本发明属于土的抗剪强度预测，尤其涉及一种基于迁移学习的泥沙抗剪强度预测方法、介质及终端。
背景技术：
1、在土力学中，抗剪强度是主要参数之一，通常用于土工结构的施工和设计，如土坝和挡土墙的施工、路堤和路面的设计等，土的抗剪强度的准确测定在重大土木工程中至关重要，确定抗剪强度的两个重要参数是内摩擦角和单位黏聚力，并受塑性指数、液限、含水率、粘土含量等因素的影响。传统的测定土的抗剪强度的实验有直剪试验，三轴试验，无侧限抗压试验等等，用于测定土的抗剪强度的土的本构模型存在以下的局限性：许多传统本构模型需要确定的参数较多，而这些参数往往需要通过实验测定，由于土的复杂性和多样性，参数的确定往往存在困难，且实验结果可能会受到多种因素的影响，导致参数的不确定性和误差；另外许多传统本构模型在描述土的非线性行为方面存在局限性，土的应力-应变关系通常是非线性的，而一些简单的本构模型无法准确描述这种非线性行为，导致预测结果的偏差，虽然本构模型中的数学公式是由实验数据推导而来，但该公式形式对所选试验具有较好的准确性，同时也限制了模型对其他不同应力路径试验的预测能力。
2、公开号为cn114166656a的专利申请提供了一种基于三维形貌参数建立节理抗剪强度弱化本构模型的方法，本方法包括以下步骤：s1、含天然岩石节理面的人工节理试样的制备；s2、人工节理试样剪切试验；s3、扫描剪切试验后的节理面三维形貌，并对三维形貌特征进行量化表征，拟合出剪切过程中三维形貌的劣化规律；s4、构建基于三维形貌参数的节理抗剪强度弱化本构模型。此专利通过建立本构模型实现对抗剪强度的研究，预测效率与准确度低较低，存在与现有技术同样的弊端。
3、因此，如何提供一种预测效率高的同时预测结果准确度高的泥沙抗剪强度预测方法，是本技术领域人员亟待解决的问题。
技术实现思路
1、针对现有技术的不足，本发明的目的是提供一种基于迁移学习的泥沙抗剪强度预测方法，以解决现有技术中泥沙抗剪强度预测方法效率和准确度低的问题；另外本发明还提供了一种基于迁移学习的泥沙抗剪强度预测介质及终端。
2、为了解决上述技术问题，本发明采用了如下的技术方案：
3、第一方面，本发明提供了一种基于迁移学习的泥沙抗剪强度预测方法，包括以下步骤：
4、s10、采集不同类型砂土和粉土在不同条件下抗剪强度的数据作为大样本，采集黄河泥沙在不同条件下的抗剪强度作为小样本；
5、s20、对采集到的数据进行预处理，包括数据混合和数据归一化；
6、s30、基于预处理后的数据构建cnn神经网络模型；
7、s40、将大样本数据导入所述cnn神经网络模型进行预训练，得到预训练模型；
8、s50、加载所述预训练模型，将小样本数据导入所述预训练模型，对所述预训练模型进行冻结和微调，得到对于黄河泥沙抗剪强度的预测模型。
9、进一步的，所述步骤s10中的条件包括塑性指数、液限、含水率、干密度、围压和加载速率。
10、进一步的，所述步骤s20的具体步骤如下：
11、s201、数据混合，将大样本中不同来源或不同条件的土的参数数据合并到统一的数据集中，用于增加数据集的大小和多样性，创建新的合成数据集；
12、s202、将新的合成数据集进行归一化处理，公式如下：
13、
14、其中，x'为归一化后的特征或标签数值，x为原始的特征或标签数值，xmin为某一特征或标签中的最小值，xmax为某一特征或标签中的最大值。
15、进一步的，所述步骤s30中，cnn神经网络模型包括12层，具体为一个输入层、两个卷积层、两个relu层、两个批归一化层、两个池化层、一个丢弃层、一个全连接层和一个回归层。
16、进一步的，所述步骤s40的具体步骤如下：
17、s401、在预训练模型中，大样本数据按照一定比例划分训练集和测试集，将塑性指数、液限、含水率、干密度、围压、加载速率作为输入，抗剪强度作为输出；
18、s402、在训练过程中，batch-size设置为32，即每次训练样本个数为32个，最小化损失函数，初始学习率设置为0.01，整个训练过程的迭代次数为2400次；
