本技术公开了一种基于深度学习模型的主动展开式端头装置优化控制方法。首先,在主动展开式端头装置的每一个滑块上安装高精度传感器,通过高速数据采集卡实时采集试验过程中关键数据,包括滑块位移和速度、剪切力、摩擦力等;随后对采集到的数据进行预处理;构建CNN‑LSTM混合模型,并采用处理后的数据进行训练;训练完成后,进一步对模型进行验证和优化;最后,将优化后的CNN‑LSTM模型应用于滑块主动控制系统,实时预测并调整滑块的位移和速度,确保滑块与试样在大变形过程中高度匹配,从而有效消除摩擦效应。本发明通过深度学习模型实现对滑块的高精度控制,大幅提升了试验数据的准确性与系统的适应能力,在复杂的实验条件下表现出优异的控制效果。
背景技术
岩土工程三轴试验是研究土体和岩石力学特性的核心手段之一,其测试结果直接影响到岩土工程设计的可靠性和安全性。在三轴试验中,试样的端部摩擦效应是影响测试结果准确性的关键问题之一。传统的加载方式通常会在试样端部产生较大的滑动摩擦,从而导致试样的应力和应变分布不均匀,影响试验结果的真实性。
为了解决这一问题,CN118883231A提出了一种岩土工程三轴压缩试验主动展开式控制端头装置,如图1、图2、图3、图4所示,装置结构包括:圆形承载基底,用于承载其他零部件装置并设有相应的滑动部件;导轨系统,包含多组导轨块和若干精密滚珠,导轨块可在圆形承载基底上沿半径方向运动;滑块系统,包括围绕基底圆心沿半径方向设置的多圈滑块,滑块与导轨块配合,滑块之间设有耐压弧形橡胶膜;滑块主动控制系统,包括微型伺服电机、碳纤维传力杆、传感器、控制单元等。该装置通过将试样与加载头之间的滑动摩擦转化为滑块与滚珠之间的滚动摩擦,并结合伺服控制实现对滑块的主动控制,从而更好地贴合试样在大变形过程中的运动规律。然而,伺服控制系统在实际应用中存在一定的局限性,尤其是在面对复杂、多变的加载条件时,难以实时、准确地响应试样的动态变化,从而可能导致试样应力应变状态的偏差。
随着深度学习技术的快速发展,其在模式识别、预测控制等领域展现出卓越的性能,并在诸多工程实践中取得了显著成效。深度学习模型能够通过对海量历史数据的学习,捕捉复杂系统中的潜在规律,从而在实时控制过程中做出更加精确的预测与响应。
因此,探索一种优化控制方法,将基于深度学习模型应用于主动展开式控制端头装置,做到在维持单元应力状态和均匀变形条件下单元力学试验全过程加载,对研究岩土材料全过程力学特征具有重要意义。
实现思路