一种基于MATLAB的土工试验结果批量式复检方法及装置与流程

一种基于matlab的土工试验结果批量式复检方法及装置
技术领域
1.本技术涉及土工试验结果批量式复检领域，尤其涉及一种基于matlab的土工试验结果批量式复检方法。本技术还涉及一种基于matlab的土工试验结果批量式复检装置。


背景技术：

2.土工试验是岩土工程勘察的重要组成内容之一，试验结果将直接影响勘察报告的质量。在试验完成后对试验结果进行复检，是保证勘察报告质量的重要手段。
3.目前，行业内在复检环节仍普遍采用人工方式，通过对比试验土留样的表观特征和土质参数试验结果对每组试验进行逐一判别，细粒土包含粉土、粉质黏土、淤泥质粉质黏土、淤泥质黏土、黏土，土质类型较为复杂，复检难度相对较大。当土工试验量较大时，复检效率极低。


技术实现要素：

4.本技术的目的在于克服上述现有技术的技术问题，一种基于matlab的土工试验结果批量式复检方法。本技术还涉及一种基于matlab的土工试验结果批量式复检装置。
5.本技术提供一种基于matlab的土工试验结果批量式复检方法，包括：
6.初始化matlab运行环境，依托于bp神经网络，读取.xls文件中包括土质类型的实验数据并写入breast.mat程序；
7.加载breast.mat程序，划分训练数据和复检数据，归一化处理后分别保存于traind_s和testd_s文件中；
8.构建神经网络，读取并以所述训练数据完成所述神经网络训练，利用所述神经网络对由所述复检数据获取的计算变量进行计算；
9.将计算结果进行转化，并与初始化后的复检数据中的所述土质类型进行对比，获得不相符的组编号、复检组的准确率及误差率。
10.可选的，初始化matlab(也称.mat)运行环境，包括：
11.清除全局变量、关闭未关闭的运行窗口、删除不需要的变量和文件。
12.可选的，所述划分训练数据和复检数据，包括：
13.训练数据保存于breast.mat程序中；进行复检的试验数据保存在.xls文件中；
14.读取.xls文件中的实验数据，将所述实验数据写入breast.mat程序；
15.加载breast.mat程序，重新划分训练数据和复检数据。
16.可选的，所述实验数据包括的描述项：土质类型、含水率、液限和塑限。
17.可选的，还包括基于所述描述项进行数据预处理，包括：
18.a)土质类型定量化，粉土＝0，粉质黏土＝0.25，淤泥质粉质黏土＝0.5，淤泥质黏土＝0.75，黏土＝1，预处理后的数据作为训练数据的结果项和复检数据的对比项；
19.b)根据所述含水率、液限及塑限获取计算变量，包括：含水率w，水含量控制变量a，塑性指数ip，塑限wp，其中a(a》＝0)＝1，a(a《0)＝0；
20.可选的，包括归一化处理：
21.对所述训练数据的计算变量和复检数据的计算变量进行均值平移和方差标准化。
22.可选的，所述神经网络，包括：
23.网络隐藏层数量为5，每层的神经元数量分别为[9,7,5,3,2]，层与层之间的传递函数为tansig函数，训练次数最大值为5000，网络目标误差为0.00001。
[0024]
可选的，利用神经网络对通过复检数据获取的计算变量进行计算，包括：
[0025]
以行为单位，计算每组试验的定量化土质类型计算结果；
[0026]
在计算过程中设置基于塑性指数ip的优先赋值代码，当经归一化后的ip值小于某一阈值时，计算结果赋值为0。
[0027]
本技术还提供一种基于matlab的土工试验结果批量式复检装置，包括：
[0028]
写入模块，用于初始化matlab运行环境后，依托于bp神经网络，读取.xls文件中包括土质类型的实验数据并写入breast.mat程序；
[0029]
划分模块，用于加载breast.mat程序，划分训练数据和复检数据，归一化处理后分别保存于traind_s和testd_s文件中；
[0030]
训练模块，用于构建神经网络，读取并以所述训练数据完成所述神经网络训练，利用所述神经网络对由所述复检数据获取的计算变量进行计算；
[0031]
对比模块，用于将计算结果进行转化，并与初始化后的复检数据中的所述土质类型进行对比，获得不相符的组编号、复检组的准确率及误差率。
[0032]
本技术的优点和有益效果：
[0033]
