第075章 小C：終究還是要對我下手了咩？

  蛻變後的CPA軟件已經可以初步完成一些簡單的模型代碼。


  目前支持的有深度神經網絡、梯度提升樹、線性回歸、樸素貝葉斯、隨機森林、組合模型等等監督模型。


  同時也引入了tensorflohon了解太多。


  就是“托拉拽式建模”。


  像什麽讀取數據集、讀取SQL表、將數據集劃分為訓練集和測試集等等，這個雖然簡單，但是命令語句不多。


  要進行大型、複雜的模型，這個還不夠。


  當然，對於建立和RNN，小C還是不太好用，自動生成的代碼還需要一些微調。


  對蘇航而言，能夠替代一部分的勞動就足夠了。


  這一次，蘇航決定利用人工智能神經網絡和模糊邏輯等方式來對一些大型地下工程的土體變形進行預測，進一步實現通過對施工的技術參數調整，達到變形控製的目的。


  不要看現在科技多麽發達，技術多麽先進，高樓大廈那麽高，地下工程那麽多，其實人類對大地的了解還遠遠談不上深刻。


  一條幾公裏的地鐵線路，在開挖前，地下是什麽情況，誰也不知道。


  水、孤石等都是地下工程的大敵。


  就算是每隔５０米進行一次鑽孔勘察，那一公裏也就２００來個點，要去預測１０００米的路線上的地質情況。


  很難。


  死的人，很多。


  相關的研究也一直在做，但是一直都很難。


  常言道，三裏不同風，十裏不同俗。


  土壤也是這樣。


  你可以把地質歸類，但是不能說一類地質就是怎麽樣的。


  這個東西它是混合物，今天下點雨，明天刮點風，來幾個人踩幾腳，力學性質也許就會發生改變。


  一些承載力公式怎麽來的？


  不是實驗室算出來的，而是用命換來的經驗公式。


  比如某些個山地高原地區的隧道開挖，岩爆一死就是一個班。


  所以，將現代技術充分利用進去，這是非常有必要的。


  蘇航照例開始畫流程圖。


  采用多步滾動預測法，一次隻預測一小段時間後的變形，然後逐步推進，像一個輪子一樣不斷向前推進。


  還要借用模糊數學中的隸屬度，通過層次分析法對地下工程開挖的關鍵技術參數進行敏感度分析。


  問題來了，何謂關鍵數據。


  蘇航頓筆。


  窗外的知了又叫了，就像是去年準備數學建模的時候一樣。


  人類是地球的關鍵生物嗎？

  文明是宇宙的關鍵數據嗎？

  如果是，誰來評判？


  如果不是，什麽才是？

  那什麽是眾多技術參數中的關鍵數據呢？


  怎麽評判？


  蘇航轉動了一下手裏的筆，沉思了一會。


  暫定，利用參數與變形值之間不同程度的相關性，按層級分析法逐個選出關鍵的參數。


  寫完，蘇航有點不放心，又用紅筆圈了一下，寫了一行字。


  “如果可以的話，找個機會把目前手段可以控製的參數進行一次全麵的分析，再微小的參數，也會有自己的作用，就像宇宙長河裏的文明一樣。”


  好了，跳過這個小插曲，蘇航繼續整理自己的思路。


  接下來就是對關鍵參數進行調整，計算它們的影響因子，在發生變形的時候進行智能控製。


  也即：原始數據輸入——＞模糊化——＞模糊推理—（數據庫資料支撐）—＞清晰化——＞控製輸出。


  這樣一來，就需要一個龐大的數據庫了。


  包含詳盡的工程監測數據、沿線地質水文資料、施工工藝資料、附近建築物地下暗樁情況等等。


  還得有多組這樣的樣本數據來進行學習。


  以此“訓練”機器。


  所以，還是不能悄悄努力，然後驚豔所有人，畢竟是工科，要單打獨鬥是不可能的。


  沒有強大的財力、物力和特色人情關係的支持，那就隻能一言難盡。


  還得去找趙漢英老師要支持啊。


  蘇航開始整理代碼和目前完成的論文部分，主要還隻是構思和基本算法框架。


  把這些東西一打包，發給趙老師，接下來等待趙老師的約見吧。


  不過，蘇航轉著的筆停下，突然想到，自己是不是可以多做一點呢？


  比如降低門檻，把小C的拖拽化和自動匹配模型功能整合進去，實現更加智能的風險智能預測。


  這樣的話，就算那個執行者看不懂模型和流程，也可以輕鬆地通過文字來實現對這一模型地運用。


  降低了入門門檻，又是一件大好事啊，蘇航滿意地在紙上寫寫畫畫，然後把魔爪伸向了小C。


  小C：??……？