CN107144255B - 一种边坡自动化实时立体监测与预警的方法 - Google Patents

一种边坡自动化实时立体监测与预警的方法 Download PDF

Info

Publication number
CN107144255B
CN107144255B CN201710239675.5A CN201710239675A CN107144255B CN 107144255 B CN107144255 B CN 107144255B CN 201710239675 A CN201710239675 A CN 201710239675A CN 107144255 B CN107144255 B CN 107144255B
Authority
CN
China
Prior art keywords
curve
data
early warning
layer
slope
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201710239675.5A
Other languages
English (en)
Other versions
CN107144255A (zh
Inventor
李长冬
王陈琦
张永权
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China University of Geosciences
Original Assignee
China University of Geosciences
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by China University of Geosciences filed Critical China University of Geosciences
Priority to CN201710239675.5A priority Critical patent/CN107144255B/zh
Publication of CN107144255A publication Critical patent/CN107144255A/zh
Application granted granted Critical
Publication of CN107144255B publication Critical patent/CN107144255B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B21/00—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant
    • G01B21/32—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant for measuring the deformation in a solid
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B21/00—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant
    • G01B21/02—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant for measuring length, width, or thickness

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)
  • Pit Excavations, Shoring, Fill Or Stabilisation Of Slopes (AREA)

Abstract

本发明公开了一种边坡自动化实时立体监测与预警的方法，包括以下步骤：(1)在边坡上需要表征的位置布设测斜管，安装柔性测斜仪，柔性测斜仪连接控制器，所述柔性测斜仪实时感应测斜管的变形数据，并将变形数据传输给控制器，所述控制器再将数据传输给位移分析系统；(2)位移分析系统将获得的变形数据进行小波去噪处理，并通过RBF神经网络模型处理得到位移曲线和位移曲线后续发展的预测曲线，对获得的位移曲线后续发展的预测曲线进行判断，即可分析边坡是否有风险，并进行预警。本发明将RPF神经网络分析方法应用于边坡稳定性的预测预警，在PC端数据分析系统中嵌入RPF神经网络分析法，从而实现了监测数据同步处理并同步预警预测。

