一种振冲碎石桩加固地层的智能化识别方法与流程

1.本发明属于地层识别技术领域，尤其涉及一种振冲碎石桩加固地层的智能化识别方法。


背景技术：

2.振冲碎石桩是软弱地基加固处理中一种快速、有效的技术手段，该方法利用产生水平振动的管状设备在高压水流下振动冲刷，在软基上形成孔洞，然后用碎石等硬质材料分批填充孔洞，并且通过填料的振动加密，使桩身与原基础形成复合地基。与原地基相比，复合地基增加了周围土体的密度，提高了地基的承载力，减少了地基沉降，此外还可以提供排水通道，土体可以固结，随着围堰填筑，土体有效应力增加，抗剪强度提高。与其他地基加固处理技术相比，振冲碎石桩具有就地取材、工程造价低、加固效果好等工程优势，在水利工程软弱地基加固处理中被广泛的应用。
3.精准掌握软弱地基的地质信息资料是采用振冲碎石桩进行软弱地基加固处理的理论基础。对于复杂地基而言，各地层分布变化大，在振冲碎石桩施工前，需要根据已掌握的区域地层特征和规律的基础上，采用现场钻孔取土与室内外试验相结合的方法综合评价软弱地基的地质条件，从而作为确定振冲碎石桩施工工艺的设计依据。但是在长期的振冲碎石桩加固软弱地基施工过程中，对于软弱地基的勘探数量较少，再加上软弱地层的形成过程、地层产状与赋存条件较为复杂，很难通过较少的勘探资料全面掌握整个地基加固区域中所有软弱地层的分布情况。而且振冲碎石桩属于典型的隐蔽工程，目前常用的施工过程控制手段难以满足隐蔽工程科学管理的必要条件
7.，软弱地基的地层识别一直是困扰振冲碎石桩加固地基的重要难题。因此，在实际工程中如何快速辨识地层，对后续进行振冲碎石桩施工质量合理评价以及振冲碎石桩成桩过程智能化施工等都有重要的指导意义。
4.不同地层由于土体结构、矿物成分、力学参数等条件不同，振冲碎石桩成孔过程中单位时间内进尺深度以及加密电流的变化会有明显的差异。地层结构的变化必然使钻进参数发生变化，进而使碎石桩机显示出与不同埋置深度地层相适应的动态特征。近年来随着水利工程智能化建设水平的提升，振冲碎石桩施工过程实时监控系统也应运而生，利用智能化监控系统可以实时采集施工过程中成孔、成桩的相关数据，在此基础上，以传感器为信息源，以数据滤波与地层聚类识别的理论技术为核心，根据分析待识客体(桩成孔钻机工作参数)的结构特性，对不同埋深软弱地基地层钻机工作参数进行处理、分类，可以构建基于钻进参数的地层识别模型及相应数据库，为实现地层快速识别提供了一条有效的途径。


技术实现要素：

5.针对现有技术中的上述不足，本发明提供的一种振冲碎石桩加固地层的智能化识别方法，克服了传统地质勘探方法确定土层地质信息的缺陷，实现了对土体地层的快速识别。
6.为了达到以上目的，本发明采用的技术方案为：
7.本方案提供一种振冲碎石桩加固地层的智能化识别方法，包括以下步骤：
8.s1、利用实时监控系统对桩成孔过程中与地层特性相关的施工数据进行采集，其中，所述施工数据包括实时工作深度以及工作电流；
9.s2、对施工数据进行清洗，并对经清洗后的施工数据进行标准化和异常值处理；
10.s3、利用信号分解emd方法对经步骤s2处理后的施工数据进行分解与重构；
11.s4、根据经步骤s3处理后的施工数据，利用改进的k-means聚类算法对软弱地基进行地层识别。
12.本发明的有益效果是：本发明通过振冲碎石桩施工过程实时监控系统收集大量桩成孔过程中与地层特性相关的施工数据，对施工数据进行清洗，选取与地层分类属性相关的进尺深度(实时工作深度)和电流为特征属性，进行标准化和异常值处理；采用emd方法对特征参数施工数据进行深入挖掘，对采集到的施工数据信号进行分解与重构，去除了原始信号的大量毛刺，使信号更加的平滑，很好的保留了原始信号的波动趋势；采用改进的k-means算法对地层进行自动识别，在对地层进聚类迭代识别过程中，可实现特征权重的自适应调节。本发明的一种基于改进智能算法的振冲碎石桩加固地层自动识别的方法具有较高的准确性和优越性，可实现对地层地质条件的实时研判，对后续进行振冲碎石桩施工质量合理评价以及振冲碎石桩成桩过程智能化施工等都有重要的指导意义