19、s403、使用训练集对cnn神经网络模型进行训练，并用测试集评价cnn神经网络模型的预测效果，将训练好的cnn神经网络模型作为预测黄河泥沙抗剪强度的预训练模型。
20、进一步的，所述步骤s50的具体步骤如下：
21、s501、利用黄河泥沙数据集对预训练模型进行微调；
22、s502、冻结cnn神经网络模型的部分层，只训练全连接层和回归层；
23、s503、保留预训练模型的部分参数，通过微调得到对于黄河泥沙抗剪强度的预测模型。
24、进一步的，所述步骤s401中，大样本数据按照8:2的比例进行划分。
25、进一步的，所述步骤s402中，最小化损失函数采用adam优化算法。
26、第二方面，本发明还提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上所述方法。
27、第三方面，本发明还提供了一种电子终端，包括：处理器及存储器；所述存储器用于存储计算机程序，所述处理器用于执行所述存储器存储的计算机程序，以使所述终端执行如上所述方法。
28、本发明提供的基于迁移学习的泥沙抗剪强度预测方法、介质及终端与现有技术相比，至少具有如下有益效果：
29、许多传统测定土的抗剪强度的本构模型需要确定的参数较多，受到多种因素的影响，导致参数的不确定性和误差；另外许多传统本构模型在描述土的非线性行为方面存在局限性，预测准确性不高。本发明提供的基于迁移学习的泥沙抗剪强度的预测方法，以塑性指数、液限、含水率、干密度、围压、加载速率作为输入，抗剪强度作为输出，首先利用其他土的抗剪强度的参数在cnn模型上进行预训练，得到预训练模型，再输入黄河泥沙的数据集，通过冻结预训练模型的部分层和对模型进行微调，得到对黄河泥沙抗剪强度的预测模型，在预训练过程中，cnn模型的前几层学习了一些通用特征，因此在类似数据上训练时不需要再次学习相同的信息，冻结或微调的层数取决于源和目标深度学习模型之间的相似性，与具有随机初始化变量的未学习模型不同，预训练的神经网络是基于类似的源数据进行调整的，这些预训练的权重和偏差参数为目标模型提供了一个更好的起点，导致更快的训练收敛和更低的陷入局部最优的风险，预测效率与精确度更高；通过预训练的方式，减少了神经网络模型对数据的依赖性，提高了学习效率，增强了模型的泛化能力，相对于其他学习方式，迁移学习在有限数据集地情况下即可获得较强鲁棒性和泛化性。
1.一种基于迁移学习的泥沙抗剪强度预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于迁移学习的泥沙抗剪强度预测方法，其特征在于，所述步骤s10中的条件包括塑性指数、液限、含水率、干密度、围压和加载速率。
3.根据权利要求1所述的一种基于迁移学习的泥沙抗剪强度预测方法，其特征在于，所述步骤s20的具体步骤如下：
4.根据权利要求1所述的一种基于迁移学习的泥沙抗剪强度预测方法，其特征在于，所述步骤s30中，cnn神经网络模型包括12层，具体为一个输入层、两个卷积层、两个relu层、两个批归一化层、两个池化层、一个丢弃层、一个全连接层和一个回归层。
5.根据权利要求1所述的一种基于迁移学习的泥沙抗剪强度预测方法，其特征在于，所述步骤s40的具体步骤如下：
6.根据权利要求1所述的一种基于迁移学习的泥沙抗剪强度预测方法，其特征在于，所述步骤s50的具体步骤如下：
7.根据权利要求5所述的一种基于迁移学习的泥沙抗剪强度预测方法，其特征在于，所述步骤s401中，大样本数据按照8:2的比例进行划分。
8.根据权利要求5所述的一种基于迁移学习的泥沙抗剪强度预测方法，其特征在于，所述步骤s402中，最小化损失函数采用adam优化算法。
9.一种计算机可读存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至8任一项所述方法。
10.一种电子终端，其特征在于，包括：处理器及存储器；