Description

一种边坡自动化实时立体监测与预警的方法
技术领域
本发明涉及地质灾害监测与预警领域，尤其涉及一种边坡自动化实时立体监测与预警的方法。
背景技术
我国是一个多山的国家，随着我国工程建设的不断发展，越来越多的工程活动逐渐在山区开展。滑坡是山区分布广泛的地质灾害，发生的滑坡灾害往往破坏性很大，容易造成了重大的人员伤亡和巨大的经济损失，而潜在的滑坡仍在威胁着人们的生产生活安全；此外，伴随着开挖等人类工程活动的进行，逐渐形成的人工边坡也产生了极大的隐患，因此，对危险边坡进行监测并提供预警信息十分必要。
边坡坡体和加固结构出现变形并发展是边坡岩土体发生失稳破坏的显著特征，因此，通过对边坡进行实时位移监测，并在大变形出现之前发出预警信号，是边坡安全监测的一种有效手段。
目前，边坡位移监测系统主要有以下两类，一类是地表位移的监测，依靠经纬仪、全站仪、GPS等对边坡坡表位移进行监测；另一类是深部位移的监测，通过深孔测斜仪对地下岩体分层水平位移进行监测。两类监测方式的监测数据需要人工定期输出，因此数据具有滞后性，降低了预警结果的实时性。真实案例表明，大多数边坡灾害的发生的时间很短，因此，以上监测手段均不能实时对边坡位移进行监测并及时做出预警预测。
发明内容
有鉴于此，本发明的实施例提供了一种能方便、准确并及时对滑坡地质灾害进行预警的边坡自动化实时立体监测与预警的方法。
本发明的实施例提供一种边坡自动化实时立体监测与预警的方法，包括以下步骤：
(1)在边坡上需要表征的位置布设测斜管，所述测斜管的内部设有定位槽，所述定位槽内安装柔性测斜仪，所述柔性测斜仪连接控制器，所述柔性测斜仪实时感应测斜管的变形数据，并将变形数据传输给控制器，所述控制器再将数据传输给位移分析系统；
(2)位移分析系统将获得的变形数据通过小波去噪模块处理，得到平滑去噪后曲线；
(3)建立RBF神经网络模型，所述RBF神经网络模型包括输入层、隐层和输出层，将步骤(2)得到的去噪后曲线经输入层传递给隐层，所述隐层由高斯型径向基函数构成，所述隐层中的高斯型径向基函数对输入的去噪后曲线在局部产生响应，并通过隐层学习单元获得监测的位移曲线，并将位移曲线再传递给输出层，所述输出层由线性函数构成，所述输出层通过线性函数对位移曲线进行处理，并通过输出层的学习单元获得位移曲线后续发展的预测曲线，对获得的位移曲线后续发展的预测曲线进行判断，即可分析边坡是否有风险，并进行预警。
进一步，所述步骤(1)中，控制器通过太阳能电池板供电。
进一步，所述步骤(1)中，测斜管从边坡的滑坡体插入边坡的潜在滑动面，并进入边坡的稳定基岩。
进一步，所述步骤(1)中，所述控制器通过GPRS网络将数据传输给位移分析系统。
进一步，所述位移分析系统为移动设备或计算机。
进一步，所述步骤(2)中，变形数据通过小波去噪模块处理的具体步骤如下：
(2-1)向小波去噪模块中输入变形数据的时间序列{xi|i＝1,2,…,n},并记为：
Figure BDA0001269016930000031
式中：n＝2M，M为插值与抽取系数；
(2-2)选取3次B样条小波函数，保证选取的小波函数在时域内的分辨率，并确定小波变换系数；
(2-3)运用步骤(2-2)选取的小波函数通过分解算法将
Figure BDA0001269016930000032
分解至l层，得到第l层上小波变换的低频系数
Figure BDA0001269016930000033
和各层分解的高频系数
Figure BDA0001269016930000034
Figure BDA0001269016930000035
(2-4)设定阈值T，对步骤(2-3)得到的
Figure BDA0001269016930000036
进行扫描，大于T的数据保留，小于T的数据置0，得到
Figure BDA0001269016930000037
(2-5)保留低频系数
Figure BDA0001269016930000038
并与
Figure BDA0001269016930000039
一起进行小波重构，得到平滑去噪后曲线。
进一步，所述步骤(2-3)中，低频系数和高频系数的计算方法分别为：
Figure BDA00012690169300000310
Figure BDA00012690169300000311
式中：h为小波变换系数，n为小波分解层数，j为时间序列第j层。
进一步，所述步骤(2-5)中，平滑去噪后曲线表示为：
Figure BDA0001269016930000041
进一步，所述步骤(3)中，隐层学习单元的输出表示为：
Figure BDA0001269016930000042
式中：||·||表示范数，通常取欧几里德范数；X为n维输入矢量，即X＝[x1,x2,…xn]T；Cj为第j个非线性变换单元的中心向量，
Figure BDA0001269016930000043
与X具有相同维数的向量；为第j个中心对应第k个输入的分量；σj为第j个非线性变换单元的宽度。
进一步，所述步骤(3)中，输出层的学习单元输出表示为：
Figure BDA0001269016930000045
式中：wij为第i个隐单元与第j个输出之间的连接权；m为输出维数；p为隐单元数。
与现有技术相比，本发明具有以下有益效果：
(1)监测设备深入至稳定岩层，在监测点布设深入稳定地层测斜管，内置柔性测斜探头，信号与地表监测控制器连接，实时监测深部位移变形情况。测斜管安装时深入至稳定岩层，受环境影响较小，更准确反映边坡的变形破坏特征，使边坡变形监测更加全面精确。
