基于机器学习的Bender元素信号的模式识别,用于预测沙粒大小

科学领域:

• 地质技术工程 地质技术工程
• 机器学习应用 机器学习应用
• 信号处理 信号处理

背景情况:

• 颗粒大小分布对于土壤的行为至关重要.
• 曲元件测量土壤中的剪切波传播.
• 卷积神经网络 (CNN) 在复杂数据中的模式识别方面表现出色.

研究的目的:

• 为了研究曲元件信号和CNN的集成,用于预测沙粒大小分布.
• 开发和优化CNN模型,根据杆元素数据分类不同类型的沙子.
• 评估实时监测沙粒大小变化的可行性.

主要方法:

• 对于四种沙子类型 (0.5-7毫米颗粒大小) 来说,利用了自元件的时间序列信号.
• 应用了一个具有批量正常化和ReLU激活的单维CNN,通过贝叶斯技术进行优化.
• 在不同的垂直应力 (10,50,150 kPa) 和切断频率 (10,50,100 kHz) 下进行了实验.

主要成果:

• 更高的垂直应力增加了共振频率,减少了剪切波到达时间.
• 美国有线电视新闻网 (CNN) 模型成功地将四种沙子类型分类为不同的压力和频率条件.
• 每种沙类的独特信号模式都被CNN算法有效地捕获.

结论:

• 曲元件信号与CNN相结合,为预测沙粒大小分布提供了一种可行的方法.
• 开发的框架显示了实时监测土壤颗粒大小的潜力.
• 在地质技术应用中,CNN可以有效地解释从杆元件的复杂信号模式.