噪声并探索数据间关联。核心步骤涉及运用深度学习算法构建岩土力学模型，通过定义目标函数并优化，实现参数的高精度反演。反演结果经验证与不确定性分析。该方法将分析成果反馈至工程设计调整与决策支持中，实现方案的优化。通过持续监测与利

CN120257003A

CN120257003A权利要求书1/3页

2

1.一种基于深度学习的岩土力学参数智能识别方法，其特征在于，包括以下步骤；

S1.项目规划与数据需求分析：明确工程目标和参数识别的需求：岩土的弹性模量、强度参数、渗透系数，并规划现场测试和监测布置，包括钻孔、原位测试：静力触探、标准贯入试验和远程监测传感器的安装；

S2.数据收集与整合：收集各类现场测试数据，包括实验室试验数据、原位测试数据、遥感与地质雷达数据，整合历史工程数据和区域地质资料，建立基础数据集；

S3.预处理与数据分析：对收集的数据集进行清洗，去除异常值，进行数据转换和标准化处理，并利用统计分析初步探索数据间的关联性，为后续建模做准备；

S4.构建反演模型与目标函数：运用深度学习算法建立岩土力学模型，并整合得到岩土

力学模型公式,其中σ表示应力，η是粘性系数，体现了材料流动、粘性效应的强度，与材料的流动阻力有关，E是弹性模量，描述了材料在弹性范围内的刚度，通过公式E=G×2(1+v)计算，其中v为泊松比，表示材料在弹性范围内横向应变与纵向应变的负比值，G为剪切模量，ε是应变，分别代表应力和应变随时间的变化率，F为屈服条

件，运用综合模型公式进行变形预测，考虑各种工况下的力学响应，为岩土工程设计和安全评估提供支持，并根据工程实际情况定义目标函数，目标函数最小化，反映模型预测值与实测值的误差；

S5.参数反演与优化：应用PSO算法进行岩土力学模型参数反演，迭代优化目标函数，以求得最佳参数集合，多次迭代和算法参数调整；

S6.结果验证与不确定性分析：将反演得到的参数应用于模型中，通过模拟预测并与独立观测数据对比验证模型的预测能力，进行敏感性分析和不确定性评估，理解参数变化对模型预测的影响，评估结果的可靠性；

S7.反馈设计与决策支持：根据反演结果调整工程设计方案，优化结构设计和施工方案，提供风险评估报告和建议，为决策者提供科学依据；

S8.持续监测与动态调整：在工程实施过程中持续监测关键参数，利用实时数据进行模型的动态校正和优化，实施智能管控，根据最新数据反馈调整设计和施工策略，确保工程安全和高效推进。

2.如权利要求1所述的一种基于深度学习的岩土力学参数智能识别方法，其特征在于，步骤S4中运用深度学习算法建立岩土力学模型的具体步骤如下：

S41.数据准备与预处理收集数据：收集包含应力、应变、时间变量、温度、水分含量的