(2)数据网络传输，无需人工测量采集，方便快捷。监测点信号通过GPRS网络把数据传送至指定位置，通过配套的PC-Labview上位机软件获取监测数据，不仅可以通过PC端处理数据，在移动设备上也可以观测数据，实现数据实时监测、实时处理，实时传送，极大的提升了监测效率。
(4)该监测系统具有监测信息的可拓展性的优点。边坡监测系统主要包括采用柔性测斜仪的变形监测，除此之外还可以添加压力监测、地下水位监测、孔隙水压力监测以及边坡土体含水率等相关信息的监测。监测过程通过多传感器、多源数据的同步、协同分析处理，进一步提高了预报的准确性。
(5)本发明具有监测数据远程实时处理的优点。本发明通过GPRS模块将原始监测数据无线实时传输到指定位置，而PC端数据分析系统通过访问指定位置获取实时数据，从而实现了监测数据的远程实时处理。
(6)本发明具有嵌入式预警模型。本文将RPF神经网络分析方法应用于边坡稳定性的预测预警，在PC端数据分析系统中嵌入RPF神经网络分析法，从而实现了监测数据同步处理并同步预警预测。
附图说明
图1是本发明边坡自动化实时立体监测与预警的方法的监测装置的一示意图。
图2是本发明边坡自动化实时立体监测与预警的方法的一流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地描述。
请参考图1和图2，本发明的实施例提供了一种边坡自动化实时立体监测与预警的方法，包括以下步骤：
(1)在边坡上需要表征的位置布设测斜管8，在一实施例中，测斜管8从边坡的滑坡体3插入边坡的潜在滑动面2，并进入边坡的稳定基岩1，测斜管8的内部设有定位槽(图中未示出)，定位槽内安装柔性测斜仪4，柔性测斜仪4受环境影响较小，更准确反映边坡的变形破坏特征，使边坡变形监测更加全面精确，柔性测斜仪4连接控制器6，所述柔性测斜仪4实时感应测斜管的变形数据，并将变形数据传输给控制器6，所述控制器6再将数据传输给位移分析系统9；在一实施例中，控制器6通过太阳能电池板供电7，控制器6通过GPRS网络将数据传输给位移分析系统9，位移分析系统9优选为移动设备或计算机。
(2)位移分析系统9将获得的变形数据通过小波去噪模块91处理，得到平滑去噪后曲线；
(2-1)向小波去噪模块91中输入变形数据的时间序列{xi|i＝1,2,…,n},并记为：
Figure BDA0001269016930000061
式中：n＝2M，M为插值与抽取系数；
(2-2)选取3次B样条小波函数，保证选取的小波函数在时域内的分辨率，并确定小波变换系数；
(2-3)运用步骤(2-2)选取的小波函数通过分解算法将
Figure BDA0001269016930000062
分解为l层，得到第l层上小波变换的低频系数
Figure BDA0001269016930000063
和各层分解的高频系数
Figure BDA0001269016930000064
Figure BDA0001269016930000065
低频系数和高频系数的计算方法分别为：
Figure BDA0001269016930000066
Figure BDA0001269016930000067
式中：h为小波变换系数，n为小波分解层数，j为时间序列第j层。
(2-4)设定阈值T，对步骤(2-3)得到的
Figure BDA0001269016930000068
进行扫描，大于T的数据保留，小于T的数据置0，得到
Figure BDA0001269016930000071
(2-5)保留低频系数
Figure BDA0001269016930000072
并与
Figure BDA0001269016930000073
一起进行小波重构，得到平滑去噪后曲线，平滑去噪后曲线表示为：
Figure BDA0001269016930000074
(3)建立RBF神经网络模型92，所述RBF神经网络模型92包括输入层921、隐层922和输出层923，将步骤(2)得到的边坡位移监测数据去噪后曲线经输入层921传递给隐层922，所述隐层922由高斯型径向基函数构成，高斯型径向基函数具有局部感受的特性，能够体现RBF神经网络模型92的非线性映射能力，所述隐层922中的高斯型径向基函数对输入的边坡位移监测数据去噪后曲线在局部产生响应，并通过隐层922学习单元获得监测的位移曲线，隐层922学习单元的输出表示为：
Figure BDA0001269016930000075
式中：||·||表示范数，通常取欧几里德范数；X为n维输入矢量，即X＝[x1,x2,…xn]T；Cj为第j个非线性变换单元的中心向量，
Figure BDA0001269016930000076
与X具有相同维数的向量；
Figure BDA0001269016930000077
为第j个中心对应第k个输入的分量；σj为第j个非线性变换单元的宽度。
将位移曲线再传递给输出层923，所述输出层由线性函数构成，所述输出层923通过线性函数对位移曲线进行处理，并通过输出层923的学习单元获得位移曲线后续发展的预测曲线，输出层923的学习单元输出表示为：
Figure BDA0001269016930000078
式中：wij为第i个隐单元与第j个输出之间的连接权；m为输出维数；p为隐单元数。
对获得的位移曲线后续发展的预测曲线进行判断，即可分析边坡是否有风险，并进行预警。
本发明具有嵌入式预警模型，将RPF神经网络分析方法应用于边坡稳定性的预测预警，在PC端数据分析系统中嵌入RPF神经网络分析法，从而实现了监测数据同步处理并同步预警预测。