本技术提供一种基于matlab的土工试验结果批量式复检方法，包括：初始化matlab运行环境，依托于bp神经网络，读取.xls文件中包括土质类型的实验数据并写入breast.mat程序；加载breast.mat程序，划分训练数据和复检数据，归一化处理后分别保存于traind_s和testd_s文件中；构建神经网络，读取并以所述训练数据完成所述神经网络训练，利用所述神经网络对由所述复检数据获取的计算变量进行计算；将计算结果进行转化，并与初始化后的复检数据中的所述土质类型进行对比，获得不相符的组编号、复检组的准确率及误差率。本技术基于matlab进行土工试验结果批量式复检，同时采用神经网络进行数据计算，同时提高了土工试验结果复检的速度和复检结果的准确性。
附图说明
[0034]
图1是本技术中基于matlab的土工试验结果批量式复检流程示意图。
[0035]
图2是本技术中基于matlab的土工试验结果批量式复检执行示意图。
[0036]
图3是本技术中数据划分、转化及归一化处理后的结果示意图。
[0037]
图4是本技术中神经网络训练示意图。
[0038]
图5是本技术中基于matlab的土工试验结果批量式复检装置示意图。
具体实施方式
[0039]
下面结合附图和具体实施例对本技术作进一步说明，以使本领域的技术人员可以更好地理解本技术并能予以实施。
[0040]
以下内容均是为了详细说明本技术要保护的技术方案所提供的具体实施过程的
示例，但是本技术还可以采用不同于此的描述的其他方式实施，本领域技术人员可以在本技术构思的指引下，采用不同的技术手段实现本技术，因此本技术不受下面具体实施例的限制。
[0041]
本技术提供一种基于matlab的土工试验结果批量式复检方法，包括：初始化matlab运行环境，依托于bp神经网络，读取.xls文件中包括土质类型的实验数据并写入breast.mat程序；加载breast.mat程序，划分训练数据和复检数据，归一化处理后分别保存于traind_s和testd_s文件中；构建神经网络，读取并以所述训练数据完成所述神经网络训练，利用所述神经网络对由所述复检数据获取的计算变量进行计算；将计算结果进行转化，并与初始化后的复检数据中的所述土质类型进行对比，获得不相符的组编号、复检组的准确率及误差率。本技术基于matlab进行土工试验结果批量式复检，同时采用神经网络进行数据计算，同时提高了土工试验结果复检的速度和复检结果的准确性。
[0042]
matlab是美国mathworks公司出品的商业数学软件，它将数值分析、矩阵计算、科学数据可视化以及非线性动态系统的建模和仿真等诸多强大功能集成在一个易于使用的视窗环境中，为科学研究、工程设计以及必须进行有效数值计算的众多科学领域提供了一种全面的解决方案。
[0043]
本技术提出一种基于matlab的土工试验结果批量式复检方法，通过机械计算代替人工，高效完成土工试验复检工作。
[0044]
请参照图1和图2所示，s101初始化matlab运行环境，依托于bp神经网络，读取.xls文件中包括土质类型的实验数据并写入breast.mat程序。
[0045]
具体的，首先初始化matlab运行环境：清除全局变量、关闭未关闭的运行窗口，删除不需要的变量和文件。
[0046]
其次读入并划分数据：
[0047]
本技术中，土工试验结果复检功能的实现依托于bp神经网络。
[0048]
所述神经网络的训练数据保存于breast.mat程序中，用于进行复检的试验数据为.xls文件，读取.xls文件中的内容，并按行排列，将内容写入breast.mat程序。
[0049]
例如：网络的训练数据保存于breast.mat程序中，累计996行；用于进行复检的试验数据为.xls文件，累计89行；读取.xls文件中的内容，并按将内容写入breast.mat程序,则breast.mat程序中数据累计可达1085行。随后，加载breast.mat程序,重新划分训练数据和复检数据。
[0050]
s102加载breast.mat程序，划分训练数据和复检数据，归一化处理后分别保存于traind_s和testd_s文件中，
[0051]
最后，加载breast.mat程序，重新划分训练数据于复检数据。
[0052]
细粒土的数据文件中应包括土质类型、含水率、液限及塑限等描述项，在进行复检时首先要对数据的描述项进行预处理：
[0053]
a)土质类型定量化，粉土＝0、粉质黏土＝0.25、淤泥质粉质黏土＝0.5、淤泥质黏土＝0.75、黏土＝1。预处理后的数据作为训练数据的结果项和复检数据的对比项，分别保存于trainl和testl文件中。
[0054]
b)根据含水率、液限及塑限获取计算变量，包括含水率w、水含量控制变量a、塑性指数ip及塑限wp，其中a(a》＝0)＝1,a(a《0)＝0。预处理后的数据作为训练数据的计算变量
和复检数据的计算变量，分别保存于traind和testd文件中。
[0055]
如图3所示，对计算变量进行均值平移，随后进行方差标准化。例如：对于traind和testd文件中数据，首先进行均值平移，随后进行方差标准化，归一化处理后的数据分别保存于traind_s和testd_s文件中。
[0056]
s103构建神经网络，读取并以所述训练数据完成所述神经网络训练，利用所述神经网络对由所述复检数据获取的计算变量进行计算；
[0057]
构建神经网络，通过调用breast.mat程序中划分训练数据，完成网格训练，设置满足训练要求的网络隐藏层数量、层与层之间的传递函数及每层的神经元数量；网络训练控制指标包括训练次数最大值及网络目标误差。
[0058]
如图4所示，在本技术中，设置网络隐藏层数量为5，每层的神经元数量分别为[9,7,5,3,2]，层与层之间的传递函数为tansig函数，训练次数最大值为5000，网络目标误差为0.00001。
[0059]
调用训练好的神经网络；
[0060]
利用神经网络对通过复检数据获取的计算变量进行计算，以行为单位，得到每组试验的定量化土质类型计算结果，在计算过程中设置了基于塑性指数ip的优先赋值代码，当经归一化后的ip值小于某一阈值时，计算结果赋值为0。
[0061]
s104将计算结果进行转化，并与初始化后的复检数据中的所述土质类型进行对比，获得不相符的组编号、复检组的准确率及误差率。
[0062]
本技术中以组为单位，将计算结果进行转化，并与初始化后的复检数据中的土质类型进行对比，显示结果不相符的组编号、全部复检组的整体准确率及误差率。在本实施例中，89组土工试验的整体正确率为89％，误差率为3.9％，存在疑似试验组9组，结果如下所示：
[0063]
errorrate＝
[0064]
0.039.
[0065]
正确率
[0066]
89.887640％
[0067]
误差率
[0068]
3.902866％
[0069]
ans＝
[0070]
2 21 39 45 47 48 58 59 61
[0071]
该结果的塑性指数优先赋值代码如下：
[0072][0073][0074]
将计算结果进行转化：
[0075]
计算结果大于或等于0.875时，计算结果转化为1；计算结果大于或等于0.625且小于0.875时，计算结果转化为0.75；计算结果大于或等于0.375且小于0.625时，计算结果转化为0.5；计算结果大于或等于0.125且小于0.375时，计算结果转化为0.25；计算结果小于0.125时，计算结果转化为0。
[0076]
最后以行为单位，将转化后的计算结果与初始化后的复检数据中的土质类型进行
对比，显示结果不相符的组编号、全部复检组的整体准确率及误差率。
[0077]
本技术中，首先对待复检试验数据进行读取并导入，然后对数据进行预处理，获得定量化土质类型及计算变量，再通过神经网络进行网络训练及网络计算，接着以行为单位，将计算结果进行转化，并与初始化后的复检数据中的土质类型进行对比，最后显示结果不相符的组编号、全部复检组的整体准确率及误差率。这样，高效完成土工试验结果的复检，提高效率。
[0078]
本技术还提供一种基于matlab的土工试验结果批量式复检装置，用于执行上述方法过程。
[0079]
该装置请参照图5所示，主要包括：
[0080]
写入模块201，用于初始化matlab运行环境后，依托于bp神经网络，读取.xls文件中包括土质类型的实验数据并写入breast.mat程序；
[0081]
划分模块202，用于加载breast.mat程序，划分训练数据和复检数据，归一化处理后分别保存于traind_s和testd_s文件中；
[0082]
训练模块203，用于构建神经网络，读取并以所述训练数据完成所述神经网络训练，利用所述神经网络对由所述复检数据获取的计算变量进行计算；
[0083]
对比模块204，用于将计算结果进行转化，并与初始化后的复检数据中的所述土质类型进行对比，获得不相符的组编号、复检组的准确率及误差率。

技术特征：
1.一种基于matlab的土工试验结果批量式复检方法，其特征在于，包括：初始化matlab运行环境，依托于bp神经网络，读取.xls文件中包括土质类型的实验数据并写入breast.mat程序；加载breast.mat程序，划分训练数据和复检数据，归一化处理后分别保存于traind_s和testd_s文件中；构建神经网络，读取并以所述训练数据完成所述神经网络训练，利用所述神经网络对由所述复检数据获取的计算变量进行计算；将计算结果进行转化，并与初始化后的复检数据中的所述土质类型进行对比，获得不相符的组编号、复检组的准确率及误差率。2.根据权利要求1所述的基于matlab的土工试验结果批量式复检方法，其特征在于，初始化matlab运行环境，包括：清除全局变量、关闭未关闭的运行窗口、删除不需要的变量和文件。3.根据权利要求1所述的基于matlab的土工试验结果批量式复检方法，其特征在于，所述划分训练数据和复检数据，包括：训练数据保存于breast.mat程序中；进行复检的试验数据保存在.xls文件中；读取.xls文件中的实验数据，将所述实验数据写入breast.mat程序；加载breast.mat程序，重新划分训练数据和复检数据。4.根据权利要求1、2或者3所述的基于matlab的土工试验结果批量式复检方法，其特征在于，所述实验数据包括的描述项：土质类型、含水率、液限和塑限。5.根据权利要求4所述的基于matlab的土工试验结果批量式复检方法，其特征在于，还包括基于所述描述项进行数据预处理，包括：a)土质类型定量化，粉土＝0，粉质黏土＝0.25，淤泥质粉质黏土＝0.5，淤泥质黏土＝0.75，黏土＝1，预处理后的数据作为训练数据的结果项和复检数据的对比项；b)根据所述含水率、液限及塑限获取计算变量，包括：含水率w，水含量控制变量a，塑性指数ip，塑限wp，其中a(a>＝0)＝1，a(a<0)＝0；预处理后的数据作为训练数据的计算变量和复检数据的计算变量。6.根据权利要求5所述的基于matlab的土工试验结果批量式复检方法，其特征在于，包括归一化处理：对所述训练数据的计算变量和复检数据的计算变量进行均值平移和方差标准化。7.根据权利要求1所述的基于matlab的土工试验结果批量式复检方法，其特征在于，所述神经网络，包括：网络隐藏层数量为5，每层的神经元数量分别为[9,7,5,3,2]，层与层之间的传递函数为tansig函数，训练次数最大值为5000，网络目标误差为0.00001。8.根据权利要求1所述的基于matlab的土工试验结果批量式复检方法，其特征在于，利用神经网络对通过复检数据获取的计算变量进行计算，包括：以行为单位，计算每组试验的定量化土质类型计算结果；在计算过程中设置基于塑性指数ip的优先赋值代码，当经归一化后的ip值小于某一阈值时，计算结果赋值为0。
9.一种基于matlab的土工试验结果批量式复检装置，其特征在于，包括：写入模块，用于初始化matlab运行环境后，依托于bp神经网络，读取.xls文件中包括土质类型的实验数据并写入breast.mat程序；划分模块，用于加载breast.mat程序，划分训练数据和复检数据，归一化处理后分别保存于traind_s和testd_s文件中；训练模块，用于构建神经网络，读取并以所述训练数据完成所述神经网络训练，利用所述神经网络对由所述复检数据获取的计算变量进行计算；对比模块，用于将计算结果进行转化，并与初始化后的复检数据中的所述土质类型进行对比，获得不相符的组编号、复检组的准确率及误差率。

技术总结
本申请提供一种基于MATLAB的土工试验结果批量式复检方法及装置，该方法包括：初始化MATLAB运行环境，依托于BP神经网络，读取.xls文件中包括土质类型的实验数据并写入breast.mat程序；加载breast.mat程序，划分训练数据和复检数据，归一化处理后分别保存于traind_s和testd_s文件中；构建神经网络，读取并以所述训练数据完成所述神经网络训练，利用所述神经网络对由所述复检数据获取的计算变量进行计算；将计算结果进行转化，并与初始化后的复检数据中的所述土质类型进行对比，获得不相符的组编号、复检组的准确率及误差率。本申请基于MATLAB进行土工试验结果批量式复检，同时采用神经网络进行数据计算，同时提高了土工试验结果复检的速度和复检结果的准确性。工试验结果复检的速度和复检结果的准确性。工试验结果复检的速度和复检结果的准确性。


技术研发人员：尹崧宇 张旭光 孟令福
受保护的技术使用者：中交第一航务工程勘察设计院有限公司
技术研发日：2023.04.26
技术公布日：2023/8/13