在冻结法施工中,保证冻结壁稳定性至关重要,传统的现场检测方法因其间断性而无法提供实时监测,限制了对冻结壁潜在灾变的及时响应,采用冻土的深层原位精准探测是揭示冻结壁重大工程灾变机理及灾害预警的有效手段。基于卷积神经网络提出...在冻结法施工中,保证冻结壁稳定性至关重要,传统的现场检测方法因其间断性而无法提供实时监测,限制了对冻结壁潜在灾变的及时响应,采用冻土的深层原位精准探测是揭示冻结壁重大工程灾变机理及灾害预警的有效手段。基于卷积神经网络提出一种基于图像数据驱动的冻土强度智能识别方法,通过对93组试样的多角度图像捕获及随后的单轴抗压强度试验,标注试样图像与实际强度数据并结合图像数据增强技术,构建了深度学习模型训练所需的图像数据集;利用迁移学习深度残差网络34层(ResNet-34)模型,并对比其他不同模型的训练过程和测试结果,发现ResNet-34模型效果最佳,准确率为92.8%,且没有出现过拟合现象;应用深度学习模型对冻土强度的影响因素土质、温度和含水率进行识别,发现模型能有效识别出3个变量,证明了模型识别冻土强度的科学性和可靠性;此外研究了模型在不同干扰条件下的表现,模拟典型干扰场景并分析其对模型预测性能的影响,为后续改进数据增强策略和模型优化方向提供依据;引入Grad-CAM(Gradient-weighted Class Activation Mapping)可解释性分析方法揭示卷积神经网络在冻土强度识别任务中的内部特征提取过程,发现利用模型能够提取和分析冻土的关键图像特征,实现冻土强度的快速判识。研究成果为冻结壁状态的实时监控及早期灾害预警提供了新方法,可为冻结工程安全施工提供技术支撑。展开更多
文摘在冻结法施工中,保证冻结壁稳定性至关重要,传统的现场检测方法因其间断性而无法提供实时监测,限制了对冻结壁潜在灾变的及时响应,采用冻土的深层原位精准探测是揭示冻结壁重大工程灾变机理及灾害预警的有效手段。基于卷积神经网络提出一种基于图像数据驱动的冻土强度智能识别方法,通过对93组试样的多角度图像捕获及随后的单轴抗压强度试验,标注试样图像与实际强度数据并结合图像数据增强技术,构建了深度学习模型训练所需的图像数据集;利用迁移学习深度残差网络34层(ResNet-34)模型,并对比其他不同模型的训练过程和测试结果,发现ResNet-34模型效果最佳,准确率为92.8%,且没有出现过拟合现象;应用深度学习模型对冻土强度的影响因素土质、温度和含水率进行识别,发现模型能有效识别出3个变量,证明了模型识别冻土强度的科学性和可靠性;此外研究了模型在不同干扰条件下的表现,模拟典型干扰场景并分析其对模型预测性能的影响,为后续改进数据增强策略和模型优化方向提供依据;引入Grad-CAM(Gradient-weighted Class Activation Mapping)可解释性分析方法揭示卷积神经网络在冻土强度识别任务中的内部特征提取过程,发现利用模型能够提取和分析冻土的关键图像特征,实现冻土强度的快速判识。研究成果为冻结壁状态的实时监控及早期灾害预警提供了新方法,可为冻结工程安全施工提供技术支撑。