在本文中，所涉及的前、后、上、下等方位词是以附图中零部件位于图中以及零部件相互之间的位置来定义的，只是为了表达技术方案的清楚及方便。应当理解，所述方位词的使用不应限制本申请请求保护的范围。
在不冲突的情况下，本文中上述实施例及实施例中的特征可以相互结合。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.一种边坡自动化实时立体监测与预警的方法，其特征在于，包括以下步骤：
(1)在边坡上需要表征的位置布设测斜管，所述测斜管的内部设有定位槽，所述定位槽内安装柔性测斜仪，所述柔性测斜仪连接控制器，所述柔性测斜仪实时感应测斜管的变形数据，并将变形数据传输给控制器，所述控制器再将数据传输给位移分析系统；
(2)位移分析系统将获得的变形数据通过小波去噪模块处理，得到平滑去噪后曲线；
(3)建立RBF神经网络模型，所述RBF神经网络模型包括输入层、隐层和输出层，将步骤(2)得到的去噪后曲线经输入层传递给隐层，所述隐层由高斯型径向基函数构成，所述隐层中的高斯型径向基函数对输入的去噪后曲线在局部产生响应，并通过隐层学习单元获得监测的位移曲线，并将位移曲线再传递给输出层，所述输出层由线性函数构成，所述输出层通过线性函数对位移曲线进行处理，并通过输出层的学习单元获得位移曲线后续发展的预测曲线，对获得的位移曲线后续发展的预测曲线进行判断，即可分析边坡是否有风险，并进行预警；
所述步骤(2)中，变形数据通过小波去噪模块处理的具体步骤如下：
(2-1)向小波去噪模块中输入变形数据的时间序列{xi|i＝1,2,...,n}，并记为：
Figure FDA0002549536360000011
式中n＝2M，M为插值与抽取系数；
(2-2)选取3次B样条小波函数，保证选取的小波函数在时域内的分辨率，并确定小波变换系数；
(2-3)运用步骤(2-2)选取的小波函数通过分解算法将
Figure FDA0002549536360000012
分解至l层，得到第l层上小波变换的低频系数
Figure FDA0002549536360000013
和各层分解的高频系数
Figure FDA0002549536360000014
(2-4)设定阈值T，对步骤(2-3)得到的
Figure FDA0002549536360000015
进行扫描，大于T的数据保留，小于T的数据置0，得到
Figure FDA0002549536360000016
(2-5)保留低频系数
Figure FDA0002549536360000017
并与
Figure FDA0002549536360000018
一起进行小波重构，得到平滑去噪后曲线；
所述步骤(2-5)中，平滑去噪后曲线表示为：
Figure FDA0002549536360000021
采用嵌入式预警模型，将RBF神经网络分析方法应用于边坡稳定性的预测预警，在PC端数据分析系统中嵌入RBF神经网络分析法；
所述步骤(1)中，测斜管从边坡的滑坡体插入边坡的潜在滑动面，并进入边坡的稳定基岩；
所述步骤(2-3)中，低频系数和高频系数的计算方法分别为：
Figure FDA0002549536360000022
Figure FDA0002549536360000023
式中：h为小波变换系数，n为小波分解层数，j为时间序列第j层；
所述步骤(3)中，隐层学习单元的输出表示为：
Figure FDA0002549536360000024
式中：||·||表示范数，取欧几里德范数；X为n维输入矢量，即X＝[x1,x2,...xn]T；Cj为第j个非线性变换单元的中心向量，
Figure FDA0002549536360000025
与X具有相同维数的向量；
Figure FDA0002549536360000026
为第j个中心对应第k个输入的分量；σj为第j个非线性变换单元的宽度。
2.根据权利要求1所述的边坡自动化实时立体监测与预警的方法,其特征在于，所述步骤(1)中，控制器通过太阳能电池板供电。
3.根据权利要求1所述的边坡自动化实时立体监测与预警的方法, 其特征在于，所述步骤(1)中，所述控制器通过GPRS网络将数据传输给位移分析系统。
4.根据权利要求3所述的边坡自动化实时立体监测与预警的方法,其特征在于，所述位移分析系统为移动设备或计算机。
5.根据权利要求1所述的边坡自动化实时立体监测与预警的方法,其特征在于，所述步骤(3)中，输出层的学习单元输出表示为：
Figure FDA0002549536360000031
式中：wij为第i个隐单元与第j个输出之间的连接权；m为输出维数；p为隐单元数。
CN201710239675.5A 2017-04-13 2017-04-13 一种边坡自动化实时立体监测与预警的方法 Active CN107144255B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710239675.5A CN107144255B (zh) 2017-04-13 2017-04-13 一种边坡自动化实时立体监测与预警的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710239675.5A CN107144255B (zh) 2017-04-13 2017-04-13 一种边坡自动化实时立体监测与预警的方法

