(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211020767.1 (22)申请日 2022.08.24 (71)申请人 中南大学 地址 410083 湖南省长 沙市岳麓区麓山 南 路932号 (72)发明人 肖源杰　李文奇　华文俊　何庆宇　 王萌　谭攀　王卫东　陈伟　 (74)专利代理 机构 北京君有知识产权代理事务 所(普通合伙) 11630 专利代理师 焦丽雅 (51)Int.Cl. E02D 3/00(2006.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G01D 21/02(2006.01) (54)发明名称 一种基于深度学习的损伤感知和灾变预警 智能土工织物 (57)摘要 一种基于深度学习的损伤感知和灾变预警 智能土工织物， 包括： 同轴压阻纤维材料与传统 土工合成材料结合的土工织物以及深度学习模 块芯片组； 其中带有同轴压阻纤维材料的土工织 物负责采集土体内部全范围的各类 响应数据， 如 应力、 应变、 温度和含水率等。 深度学习模块 芯片 组负责采集各类 响应数据， 并基于嵌入在深度学 习模块芯片中的神经网络算法对路基内部长期 监测过程中采集到的数据进行深度学习， 对路基 内部即将发生的病害做到提前预测并提供病害 防控措施的建议。 本发明解决了传统路基内部监 测方法不能全范围监控以及缺乏预警功能等一 系列的不足， 同时也极大地提高智能土工织物的 使用价值， 符合国家倡导的智能建造的需求。 权利要求书2页 说明书4页 附图2页 CN 115404840 A 2022.11.29 CN 115404840 A 1.一种智能土工织物， 包括同轴压阻纤维材料与土工织物合成材料和深度学习 模块芯 片组； 其特征为： 所述的同轴压阻纤维材料采用热固化处理方式将压阻纳米复合材料包裹 到导电核心层， 再通过编制 机与所述土工织物合成材料编织成成品， 最终通过数据导线与 所述深度学习模块组连接 。 2.根据权利要求1所述的智能土工织物， 其特征为： 所述导电核心层为不锈钢螺纹； 所 述同轴压阻纤维材料主体成分为导电的不锈钢线， 所述的压阻纳米复合材料由聚二甲基硅 氧烷 （PDMS） 弹性体作为基 体， 石墨/铜纳米颗粒作为 导电填料组成。 3.根据权利要求1所述的智能土工织物， 其特征为： 所述土工织物合成材料包括锦纶、 腈纶、 涤纶、 氯纶。 4.根据权利要求1所述的智能土工织物， 其特征为： 深度 学习模块由深度 学习模块芯片 组和集成在芯片中的深度学习算法组成。 5.一种智能土工织物的制备方法， 包括权利要求1 ‑4任一所述的智能土工织物， 其特征 为： 步骤1： 用不锈钢拉丝机将不锈钢原材料进行拉丝处理， 制 成不锈钢螺纹钢成品， 作为 导电核芯； 步骤2： 用热固化处理方式将不锈螺纹钢制成的导电核芯和压阻纳米复合材料制成具 有固化涂层包裹的压组功能纤维； 步骤 3： 用土工织物编制机将传统土 工织物； 步骤 4： 将制成的智能土工织物成品同深度学习模块组通过数据导线进行连接， 组成 完整的监测系统。 6.一种全范围路基病害预警监测的监测方法， 包括权利要求1 ‑4任一所述的智能土工 织物， 其特 征为： 包括如下步骤； 步骤1： 对整个智能土 工织物和嵌入神经网络的深度学习模块芯片组进行训练； 步骤2： 将智能土工织物埋入需要监测的路基土体 内部， 智能土工织物采集路基 内部的 各类响应， 并将智能土工织物以数据导线连接到深度学习模块芯片组， 组成全范围路基病 害预警监测系统； 步骤3： 将采集到的数据输入到嵌入深度学习功能的模块芯片组当中， 由D/C转码器将 电信号转为数字信号， 存入内存中， 由神经网络核心对数据进 行分析， 预测路基病害即将发 生的位置和时间。 7.根据权利要求6所述的全范围路基病 害预警监测的监测方法， 其特征为： 深度 学习算 法是一种具有多个隐藏层的完全卷积神经网络， 该网络 以一小部分原始阵列响应作为输 入， 并以相同的空间阵列分辨 率输出代 表输入序列中间的修 正响应； 深度学习模块芯片采用交叉验证和早停准则来防止网络出现过拟合， 将数据集按照 80%和20%的比例划分为训练集和测试集， 训练集用于开发神经网络模型， 而测试集用于评 估所开发的模型的泛化能力， 即模型在新的数据上的表现； 所述对智能土工织物与深度学习模块芯片组的训练是采用多隐含层的训练函数 trainlm及学习函数learngdm作为激活函数， 对输入结果进行训练。 8.根据权利要求6所述的全范围路基病 害预警监测的监测方法， 其特征为： 所述智能土 工织物通过同轴压阻纤维材料作为神经网络的输入信号端口， 以应力、 应变、 温度、 含水率权　利　要　求　书 1/2 页 2 CN 115404840 A 2为输入量， 由数据导线传递至深度学习模块芯片组， 最终芯片组以长期变形与病害发生作 为神经网络的输出量。 9.根据权利要求6所述的全范围路基病害预警监测的监测方法， 其特征为： 所述步骤3 进一步包括如下内容： 采用误差平方和 （SSE） 、 均方根误差(RMSE)、 平均绝对误差(MAE)、 平 均绝对百分比误差(MAPE)以及决定系数(R2)来评价AN N模型的预测精度， 见 下式：   (1)   (2)   (3)   (4)   (5) 其中： 为永久变形 试验值； 为永久变形 预测值。 10.根据权利要求6所述的全范围路基病害预警监测的监测方法， 其特征为： 在实际应 用之前， 需要对连接智能土工织物的神经网络进行随机梯度下降进行优化， 优化 目标由两 部分组成： 一种是保留输入的空间细节， 另一种是要求总响应接近训练 时的实测读数； 神经 网络不断增加响应数据和实际参考数据之 间的相关性， 将各类响应数据同实际压力输入参 量的相关性增 加至目标值， 即认为神经网络训练优化达 到目标。权　利　要　求　书 2/2 页 3 CN 115404840 A 3