13.进一步地，所述步骤s2包括以下步骤：
14.s201、提取桩成孔过程中工作深度依次递增的工作点数据；
15.s202、针对工作深度不变的工作点数据，保留振冲器起始到达点数据；
16.s203、剔除工作电流为零的工作点数据，以完成对施工数据的清洗；
17.s204、利用z-score标准数据对经清洗后的施工数据进行归一化处理；
18.s205、对经归一化处理后的施工数据，利用下式对异常值进行识别：
[0019][0020]
其中，zu和z
l
分别表示最大观测值和最小观测值，本发明将大于zu和小于z
l
的异常值进行剔除，q3和q1分别表示下四分位数和上四分位数。
[0021]
上述进一步方案的有益效果是：本发明通过对施工数据进行清洗、标准化和异常值处理，有效识别并处理样本数据中的异常值可以从根本上提高样本数据集的质量，保障了后续的统计分析、模型调优以及分类识别地层的精度。
[0022]
再进一步地，所述步骤s3包括以下步骤：
[0023]
s301、根据经步骤s2处理后的实时工作深度和工作电流，确定输入信号极值，并根据局部极大值和极小值，利用三次样条有限差分法拟合上包络线和下包络线；
[0024]
s302、计算上下包络线的平均值m1(t)，从原始信号s(t)中减去均平均值，得到中间变量h1(t)；
[0025]
s303、判断h1(t)是否满足预设的条件，若是，则h1(t)为原始信号s(t)中的第一个imf分量imf1(t)，并进入步骤s304，否则，将h1(t)作为原始信号，并返回步骤s301，直至循环k次得到下式，满足预设条件为止，并进入步骤s304；
[0026]h1k
(t)＝h1(k-1)-m
1k
(t)
[0027]
其中，h
1k
(t)表示循环k次后得到的原始信号中的第一个imf分量，h1(k-1)表示循
环k-1次后的原始信号，m
1k
(t)表示循环k-1次后的原始信号上下包络线的平均值；
[0028]
s304、根据imf1(t)，利用下式计算得到残差函数r1(t)，将残差函数r1(t)视为原始信号s(t)，并返回步骤s301以提取第二个imf分量：
[0029]
r1(t)＝s(t)-imf1(t)
[0030]
s305、不断更新残差函数rn(t)，并判断残差函数rn(t)是否为一单调函数，若是，则原始信号s(t)分解为n个imf分量和残差函数rn(t)之和，完成对施工数据的分解，并进入步骤s306，否则，重复步骤s305；
[0031]
s306、根据分解后的施工数据，剔除含有噪声的高频imf分量；
[0032]
s307、将步骤s306处理后的结果以及残余项，利用下式对施工数据进行重构：
[0033][0034]
其中，se(t)表示重构后的施工数据，j表示循环的变量，k'表示重构信号的第k'个imf分量，n表示原始信号s(t)被分解为n个imf分量，imf
j'
(t)表示原始信号被分解的第j'个imf分量。
[0035]
上述进一步方案的有益效果是：本发明通过emd分解去噪重构的施工数据信号不但去除了原始信号的大量毛刺，使信号更加的平滑，而且很好的保留了原始信号的波动趋势。
[0036]
再进一步地，所述预设的条件为：
[0037]
h1(t)的极值点和过零点的数量等于1或相差1；h1(t)为一零均值函数，由局部极大值和局部极小值定义的包络线的均值为零。
[0038]
再进一步地，所述原始信号s(t)分解为n个imf分量和残差函数rn(t)之和，其具体为：
[0039][0040]
其中，j'表示原始信号s(t)分解的第j'个imf分量。
[0041]
再进一步地，所述步骤s4包括以下步骤：
[0042]
s401、根据经步骤s3处理后的施工数据，计算施工数据在各属性上的均值和均方差，并以均值为中心，以均方差和聚类个数的比值为偏移量，计算k个初始聚类中心；