Publications (2)

Publication Number Publication Date
CN107144255A CN107144255A (zh) 2017-09-08
CN107144255B true CN107144255B (zh) 2020-09-25

Family

ID=59773646

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710239675.5A Active CN107144255B (zh) 2017-04-13 2017-04-13 一种边坡自动化实时立体监测与预警的方法

Country Status (1)

Country Link
CN (1) CN107144255B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107831516B (zh) * 2017-10-31 2020-11-20 河海大学 融合gnss和地面监测网获取大坝实时高精度位移的方法
CN108716904B (zh) * 2018-04-09 2020-05-05 水利部南京水利水文自动化研究所 基于有限测斜仪测点测值的坝体挠度获取方法
CN109255485A (zh) * 2018-09-13 2019-01-22 中国地质调查局南京地质调查中心 基于rbfn机器学习的降雨型地质灾害预警预报模型及学习方法
CN110779482A (zh) * 2019-08-19 2020-02-11 杭州鲁尔物联科技有限公司 盾构隧道管片水平错动变形自动化监测系统及监测方法
CN112883335B (zh) * 2021-02-07 2023-04-14 深圳市安泰数据监测科技有限公司 一种结合孔隙水压力的实时边坡稳定性评估方法
CN113418850B (zh) * 2021-06-11 2022-06-07 中国地质大学（武汉） 一种水库滑坡水下地表溢出渗流监测装置及监测方法
CN115387409A (zh) * 2022-09-22 2022-11-25 中国建筑土木建设有限公司 深基坑自动化集成安全监测预警系统及方法
CN117029756A (zh) * 2023-08-10 2023-11-10 广东柏正工程检测有限公司 一种边坡或基坑支护变形监测系统及其监测方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN2641587Y (zh) * 2003-06-12 2004-09-15 龚壁建 用于监测基岩位移的测斜管
JP4060784B2 (ja) * 2003-11-25 2008-03-12 径世 菅井 地震動予測方法及びその評価方法
CN102760343A (zh) * 2012-07-27 2012-10-31 贵州大学 基于无线传感器网络的边坡地质灾害预警方法及装置
CN104408899B (zh) * 2014-11-05 2017-01-25 同济大学 一种山岭高速公路花岗岩残坡积土滑坡远程实时预警方法

Also Published As

Publication number Publication date
CN107144255A (zh) 2017-09-08

Similar Documents

Publication Publication Date Title
CN107144255B (zh) 一种边坡自动化实时立体监测与预警的方法
CN103758160B (zh) 一种超深地下连续墙变形自动实时监测装置及其工作方法
US11634987B2 (en) Safety early warning method and device for full-section tunneling of tunnel featuring dynamic water and weak surrounding rock
CN113379105A (zh) 一种基于人工智能的场地地震液化灾害快速估测方法
Koike et al. Spatial correlation structures of fracture systems for deriving a scaling law and modeling fracture distributions
CN115638833B (zh) 一种监控数据处理方法及系统
Uzielli et al. Risk analysis for the Ancona landslide—I: characterization of landslide kinematics
Proulx-McInnis et al. A review of ground-penetrating radar studies related to peatland stratigraphy with a case study on the determination of peat thickness in a northern boreal fen in Quebec, Canada
Li et al. Land subsidence due to groundwater pumping: hazard probability assessment through the combination of Bayesian model and fuzzy set theory
Oliver Geostatistics, rare disease and the environment
Liu et al. Current profile analysis and extreme value prediction in the LH11-1 oil field of the South China Sea based on prototype monitoring
Castro-Franco et al. Prediction of soil properties at farm scale using a model-based soil sampling scheme and random forest
CN111259335A (zh) 一种隧道下穿道路施工风险分析系统及方法
CN112326785A (zh) 同步注浆充填效果冲击映像法检测与评价方法
Zhu et al. Enhancing fracture network characterization: A data-driven, outcrop-based analysis
Zhu et al. Fractal and multifractal characterization of stochastic fracture networks and real outcrops
CN104121009B (zh) 一种温度、压力曲线的生成方法及系统
Shahzad et al. Nonlinear analysis of drainage systems to examine surface deformation: an example from Potwar Plateau (Northern Pakistan)
CN116108759B (zh) 一种基于特征耦合的滑坡危险性评价方法
CN111881566B (zh) 基于实景仿真的滑坡位移检测方法及装置
CN113742827A (zh) 一种基于有限差分分析的公路边坡监测网络体系构建方法
CN115019476B (zh) 一种基于多源信息融合的滑坡时空信息监测预警方法
CN115238549B (zh) 一种利用ert监测滑坡降雨条件下的安全系数的方法
Lien Eide et al. Prediction of reservoir variables based on seismic data and well observations
CN110820814B (zh) 一种桩基检测装置及方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant