(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202110668694.6 (22)申请日 2021.06.16 (65)同一申请的已公布的文献号 申请公布号 CN 113326659 A (43)申请公布日 2021.08.31 (73)专利权人 长沙理工大 学 地址 410000 湖南省长 沙市天心区赤岭路 45号 (72)发明人 李希　苏敏　钱国平　李平　 雷若晨　刘振宇　王瑞至　谌彦良　 王当锐　黄渝淇　 (74)专利代理 机构 长沙市和协 专利代理事务所 (普通合伙) 43115 专利代理师 曹文娟(51)Int.Cl. G06F 30/27(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G01N 3/303(2006.01) 审查员 张驰 (54)发明名称 一种红黏土 压实度快速 检测方法 (57)摘要 本发明提供一种红黏土压实度快速检测方 法， 属于道路工程技术领域。 所述的检测方法包 括以下步骤： S1： 利用PFWD设备获取荷载及位移 时程数据； S2： 建立卷积神经网络， 卷积神经网络 包括输入层、 卷积层、 池化层、 全连接层和输出 层。 本发明利用PFWD(便携式落锤弯沉仪)设备， 并结合大数据和卷积神经网络算法， 充分挖掘 PFWD所得落锤的动荷载及位移时程所包含的土 体压实度信息， 建立了利用PFWD设备快速、 无损 获取红黏土压实度的方法， 有利于现行规范的完 善和指导工程施工 。 权利要求书2页 说明书6页 附图1页 CN 113326659 B 2022.08.12 CN 113326659 B 1.一种红黏土 压实度快速检测方法， 其特 征在于， 包括以下步骤： S1： 利用PFWD设备获取荷载及位移时程数据； S2： 建立卷积神经网络， 卷积神经网络包括输入层、 卷积层、 池化层、 全连接层和输出 层， 具体操作方法为： S21： 输入： 在输入层输入荷载及位移时程数据； S22： 数据卷积操作： 将荷载及位移数据作为输入特征面， 设定 卷积核大小、 数量、 步长和 填充参数， 赋予一个卷积核权值， 在同一输入特征面和输出特征面中卷积核权值共享； 赋予 一个偏置值， 在同一输入特征面和输出特征面中偏置值共享， 经过卷积操作， 得到卷积层输 出特征面； S23： 数据池化操作： 将卷积层的输 出特征面作为池化层的输入特征面； 设定池化核大小 和池化方法； 通过池化操作可得到和卷积层输出特征面同样数量的输出特征面且一一对 应； S24： 数据全连接操作： 将 池化层的输 出特征面作为全连接层的输入特征面， 输入特征面 用 表示， 全连接层的输出神经元用fjout表示； 权值和偏置 值分别用Wjg、 bj表示； 最终得到 j个神经元， 具体全连接操作如下： S25： 数据输出： 将全连接层输出值作为输出层的输入值， 通过输出层操作后可得到1个 神经元， 代表压实度； 具体输出操作如下： 其中： O表示压实度； Wjg表示权值； bj表示偏置值。 2.根据权利要求1所述的红黏土压实度 快速检测方法， 其特征在于， 所述卷积神经网络 设有1层输入层； 1层卷积层， 采用10个大小为5 ×1、 步长为2无填充的卷积核； 1层池化层， 采 用大小为 1×2的池化核并采用最大池化方法； 2层全连接层， 第1层 全连接层 采用108个神经 元， 第2层全连接层采用5 6个神经元； 1层输出层， 输出1个神经 元， 代表压实度值。 3.根据权利要求2所述的红黏土压实度快速检测方法， 其特征在于， 所述步骤S1中利用 PFWD设备获取荷载及位移时程数据的具体方法为： S11： 通过标准击实试验得到 土体最大干密度； S12： PFWD设备安装完毕后， 将落锤提升指定高度后放下， 让其自由下落； S13： 落锤与承载板发生撞击时， PFWD设备中的数据采集系统将会捕捉承载板和土体的 相关响应信息， 即荷载时程散点图和土体弯沉时程散点图， 并通过数据传输系统将其传输 至数据处 理系统， 得到荷载及位移时程数据； S14： 在PFWD法检测点附近采用环刀法检测土体干密度， 经计算得到 土体压实度。 4.根据权利要 求3所述的红黏土压实度快速检测方法， 其特征在于， 所述步骤S21中在输 入层输入荷载及位移时程数据之前还需要对数据进行标准化处理， 具体方法为将一变量的权　利　要　求　书 1/2 页 2 CN 113326659 B 2测定值减去 该变量的平均数， 然后除以该变量的标准差， 最 终得到荷载及位移大小在[ 0， 1] 的标准化数据； 对m个荷载样本集X＝{ X_1,X_2， …X_m}， m个位移样本集Y＝{Y_1,Y_2， …Y_ m}， 标准差标准 化方法如下： 其中： 为荷载数据的平均值， 为位移数据的平均值； σx为荷载数据的标准差， σy为位移数据的标准差； Xi为样本集中第i个荷载 数据， Yi为样本集中第i个位移数据； X′i为样本集中第i个荷载 标准化数据， Yi′为样本集中第i个位移标准 化数据。 5.根据权利要求4所述的红黏土压实度快速检测方法， 其特征在于， 所述步骤S21中按 照数据采集时间序列输入荷载及位移标准 化数据。 6.根据权利要求5所述的红黏土压实度快速检测方法， 其特征在于， 所述步骤S21中输 入荷载及位移标准 化数据后， 对数据进行初始化处 理。 7.根据权利要 求6所述的红黏土压实度快速检测方法， 其特征在于， 所述步骤S22中在卷 积神经网络中每层之间仅发生线性变换， 在此引入非线性函数将原有的线性结果转换为 非 线性； 所述的非线性 函数为： 其中： x为每一结构层的线性结果， fcov(x)为x在非线性 函数上的映射。 8.根据权利要求3 ‑7任一项所述的红黏土压实度 快速检测方法， 其特征在于， 所述步骤 S2中计算出压实度后还 包括以下步骤： S26： 误差计算： 计算出 卷积神经网络 输出结果与环刀法所测压实度结果之间的误差； S27： 数据训练： 通过调整初 始权值和偏置值， 将误差向前传递， 通过不断迭代， 将输 出数 据训练到接近实测值为止， 当精度M稳定并且满足小于0.05的要求， 训练结束， 反之， 返回步 骤S21； 经过数据训练后， 最终得到 土基压实度预测模型。权　利　要　求　书 2/2 页 3 CN 113326659 B 3