[0043]
s402、引入类内距离之和与类间距离之和的比值，并定义属性j”对聚类的贡献度；
[0044]
s403、基于贡献度和初始聚类中心，计算第j”'维的特征权重空间，得到加权的目标函数；
[0045]
s404、判断是否迭代完成，若是，则根据最小的目标函数值，得到地层识别结果，完成对软弱地基进行地层的识别，否则，返回步骤s401，继续迭代，直至得到最小的目标函数值。
[0046]
上述进一步方案的有益效果是：采用自适应特征权重进行聚类迭代求解时，算法会根据每次迭代的结果，按照属性类内紧凑、类间远离的原则动态的调整属性的特征权重，重要属性的权重不断增大而次要属性的权重会逐步减小，该算法从特征属性对聚类效果的角度描述和建立特征权重，每次迭代计算过程中特征权重不是固定不变的，而是通过聚类迭代逐步优化直至获得使聚类效果最好的权重。聚类设置类别个数为三类，通过本发明所提出的加固地层智能化识别方法可以将软弱地基沿着深度方向分为三类，与实测地质勘探
资料对比分析可验证本专利所提出方法的有效性与准确性。
[0047]
再进一步地，所述k个初始聚类中心c的表达式如下：
[0048][0049]
其中，和σ分别表示均值和均方差，y表示第y个方差的偏移量。
[0050]
上述进一步方案的有益效果是：本发明能较为真实地反映初始聚类中心在各个属性上的分布情况，反映施工数据集内部的类结构，避免因不当的初始聚类中心使算法陷入局部最优解而造成聚类效果不佳。
[0051]
再进一步地，所述引入类内距离之和dn与类间距离之和dc的表达式如下：
[0052][0053]
其中，nk表示单个聚类集群中总数，x
ij”'
表示单个聚类集群中第i个数在第j”'维属性上的值，t
kj
表示第k个聚类中心在第j”'维属性上的均值，t
j”'
表示数据集在第j”'维属性上的均值；
[0054]
所述贡献度的表达式如下：
[0055][0056]
其中，u
j”表示属性j”对聚类的贡献度，e表示以自然常数为底数的指数。
[0057]
上述进一步方案的有益效果是：本发明所提出的属性对聚类的贡献度算法按照属性类内紧凑、类间远离的原则动态的调整属性的特征权重，重要属性的权重不断增大而次要属性的权重会逐步减小，该算法从特征属性对聚类效果的角度描述和建立特征权重，每次迭代计算过程中特征权重不是固定不变的，而是通过聚类迭代逐步优化直至获得使聚类效果最好的权重。
[0058]
再进一步地，所述加权的目标函数的表达式如下：
[0059][0060]
其中，j表示加权的目标函数，ω表示数据集特征空间上的权重向量，xi表示单个聚类集群中的第i个数，ck表示第k个集群的中心点，nk表示单个聚类集群中总数。
[0061]
上述进一步方案的有益效果是：本发明以欧氏距离作为样本间相似性的度量，算法聚类中心点的选取真实地反映初始聚类中心在各个属性上的分布情况，反映数据集内部的类结构，并采用自适应特征权重进行聚类迭代求解时，算法会根据每次迭代的结果，按照属性类内紧凑、类间远离的原则动态的调整属性的特征权重，重要属性的权重不断增大而次要属性的权重会逐步减小，通过聚类迭代逐步优化直至获得使聚类效果最好的权重，能保持相对较高的准确率且聚类结果稳定，使聚类算法有较高的准确性及优越性。
附图说明
[0062]
图1为本发明的方法流程图。
[0063]
图2为振冲碎石桩施工全过程阶段划分曲线示意图。
[0064]
图3为某一根桩施工数据清洗后深度和电流两个核心特征参数的示意图。
[0065]
图4为采用emd方法对桩iib-3903成孔过程中采集到的电流信号分解的结果示意图。
[0066]
图5为重构后的信号示意图。
[0067]
图6为地层识别结果示意图。
具体实施方式
[0068]
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
