CN108229726A - 一种碎块石边坡灾变险情预警预报方法 - Google Patents

一种碎块石边坡灾变险情预警预报方法 Download PDF

Info

Publication number
CN108229726A
CN108229726A CN201711347920.0A CN201711347920A CN108229726A CN 108229726 A CN108229726 A CN 108229726A CN 201711347920 A CN201711347920 A CN 201711347920A CN 108229726 A CN108229726 A CN 108229726A
Authority
CN
China
Prior art keywords
side slope
catastrophe
stone side
time
shiver stone
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.)
Pending
Application number
CN201711347920.0A
Other languages
English (en)
Inventor
许建聪
杜续
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.)
Tongji University
Original Assignee
Tongji University
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 Tongji University filed Critical Tongji University
Priority to CN201711347920.0A priority Critical patent/CN108229726A/zh
Publication of CN108229726A publication Critical patent/CN108229726A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/25—Integrating or interfacing systems involving database management systems
    • G06F16/252—Integrating or interfacing systems involving database management systems between a Database Management System and a front-end application
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/28—Databases characterised by their database models, e.g. relational or object models
    • G06F16/284—Relational databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • G06Q50/265—Personal security, identity or safety
    • G—PHYSICS
    • G08—SIGNALLING
    • G08C—TRANSMISSION SYSTEMS FOR MEASURED VALUES, CONTROL OR SIMILAR SIGNALS
    • G08C19/00—Electric signal transmission systems
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Tourism & Hospitality (AREA)
  • General Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Mathematical Physics (AREA)
  • Marketing (AREA)
  • Evolutionary Computation (AREA)
  • Pure & Applied Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computer Security & Cryptography (AREA)
  • Educational Administration (AREA)
  • Computational Mathematics (AREA)
  • Algebra (AREA)
  • Primary Health Care (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Medical Informatics (AREA)

Abstract

本发明涉及一种碎块石边坡灾变险情预警预报方法，包括以下步骤：1、通过在现场设置的雨量计、土壤渗透计和位移计实时采集数据；2、通过人工采集现场裂缝情况和植被覆盖情况；3、根据步骤1和2采集得到的数据构建碎块石边坡灾变时间的循环神经网络模型；4、根据步骤1和2采集得到的数据建立碎块石边坡灾变时间的连续型马尔可夫链概率模型；5、对步骤3和4的模型通过加权平均进行综合，得到最终的预测模型，在临界破坏时间或失稳时间之前对碎块石边坡的灾变险情进行早期预警预报。与现有技术相比，本发明可以更加合理和更加符合实际地进行碎块石边坡灾变险情的预警预报，具有多参数性和动态性的特征。

