Может ли глубокое обучение сократить время тестирования в ASTM D4767?

ASTM D4767 является широко используемым стандартом для проведения консолидированных испытаний на сжатие не подготовленного трихосного сжатия на связных почвах ¹ . Несмотря на то, что он предоставляет важные данные для геотехнической инженерии, процесс является временным ² , часто требуя несколько часов или даже дней для завершения из-за постепенной консолидации, осевой нагрузки и рассеяния давления пор . Глубокое обучение (DL), подмножество искусственного интеллекта (ИИ), предлагает автоматизированные решения ³ , которые могут значительно сократить время тестирования при сохранении точности и надежности. В этой статье рассматривается, как DL может оптимизировать обработку данных, корректировки параметров и общую эффективность теста в ASTM D4767.

Понимание ASTM D4767 и его интенсивный процесс

ASTM D4767 предназначен для измерения прочности сдвига и поведения с откровенным деформацией связных почв в условиях контролируемых дренаж. Тест состоит из трех основных этапов:

1. Образец насыщения

• Гарантирует, что образец почвы полностью насыщен путем применения обратного давления.
• Может занять несколько часов, если в образце присутствуют пузырьки воздуха.

2. Изотропная консолидация

• Применяет ограничивающее давление ((\ sigma_3)) , чтобы реплицировать условия напряжения в поле.
• Требуется инкрементные периоды дренажа , чтобы дать давление воды стабилизироваться.

3. Осевая сжатие (непреклонная стадия сдвига)

• Применяет осевую нагрузку ((\ sigma_1)) до отказа почвы.
• Измеряет поведение напряжения и отклик в пороге .

Поломка времени на стадии испытаний ASTM D4767

Благодаря этим трудоемким этапам, автоматизация и оптимизация ключевых процессов может значительно повысить эффективность.

Глубокое обучение для ускорения обработки данных тройного теста.

Глубокое обучение может автоматизировать и ускорить несколько аспектов тестирования ASTM D4767, сокращая общее время тестирования при сохранении точности.

1. Прогноз насыщения на основе AI

• Нейронные сети анализируют тенденции рассеивания давления пор, чтобы предсказать оптимальное время насыщения .
• Снижает ненужные задержки насыщения, динамически регулируя давление .

2. Обработка кривой напряжения в реальном времени

• Свожденные нейронные сети (CNN) обнаруживают точки отказа рано , снижая необходимость в расширенной осевой нагрузке.
• Алгоритмы подгонки кривой на основе искусственного интеллекта предсказывают пиковое напряжение деваатора в режиме реального времени.

3. Автоматизированный мониторинг давления пор

• Рецидивирующие нейронные сети (RNNS) отслеживают и предсказывают стабилизацию давления пор во время консолидации.
• ИИ динамически регулирует ограничивающее давление , устраняя ненужные времена ожидания.

Сравнение: традиционная и A-усиленная обработка данных

Интеграция ИИ в трихосные тестовые рабочие процессы, инженеры могут сократить время, потраченное на сбор данных и анализ данных .

Оптимизация корректировки параметров тестирования с помощью алгоритмов ИИ

Оптимизация параметров, управляемого AI, дополнительно сокращает время тестирования за счет автоматизации корректировок ключей ⁴ в ASTM D4767. Ключевые методы ИИ включают:

1. Увеличение подкрепления (RL) для нагрузки и настройки давления

• ИИ учится из прошлых тестов, чтобы автоматически регулировать осевые и ограничивающие давления .
• Сокращает необходимость в выборе параметров проб и ошибок .

2. Автострагнирование скоростей деформации

• ИИ прогнозирует оптимальные скорости деформации на основе типа почвы, исключая ненужные корректировки.
• Помогает поддерживать стандартизированное управление деформацией при ускорении обнаружения сбоев.

3. Прогнозирование завершения теста, управляемого ИИ

• Модели машинного обучения анализируют тенденции напряжения деформации , чтобы определить оптимальные точки остановки .
• Предотвращает ненужную нагрузку за пределы пикового напряжения деваатора.

Пример: оптимизированное сокращение времени консолидации

Модель глубокого обучения, обученная более чем более чем 10 000 результатов тройного теста, использовалась для прогнозирования оптимальной продолжительности консолидации . Результаты показали сокращение общего времени теста на 40% по сравнению с традиционными методами.

Оптимизация параметров, управляемого AI, позволяет значительно сократить время теста , что делает ASTM D4767 более эффективным .

Будущие перспективы эффективности, управляемой искусственным интеллектом, при тестировании почвы

По мере продвижения технологий глубокого обучения ожидаются дальнейшие улучшения в эффективности ASTM D4767:

1. Полностью автоматизированные системы тройных испытаний, контролируемые AI

• Настройки роботизированного тестирования, управляемых ИИ, будут обрабатывать подготовку, загрузку и обработку данных образцов.
• Устраняет ручное вмешательство , позволяя непрерывное высокопроизводительное тестирование.

2. Калибровка AI на основе облака для стандартизации

• ИИ сравнит результаты теста с глобальными базами данных ASTM D4767 для обнаружения аномалий.
• Обеспечивает последовательную калибровку в разных лабораториях .

3. Прогнозирующее обслуживание для испытательного оборудования

• ИИ будет отслеживать дрейф датчика и износ оборудования , прогнозируя потребности в техническом обслуживании до возникновения сбоев.
• Уменьшает время простоя в тестируемых объектах .

Прогнозируемое влияние ИИ на тестирование ASTM D4767

Системы, управляемые AI, будут преобразовать геотехнические тестирование ⁵ , сделав ASTM D4767 более быстрым, точным и очень повторяемым ⁶ .

Заключение

Глубокое обучение революционизирует ASTM D4767 Трихосное тестирование путем автоматизации обработки данных, оптимизации параметров и корректировок тестирования . Решения, управляемые AI, значительно сокращают время тестирования ⁷ , повышают точность измерения и минимизируют ручное вмешательство . По мере того, как технология AI продолжает развиваться, полностью автономные трихосные системы тестирования будут оптимизировать геотехнический анализ , делая тестирование почвы более быстрее, умнее и эффективнее .