[0069]
实施例
[0070]
如图1所示，本发明提供了一种振冲碎石桩加固地层的智能化识别方法，其实现方法如下：
[0071]
s1、利用实时监控系统对桩成孔过程中与地层特性相关的施工数据进行采集，其中，所述施工数据包括实时工作深度以及工作电流。
[0072]
本实施例中，近年来随着水利工程智能化建设水平的提升，振冲碎石桩智能实时监控系统也应运而生，振冲碎石桩施工设备上均安装有深度、电流以及填料称量等多种传感器，能够将施工过程中的实时工作深度以及工作电流等重要施工信息实时采集并且传输至建立的振冲碎石桩施工过程实时智能化监控系统中，实现施工过程的远程实时监控。现场采集的振冲碎石桩施工过程核心参数主要包括以下：
[0073]
(1)制桩时间。通过制桩时间可以计算得到振冲碎石桩成孔与成桩的速率，可以控制施工的进度，以及了解不同覆盖层物质的强度。
[0074]
(2)实时工作深度。通过实时记录振冲碎石桩的工作深度可以监控成孔和成桩的位置，作为区域地层划分的标识。
[0075]
(3)工作电流。工作电流为实时获取的振冲装置振密土体电机的电流数据，通过该参数可以监控振冲器的工作状态，也可间接反映区域地层土体的强弱情况。
[0076]
(4)填料数量。通过该填料量可以估算成桩的平均桩径和地基处理区域的面积置换率。
[0077]
从2020年12月5日到2021年3月20日，在拉哇水电站采用振冲碎石桩加固软弱地基的整个二期施工过程中，共采集到的2623根振冲碎石桩施工信息，平均桩深在40米左右。振冲碎石桩设备上安装的信息采集传感器在实际施工过程中按照每秒1条的频率进行施工数据的采集与传输，一根深40米的振冲碎石桩在施工过程中会产生约8000条数据，拉哇水电站上游围堰二期工程共产生超过1500万条数据，这些重要的施工参数数据不仅能反映施工机械性能还能反映出不同地质条件土体的属性。其中采集到的各个振冲碎石桩施工过程核心参数不是独立的数据，各参数和土体属性之间存在一定的对应关系，对振冲碎石桩施工
过程实时监控系统获取的上述核心参数进行深度的数据挖掘有望实现区域地层的自动识别。
[0078]
s2、对施工数据进行清洗，并对经清洗后的施工数据进行标准化和异常值处理，其实现方法如下：
[0079]
s201、提取桩成孔过程中工作深度依次递增的工作点数据；
[0080]
s202、针对工作深度不变的工作点数据，保留振冲器起始到达点数据；
[0081]
s203、剔除工作电流为零的工作点数据，以完成对施工数据的清洗；
[0082]
s204、利用z-score标准数据对经清洗后的施工数据进行归一化处理；
[0083]
s205、对经归一化处理后的施工数据，利用下式对异常值进行识别：
[0084][0085]
其中，zu和z
l
分别表示最大观测值和最小观测值，本发明将大于zu和小于z
l
的异常值进行剔除，q3和q1分别表示下四分位数和上四分位数。
[0086]
本实施例中，如图2所示，可以将整个施工过程分为大致5个阶段，a点之前是振冲器下护筒阶段；ab段为成孔阶段；bc段为振冲成桩阶段；cd段为振冲器穿过上层砂砾石层或者到达护筒阶段；d点以后振冲施工结束，振冲器拔出护筒。在桩成孔的过程中，经历河床不同覆盖层物质时所需的电流都不尽相同，因此本发明只选取成孔过程中的数据进行地层类型的识别。数据清洗的原则为：(1)剔除振冲器应反复上提的数据点，只提取桩成孔过程中工作深度依次递增的数据，对于工作深度不变的数据，仅保留振冲器起始到达点数据；(2)剔除电流为零的工作点数据。图3为某一根桩数据清洗后深度和电流两个核心特征参数的示意图。
[0087]
本实施例中，本发明所采用的数据集中的各个输入特征属性均是影响复杂地基地层分类的主控因素，各个特征数据之间往往具有不同的量纲和量纲单位，导致不同的特征数据在数值上相差很大，如果直接使用这些数据作为地层分类识别模型的输入，会严重影响模型的分类精度。为了消除特征属性之间的量纲影响，本发明采用z-score标准数据归一化方法，得到各自数值的映射结果值z，经z-score归一化处理的数据符合标准正态分布。数据归一化转化函数：
[0088][0089]
其中，x为样本数据，μ为样本均值，σ为样本数据标准差。
[0090]
本实施例中，由于振冲碎石桩实际施工过程中实时采集到的数据会受到仪器设备、人为因素和地形地貌等的影响，会存在人为操作错误或外界因素的干扰，导致采集到的数据不可避免地会有一些异常值，如果算法对异常点敏感，则生成的模型不能很好地表达整个样本特征，预测结果也会不准确。所以在数据清洗过程中，有必要识别这些异常值并对其进行适当的处理。异常值检测的目的就是区分偏离大多数样本分布的数据。有效识别并处理样本数据中的异常值可以从根本上提高样本数据集的质量，保障了后续的统计分析、模型调优以及分类识别地层的精度。本发明采用箱形图的四分位区间检测异常值的方法，该方法从实际样本数据出发，不限制数据服从某种特定的分布形式，可以比较简明直观的反映数据真实的面貌，在异常值识别处理方面具有一定的优越性。异常值可由下式识别：
[0091][0092]
其中，zu和z
l
分别表示最大观测值和最小观测值，本发明将大于zu和小于z
l
的异常值进行剔除，q3和q1分别表示下四分位数和上四分位数。
[0093]
s3、利用信号分解emd方法对经步骤s2处理后的施工数据进行分解与重构，其实现方法如下：
[0094]
s301、根据经步骤s2处理后的实时工作深度和工作电流，确定输入信号极值，并根据局部极大值和极小值，利用三次样条有限差分法拟合上包络线和下包络线；
[0095]
s302、计算上下包络线的平均值m1(t)，从原始信号s(t)中减去均平均值，得到中间变量h1(t)；
[0096]
s303、判断h1(t)是否满足预设的条件，若是，则h1(t)为原始信号s(t)中的第一个imf分量imf1(t)，并进入步骤s304，否则，将h1(t)作为原始信号，并返回步骤s301，直至循环k次得到下式，满足预设条件为止，并进入步骤s304；
[0097]h1k
(t)＝h1(k-1)-m
1k
(t)
[0098]
其中，h
1k
(t)表示循环k次后得到的原始信号中的第一个imf分量，h1(k-1)表示循环k-1次后的原始信号，m
1k
(t)表示循环k-1次后的原始信号上下包络线的平均值；
[0099]
所述预设的条件为：
[0100]
h1(t)的极值点和过零点的数量等于1或相差1；h1(t)为一零均值函数，由局部极大值和局部极小值定义的包络线的均值为零；
[0101]
s304、根据imf1(t)，利用下式计算得到残差函数r1(t)，将残差函数r1(t)视为原始信号s(t)，并返回步骤s301以提取第二个imf分量：
[0102]
r1(t)＝s(t)-imf1(t)
[0103]
s305、不断更新残差函数rn(t)，并判断残差函数rn(t)是否为一单调函数，若是，则原始信号s(t)分解为n个imf分量和残差函数rn(t)之和，完成对施工数据的分解，并进入步骤s306，否则，重复步骤s305；
[0104]
s306、根据分解后的施工数据，剔除含有噪声的高频imf分量；
[0105]
s307、将步骤s306处理后的结果以及残余项，利用下式对施工数据进行重构：
[0106][0107]
其中，se(t)表示重构后的施工数据，j表示循环的变量，k'表示重构信号的第k'个imf分量，n表示原始信号s(t)被分解为n个imf分量，imf
j'
(t)表示原始信号被分解的第j'个imf分量。
[0108]
本实施例中，如图4所示，从图中可以看出原始信号被分解为7个imf分量和1个残差余项res，imf1到imf7依次频率由高到低排列，将含有噪声的高频imf1和imf2剔除，选取imf3到imf7以及残差余项res重构信号，重构后的信号见图5所示，从图中可以看出经过emd去噪重构的信号不但去除了原始信号的大量毛刺，使信号更加的平滑，而且很好的保留了原始信号的波动趋势。
[0109]
s4、根据经步骤s3处理后的施工数据，利用改进的k-means聚类算法对软弱地基进行地层识别，其实现方法如下：
[0110]
s401、根据经步骤s3处理后的施工数据，计算施工数据在各属性上的均值和均方差，并以均值为中心，以均方差和聚类个数的比值为偏移量，计算k个初始聚类中心；
[0111]
s402、引入类内距离之和与类间距离之和的比值，并定义属性j”对聚类的贡献度；
[0112]
s403、基于贡献度和初始聚类中心，计算第j”'维的特征权重空间，得到加权的目标函数；
[0113]
s404、判断是否迭代完成，若是，则根据最小的目标函数值，得到地层识别结果，完成对软弱地基进行地层的识别，否则，返回步骤s401，继续迭代，直至得到最小的目标函数值。
[0114]
本实施例中，每次迭代求解过程中会不断调整聚类中心点以及特征参数的权重从而获得最小的目标函数值，即获得最佳的聚类效果。根据设置的聚类个数，采用上述所提出的改进k-means聚类算法对软弱地基进行地层识别，目标函数越小说明聚类效应越佳，在迭代求解过程中不断调整特征参数的权重，最终获得聚类效果最佳的地层识别结果，识别效果如图6所示。
[0115]
本实施例中，k-means算法的聚类结果对初始聚类中心敏感，该算法在选取初始聚类中心时存在较大的随机性和不确定性，导致聚类结果受初始聚类中心点的变化而波动。为了消除这种敏感性，选取尽可能反映数据集内部类结构的初始聚类中心，本发明依次计算数据对象在各属性上的均值和均方差，然后以均值为中心，以均方差和聚类个数的比值为偏移量，计算得到k个初始聚类中心。构造的初始聚类中心c为：
[0116][0117]
其中，和σ分别表示均值和均方差，y表示第y个方差的偏移量，均值和均方差σ描述了施工数据对象的集中程度和离散程度，这种方法能较为真实地反映初始聚类中心在各个属性上的分布情况，反映数据集内部的类结构。
[0118]
本实施例中，实际工程中所获取的特征数据往往具有不同的量纲，导致不同的特征数据在数值上相差很大，如果直接使用这些数据进行聚类分析不利于分析属性的贡献度，因此为了消除特征属性之间的量纲影响，本发明首先采用z-score标准化对数据进行处理，使其同趋化与无量纲化，然后引入类内距离之和与类间距离之和的比值作为度量属性重要性的依据，该值越小，属性越重要。n
×
m的数据对象被划分为k个集群，所有k个集群在第j维属性上的类内距离之和dn和类间距离之和dc为：
[0119][0120]
其中，nk表示单个聚类集群中总数，x
ij”'
表示单个聚类集群中第i个数在第j”'维属性上的值，t
kj
表示第k个聚类中心在第j”'维属性上的均值，t
j”'
表示数据集在第j”'维属性上的均值。
[0121]
聚类的最佳效果是达到类内紧凑、类间远离，如果聚类结果在某一属性上表现为
类内紧凑类间远离的话，则说明该属性易于区分对象，对聚类的贡献大。在算法迭代计算过程中，定义属性j”对聚类的贡献度为：
[0122][0123]
其中，u
j”表示属性j”对聚类的贡献度，e表示以自然常数为底数的指数。
[0124]
第j”'维的特征权重空间为：
[0125][0126]
其中，ω
j”'
表示第j”'维的特征权重，m表示特征参数的第m维，特征参数的总维数。
[0127]
整个数据集特征空间上的权重向量ω＝[ω1,ω2,
…
,ωm]，ωm表示第j”'维特征参数的权重，用其修正公式，得到加权的目标函数：
[0128][0129]
其中，j表示加权的目标函数，ω表示数据集特征空间上的权重向量，xi表示单个聚类集群中的第i个数，ck表示第k个集群的中心点，nk表示单个聚类集群中总数。
[0130]
本实施例中，采用自适应特征权重进行聚类迭代求解时，k-means算法会根据每次迭代的结果，按照属性类内紧凑、类间远离的原则动态的调整属性的特征权重，重要属性的权重不断增大而次要属性的权重会逐步减小，该k-means算法从特征属性对聚类效果的角度描述和建立特征权重，每次迭代计算过程中特征权重不是固定不变的，而是通过聚类迭代逐步优化直至获得使聚类效果最好的权重。本发明根据不同维度的特征参数进行聚类识别，目标函数是最小化聚类域中所有数据点到聚类中心距离的平方和，每种类别沿着地层深度的分布是比较明显的，聚类设置类别个数为三类，通过本发明所提出的加固地层智能化识别方法可以将软弱地基沿着深度方向分为三类。
[0131]
本实施例中，首先对收集到的施工过程数据进行清洗获得桩成孔过程中的进尺深度和电流数据，然后引入经验模式分解滤波法消除随机噪声成分，降低正常过程数据的波动，最后采用改进的k-means聚类算法对软弱地基进行地层识别研究，与实测地质勘探资料对比分析可验证本专利所提出方法的有效性与准确性。
[0132]
本实施例中，本发明依托拉哇水电站振冲碎石桩施工过程实时监控系统采集到的大量桩成孔过程中与地层特性相关的数据，通过对大数据进行挖掘，选取了与地层分类属性相关的进尺深度和电流为特征属性，然后引入经验模式分解滤波法消除随机噪声成分，降低正常过程数据的波动，最后采用改进的k-means聚类算法对软弱地基进行地层识别研究。本发明方法克服了传统地质勘探方法确定土层地质信息的缺陷，实现了对土体地层的快速识别，可快速全面的掌握整个地基加固区域中所有软弱地层的分布情况。本发明的研究结果对振冲碎石桩施工工艺的确定、后续进行振冲碎石桩施工质量合理评价、复合地基物理力学性质的确定、复合地基上部结构设计，以及振冲碎石桩成桩过程智能化施工等都有重要的指导意义。

技术特征：
1.一种振冲碎石桩加固地层的智能化识别方法，其特征在于，包括以下步骤：s1、利用实时监控系统对桩成孔过程中与地层特性相关的施工数据进行采集，其中，所述施工数据包括实时工作深度以及工作电流；s2、对施工数据进行清洗，并对经清洗后的施工数据进行标准化和异常值处理；s3、利用信号分解emd方法对经步骤s2处理后的施工数据进行分解与重构；s4、根据经步骤s3处理后的施工数据，利用改进的k-means聚类算法对软弱地基进行地层识别。2.根据权利要求1所述的振冲碎石桩加固地层的智能化识别方法，其特征在于，所述步骤s2包括以下步骤：s201、提取桩成孔过程中工作深度依次递增的工作点数据；s202、针对工作深度不变的工作点数据，保留振冲器起始到达点数据；s203、剔除工作电流为零的工作点数据，以完成对施工数据的清洗；s204、利用z-score标准数据对经清洗后的施工数据进行归一化处理；s205、对经归一化处理后的施工数据，利用下式对异常值进行识别：其中，z
u
和z
l
分别表示最大观测值和最小观测值，本发明将大于z
u
和小于z
l
的异常值进行剔除，q3和q1分别表示下四分位数和上四分位数。3.根据权利要求2所述的振冲碎石桩加固地层的智能化识别方法，其特征在于，所述步骤s3包括以下步骤：s301、根据经步骤s2处理后的实时工作深度和工作电流，确定输入信号极值，并根据局部极大值和极小值，利用三次样条有限差分法拟合上包络线和下包络线；s302、计算上下包络线的平均值m1(t)，从原始信号s(t)中减去均平均值，得到中间变量h1(t)；s303、判断h1(t)是否满足预设的条件，若是，则h1(t)为原始信号s(t)中的第一个imf分量imf1(t)，并进入步骤s304，否则，将h1(t)作为原始信号，并返回步骤s301，直至循环k次得到下式，满足预设条件为止，并进入步骤s304；h
1k
(t)＝h1(k-1)-m
1k
(t)其中，h
1k
(t)表示循环k次后得到的原始信号中的第一个imf分量，h1(k-1)表示循环k-1次后的原始信号，m
1k
(t)表示循环k-1次后的原始信号上下包络线的平均值；s304、根据imf1(t)，利用下式计算得到残差函数r1(t)，将残差函数r1(t)视为原始信号s(t)，并返回步骤s301以提取第二个imf分量：r1(t)＝s(t)-imf1(t)s305、不断更新残差函数r
n
(t)，并判断残差函数r
n
(t)是否为一单调函数，若是，则原始信号s(t)分解为n个imf分量和残差函数r
n
(t)之和，完成对施工数据的分解，并进入步骤s306，否则，重复步骤s305；s306、根据分解后的施工数据，剔除含有噪声的高频imf分量；s307、将步骤s306处理后的结果以及残余项，利用下式对施工数据进行重构：
其中，s
e
(t)表示重构后的施工数据，j表示循环的变量，k'表示重构信号的第k'个imf分量，n表示原始信号s(t)被分解为n个imf分量，imf
j'
(t)表示原始信号被分解的第j'个imf分量。4.根据权利要求3所述的振冲碎石桩加固地层的智能化识别方法，其特征在于，所述预设的条件为：h1(t)的极值点和过零点的数量等于1或相差1；h1(t)为一零均值函数，由局部极大值和局部极小值定义的包络线的均值为零。5.根据权利要求3所述的振冲碎石桩加固地层的智能化识别方法，其特征在于，所述原始信号s(t)分解为n个imf分量和残差函数r
n
(t)之和，其具体为：其中，j'表示原始信号s(t)分解的第j'个imf分量。6.根据权利要求3所述的振冲碎石桩加固地层的智能化识别方法，其特征在于，所述步骤s4包括以下步骤：s401、根据经步骤s3处理后的施工数据，计算施工数据在各属性上的均值和均方差，并以均值为中心，以均方差和聚类个数的比值为偏移量，计算k个初始聚类中心；s402、引入类内距离之和与类间距离之和的比值，并定义属性j”对聚类的贡献度；s403、基于贡献度和初始聚类中心，计算第j”'维的特征权重空间，得到加权的目标函数；s404、判断是否迭代完成，若是，则根据最小的目标函数值，得到地层识别结果，完成对软弱地基进行地层的识别，否则，返回步骤s401，继续迭代，直至得到最小的目标函数值。7.根据权利要求6所述的振冲碎石桩加固地层的智能化识别方法，其特征在于，所述k个初始聚类中心c的表达式如下：其中，和σ分别表示均值和均方差，y表示第y个方差的偏移量。8.根据权利要求6所述的振冲碎石桩加固地层的智能化识别方法，其特征在于，所述引入类内距离之和d
n
与类间距离之和d
c
的表达式如下：其中，n
k
表示单个聚类集群中总数，x
ij”'
表示单个聚类集群中第i个数在第j”'维属性上的值，t
kj
表示第k个聚类中心在第j”'维属性上的均值，t
j”'
表示数据集在第j”'维属性上的均值；所述贡献度的表达式如下：
其中，u
j”表示属性j”对聚类的贡献度，e表示以自然常数为底数的指数。9.根据权利要求6所述的振冲碎石桩加固地层的智能化识别方法，其特征在于，所述加权的目标函数的表达式如下：其中，j表示加权的目标函数，ω表示数据集特征空间上的权重向量，x
i
表示单个聚类集群中的第i个数，c
k
表示第k个集群的中心点，n
k
表示单个聚类集群中总数。

技术总结
本发明提供了一种振冲碎石桩加固地层的智能化识别方法，属于地层识别技术领域，该方法包括利用实时监控系统对桩成孔过程中与地层特性相关的施工数据进行采集；对施工数据进行清洗，并对经清洗后的施工数据进行标准化和异常值处理；利用信号分解EMD方法对经预处理后的施工数据进行分解与重构；根据经分解与重构后的施工数据，利用改进的K-means聚类算法对软弱地基进行地层识别。本发明克服了传统地质勘探方法确定土层地质信息的缺陷，实现了对土体地层的快速识别。土体地层的快速识别。土体地层的快速识别。


技术研发人员：刘彪 赵宇飞 王文博 姜龙 孙平 张强 梁辉 皮进 曹瑞琅 林兴超 孙兴松 段庆伟
受保护的技术使用者：中国水利水电科学研究院
技术研发日：2023.07.06
技术公布日：2023/9/14