Description

一种碎块石边坡灾变险情预警预报方法
技术领域
本发明涉及堆积体边坡地质灾害工程领域，尤其是涉及一种碎块石边坡灾变险情预警预报方法。
背景技术
中国是世界上滑坡最严重的国家之一。仅在2006～2011年的6年间全国共发生滑坡157927起。近年来，中国每年因滑坡灾害造成的经济损失都在10亿美元以上。2009年全国仅特大型和大型滑坡灾害共发生16起，直接经济损失达到1.9亿元人民币；2011年死亡、失踪10人以上或直接经济损失1亿元以上的重大滑坡灾害发生7起，直接经济损失5.99亿元人民币。滑坡灾害不仅造成巨大的经济损失，还严重危害人民的生命安全。我国面临的此类型滑坡灾害非常严峻，对滑坡灾害进行科学、合理的评价、预测、管理和控制是十分必要。据不完全统计，我国每年发生滑坡、泥石流、塌陷等各种地质灾害数万起，能够在灾害发生前做出预警的还不到十分之一，如何对这些地质灾害进行预警，切实保护人民的生命和财产安全，是我国当前面临的一个重要课题。
目前，国内外在对于边坡险情智能预警预报技术进行了一些相关研究：已建立了公路边坡变形的GPS一机多天线监测系统，实现了公路边坡灾害监测的高精度、自动化和全天候等目标；基于“3S”的大冶铁矿高陡边坡灾害信息处理系统实行全天候自动监测；在边坡灾害预警信息生成方面进行了研究；依据边坡的特性、使用条件和破坏的经济影响，基于评价边坡的预期变形失败和临界读取频率，构建边坡监测系统的可靠性图的方法，评价监控系统预警临界斜坡破坏的有效性和可靠性；运用径向基函数的降雨指标，建立日本泥石流和边坡破坏的早期预警系统；结合遗传算法和最小二乘法，提出预测土质和岩质边坡稳定性的进化多项式回归方法。目前，在灾害预警技术上，基于模糊层次分析原理，建立了公路路堑边坡失稳的预估模型，研制了相应的边坡失稳预测风险评估软件，并采用灰色关联原理，分析降雨条件下影响路基稳定性的因素的权重，并提出相应的预防措施。这些方法需要大量的专家经验，一般适用于岩质边坡的预测，而在碎块石边坡失稳预测还不成熟。同时，国内外这些研究成果还存在精度不高、实施较繁琐等不足。所以，研发一种高精度、高可靠性的碎块石边坡灾变险情智能预警预报方法显得尤为紧迫。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种碎块石边坡灾变险情预警预报方法。
本发明的目的可以通过以下技术方案来实现：
一种碎块石边坡灾变险情预警预报方法，包括以下步骤：
S1、通过在现场设置的雨量计、土壤渗透计和位移计实时采集数据；
S2、通过人工采集现场裂缝情况和植被覆盖情况；
S3、根据步骤S1和S2采集得到的数据构建碎块石边坡灾变时间的循环神经网络模型；
S4、根据步骤S1和S2采集得到的数据建立碎块石边坡灾变时间的连续型马尔可夫链概率模型；
S5、对步骤S3和S4建立的模型通过加权平均进行综合，得到最终的灾变时间预测模型，在临界破坏时间或失稳时间之前对碎块石边坡的灾变险情进行早期预警预报。
优选的，所述步骤S3具体包括：
S31、将数据代入循环神经网络结构中；
S32、在设定的时间周期的每个时间步内通过更新方程对变量进行更新计算；
S33、采用时间反向传播算法更新循环神经网络的参数；
S34、根据新的采集数据重复步骤S33，不断迭代更新其中的权重，直到得到收敛的参数值。
优选的，所述更新方程为：
a(t)＝b+Wh(t+1)+Ux(t)
h(t)＝tanh(a(t))
o(t)＝c+Vh(t)
其中，x(t)表示t时刻的输入变量，o(t)表示t时刻的输出变量，a(t)为中间变量，y(t)表示t时刻的测量值，b和c表示参数的偏置向量，h(t)表示t时刻的隐藏状态，U、V和W表示权重矩阵。
优选的，所述步骤S33具体包括：
其中，L表示训练损失，T为转置运算符。
优选的，所述建立碎块石边坡灾变时间的连续型马尔可夫链概率模型的过程中，采用最大期望算法计算马尔可夫链中的状态转移概率、输出观测概率以及初始状态概率。
优选的，所述建立碎块石边坡灾变时间的连续型马尔可夫链概率模型的过程中，数据以时序化的方式输入马尔可夫链。
优选的，所述步骤S1和S2采集的数据按照第三范式进行标准化和结构化处理。
优选的，所述雨量计、土壤渗透计和位移计通过光纤电缆将数据传输到数据采集站。
优选的，所述步骤S1采集的数据包括降雨强度、降雨量随时间的变化、坡体土壤渗透性和坡体的位移。
优选的，所述现场裂缝情况和植被覆盖情况通过B/S结构的客户端软件传输到后台数据库。
与现有技术相比，本发明具有以下优点：
1、通过降雨工况、坡体的位移、边坡的土质情况和植被覆盖情况等参数与边坡灾变时间的关系，建立循环神经网络和连续型马尔可夫链的碎块石边坡灾变险情预警预报模型，考虑到两个边坡灾变险情预警预报模型在不同数据集以及对于不同任务的侧重点的表现差别，使用加权平均值综合两种模型的结果，与现有的依据降雨量和滑坡间的关系等其它角度不同，本发明具有多参数性和动态性的特征，能够获取更加精确的灾变时间，从而进一步提高碎块石边坡失稳破坏灾害的预警预报精度。
2、循环神经网络在处理多参数以及具有流动性的信息有着很好的适用性，会对前面的信息进行记忆并应用于当前输出的计算中，可以很好预测边坡灾变的破坏过程。
3、马尔可夫链基于贝叶斯法则，是一个具有时间序列结构的贝叶斯网，可以很好反应各个参数对于边坡灾变险情的影响，并且可以更加精准地预测边坡灾变的发生时间。
4、采用物联网的虚拟IP技术远程实时自动采集和传输现场降雨工况和坡体位移的信息，具有实时性的优点。
5、通过人工方式采集的现场数据快速汇总到后台数据库，保证了数据的时效性，和现场自动采集设备相结合，降低了过多采购自动化监测设备的费用，并且避免了因现场设备的老化、环境影响以及不可抗力造成的设备损坏而带来的数据异常。
附图说明
图1为本发明的流程示意图；
图2为循环神经网络的模型结构示意图；
图3为马尔可夫链模型结构示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
实施例
如图1所示，一种碎块石边坡灾变险情预警预报方法，包括以下步骤：
S1、通过在现场设置的带有雨量计的雨量监测站、土壤渗透计和位移计实时采集数据；
S2、通过人工采集现场裂缝情况和植被覆盖情况；
S3、根据步骤S1和S2采集得到的数据构建碎块石边坡灾变时间的循环神经网络模型(RNN)；
S4、根据步骤S1和S2采集得到的数据建立碎块石边坡灾变时间的连续型马尔可夫链概率模型；
S5、对步骤S3和S4建立的模型通过加权平均进行综合，得到最终的灾变时间预测模型，在临界破坏时间或失稳时间之前对碎块石边坡的灾变险情进行早期预警预报。
雨量计、土壤渗透仪和位移计带有自动数据A/D转换功能。使用雨量计、土壤渗透计和位移计分别实时采集边坡的降雨工况、坡体土壤渗透性和位移数据并传输到数据采集站，数据采集站将接收的监测数据实时自动传输到远程客户端。数据采集站采用太阳能供电，雨量计、土壤渗透计和位移计与数据采集站之间通过光纤电缆传输数据，数据采集站与远程客户端之间通过物联网的虚拟IP技术以移动信号的方式传输数据。人工采集裂缝情况以及植被覆盖情况并整理汇总，现场工作人员使用计算机或者手机等移动设备，登陆使用Java语言开发的网页客户端，将现场采集到的裂缝情况以及植被覆盖情况输入B/S结构的客户端软件，客户端软件通过TCP/IP协议，将用户输入的信息上传到装有Tomcat的后台Linux云端服务器，服务器接收到用户的输入数据后，将数据格式化，通过Java语言的JDBC技术存入后台MySQL数据库。
远程客户端接收自动采集的监测数据以及人工采集的现场数据，并按照第三范式(3NF)对数据进行标准化、结构化处理，要求数据库中的每一列都是不可分割的基本数据项，每个实例或行必须可以被唯一地区分，并且一个数据库表中不包含已在其它表中已包含的非主关键字信息，使数据结构更加合理规范，持久化存储。
将结构化的数据按照标准，存入后台MySQL数据库。用MySQL处理工程中出现的大量数据，整理并按照表格化持久化存储，存储过程中使用Innodb和MyIASM双存储引擎，提供了对数据库ACID事务的支持，并且还提供了行级锁和外键的约束，可以轻易处理大数据容量。
步骤S3构建碎块石边坡灾变时间的循环神经网络模型，按照单向信息流的方式在数据库中读取数据，传入模型网络结构中，定义基于碎块石边坡的损失函数，使用梯度下降法策略，按照监督算法训练网络并通过试算，找到最优的超参数，最终得到完整的神经网络模型，具体包括：
S31、从数据库中取得训练集，并转化为单向信息流的格式，即图2中的x、y，代入图2所示的循环图网络结构中，将x值的输入序列映射到输出值o的对应序列训练损失函数(真实值与计算值的误差)；
S32、在设定的时间周期t＝1到t＝τ的每个时间步内通过更新方程对变量进行更新计算：
a(t)＝b+Wh(t+1)+Ux(t)
h(t)＝tanh(a(t))
o(t)＝c+Vh(t)
其中，x(t)表示t时刻的输入变量，o(t)表示t时刻的输出变量，a(t)为中间变量，y(t)表示t时刻的测量值，b和c表示参数的偏置向量，h(t)表示t时刻的隐藏状态，U、V和W表示权重矩阵，当使用softmax输出时，假设输出值o是未归一化的对数概率，损失函数L内部计算并将其与目标y比较，数据输入到循环神经网络模型隐藏的连接由权重矩阵U参数化，循环神经网络模型隐藏到循环神经网络模型隐藏的循环连接由权重矩阵W参数化，循环神经网络模型隐藏到模型输出的连接由权重矩阵V参数化，这个循环网将一个输入序列映射到相同长度的输出序列，按照a(t)＝b+Wh(t+1)+Ux(t)定义该模型中的前向传播；
S33、采用梯度下降算法更新循环神经网络的参数，具体是使用反向传播算法，应用于展开图的反向传播算法称为通过时间反向传播(BPTT)，为了计算某个标量z关于图2中它的一个祖先x的梯度，首先观察到它关于某个标量z的梯度由给出；然后，计算图2中某个标量z的每个父节点的梯度，通过现有的梯度乘以产生z的操作的Jacobian；继续乘以Jacobian，以这种方式向后穿过祖先节点，直至到达最终的祖先节点x，从某个标量z出发可以经过两个或更多路径向后行进而到达的任意节点，对该节点来自不同路径上的梯度进行求和，其中，输入和输出都为向量的函数的所有偏导数，包含所有这样的偏导数的矩阵被称为Jacobian矩阵；
计算图2中，包含参数U、V、W、b和c，根据上面的方法，可以得到各个参数的梯度的计算式：
其中，T为转置运算符，L表示训练损失，衡量每个输出值o与相应的训练目标y的距离，是与x序列配对的y的总损失，即所有时间步的损失之和，L(t)为给定的x(1),…,x(t)后y(t)的负对数似然：
其中，pmodel表示似然函数。
S34、根据新的采集数据重复步骤S33，不断迭代更新其中的权重，直到得到收敛的参数值，在迭代过程中，要使用正则策略保证模型的泛化能力不退化，选用L2参数正则化。
通过对目标函数L添加一个参数范数惩罚Ω(θ)，限制模型的学习能力。将正则化后的目标函数记为：
ω表示范式矩阵，X表示输入，α表示惩罚系数。
建立碎块石边坡灾变时间的连续型马尔可夫链概率模型的过程中，选取马尔可夫链的特征值，将数据库中的数据以时序化的方式输入马尔可夫链，采用最大期望算法计算马尔可夫链中的状态转移概率、输出观测概率以及初始状态概率。
步骤S4中马尔可夫链中的变量为两组，第一组是状态变量{u1,u2…,uR}，其中ut表示t时刻的系统状态，第二组是观测变量{v1,v2…,vR}，其中vt表示第t时刻的观测值，R表示状态变量和观测变量的数量。根据两组变量的特性，确定马尔可夫模型的图结构，如图3所示。将数据库中的数据按照时序化的方式输入两组变量中。
马尔可夫链模型由状态转移概率A、输出观测概率B以及初始状态概率π决定。状态转移概率为模型在各个状态间转换的概率，通常记为矩阵A＝[aij]N×N，其中：
aij＝P(ut+1＝sj|ut＝si)
aij表示在任意t时刻，若状态为si，则下一时刻状态为sj的概率，N表示状态的总数。
输出观测概率为根据当前状态获得模型各个观测值的概率，通常记为矩阵B＝[bij]N×N，其中：
bij＝P(vt＝oj|ut＝si)
bij表示在任意t时刻，若状态为si，则观测值oj被获取的概率。
初始状态概率为模型在初始时刻各个状态出现的概率，通常记为π＝(π1,π2,...,πN)，其中
πi＝P(u1＝si)
πi表示模型的初始概率为si的概率。
通过机器学习算法中的经典EM算法，不断迭代计算状态转移概率A、输出观测概率B以及初始状态概率π，直到参数稳定为止。
机器学习算法中的经典最大期望(EM)算法：
把所有观测数据写成O＝(o1,o2,...,oR)，把所有隐数据写成I＝(i1,i2,...,iR)，完全数据是(O,I)＝(o1,o2,...,oR,i1,i2,...,iR)，完全数据的对数似然函数是logP(O,I|λ)。
求Q函数
其中，表示隐马尔可夫模型学习过程中的目标函数，是隐马尔可夫模型参数的当前估计值，λ是要极大化的隐马尔可夫模型参数。
P(O,I|λ)表示λ条件下O，I的概率函数。
于是，函数可以写成：
EM算法的M步：
对各个参数分别极大化：
υk表示第k个观测变量，R表示状态变量和观测变量的数量，bj(k)表示状态为j观测为k的概率，it表示第t个隐数据。
考虑到循环神经网络模型和连续型马尔可夫链模型在不同数据集以及对于不同任务的侧重点的表现差别，根据实际需要设定两个模型预测值的权重，通过加权平均值综合两种模型的结果，最终确定碎块石边坡稳定性的状态，并在临界破坏时间或失稳时间之前的设定时间对边坡灾变险情进行早期预警预报。

Claims (10)

1.一种碎块石边坡灾变险情预警预报方法，其特征在于，包括以下步骤：
S1、通过在现场设置的雨量计、土壤渗透计和位移计实时采集数据；
S2、通过人工采集现场裂缝情况和植被覆盖情况；
S3、根据步骤S1和S2采集得到的数据构建碎块石边坡灾变时间的循环神经网络模型；
S4、根据步骤S1和S2采集得到的数据建立碎块石边坡灾变时间的连续型马尔可夫链概率模型；
S5、对步骤S3和S4建立的模型通过加权平均进行综合，得到最终的灾变时间预测模型，在临界破坏时间或失稳时间之前对碎块石边坡的灾变险情进行早期预警预报。
2.根据权利要求1所述的一种碎块石边坡灾变险情预警预报方法，其特征在于，所述步骤S3具体包括：
S31、将数据代入循环神经网络结构中；
S32、在设定的时间周期的每个时间步内通过更新方程对变量进行更新计算；
S33、采用时间反向传播算法更新循环神经网络的参数；
S34、根据新的采集数据重复步骤S33，不断迭代更新其中的权重，直到得到收敛的参数值。
3.根据权利要求2所述的一种碎块石边坡灾变险情预警预报方法，其特征在于，所述更新方程为：
a(t)＝b+Wh(t+1)+Ux(t)
h(t)＝tanh(a(t))
o(t)＝c+Vh(t)
其中，x(t)表示t时刻的输入变量，o(t)表示t时刻的输出变量，a(t)为中间变量，y(t)表示t时刻的测量值，b和c表示参数的偏置向量，h(t)表示t时刻的隐藏状态，U、V和W表示权重矩阵。
4.根据权利要求3所述的一种碎块石边坡灾变险情预警预报方法，其特征在于，所述步骤S33具体包括：
其中，L表示训练损失，T为转置运算符。
5.根据权利要求1所述的一种碎块石边坡灾变险情预警预报方法，其特征在于，所述建立碎块石边坡灾变时间的连续型马尔可夫链概率模型的过程中，采用最大期望算法计算马尔可夫链中的状态转移概率、输出观测概率以及初始状态概率。
6.根据权利要求1所述的一种碎块石边坡灾变险情预警预报方法，其特征在于，所述建立碎块石边坡灾变时间的连续型马尔可夫链概率模型的过程中，数据以时序化的方式输入马尔可夫链。
7.根据权利要求1所述的一种碎块石边坡灾变险情预警预报方法，其特征在于，所述步骤S1和S2采集的数据按照第三范式进行标准化和结构化处理。
8.根据权利要求1所述的一种碎块石边坡灾变险情预警预报方法，其特征在于，所述雨量计、土壤渗透计和位移计通过光纤电缆将数据传输到数据采集站。
9.根据权利要求1所述的一种碎块石边坡灾变险情预警预报方法，其特征在于，所述步骤S1采集的数据包括降雨强度、降雨量随时间的变化、坡体土壤渗透性和坡体的位移。
10.根据权利要求1所述的一种碎块石边坡灾变险情预警预报方法，其特征在于，所述现场裂缝情况和植被覆盖情况通过B/S结构的客户端软件传输到后台数据库。
CN201711347920.0A 2017-12-15 2017-12-15 一种碎块石边坡灾变险情预警预报方法 Pending CN108229726A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711347920.0A CN108229726A (zh) 2017-12-15 2017-12-15 一种碎块石边坡灾变险情预警预报方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711347920.0A CN108229726A (zh) 2017-12-15 2017-12-15 一种碎块石边坡灾变险情预警预报方法

Publications (1)

Publication Number Publication Date
CN108229726A true CN108229726A (zh) 2018-06-29

Family

ID=62652242

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711347920.0A Pending CN108229726A (zh) 2017-12-15 2017-12-15 一种碎块石边坡灾变险情预警预报方法

Country Status (1)

Country Link
CN (1) CN108229726A (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110130916A (zh) * 2019-05-21 2019-08-16 上海市市政工程建设发展有限公司 一种大断面矩形顶管姿态控制方法
CN110162932A (zh) * 2019-06-21 2019-08-23 招商局重庆交通科研设计院有限公司 基于有限元分格的自动化监测边坡稳定性的计算方法
CN110245785A (zh) * 2019-05-21 2019-09-17 上海市市政工程建设发展有限公司 一种智能化主动伺服基坑轴力控制方法
CN110852563A (zh) * 2019-10-09 2020-02-28 天津大学 基于深度学习注意力机制的社会风险多目标优化生成方法
CN111144636A (zh) * 2019-12-22 2020-05-12 同济大学 一种边坡变形预测方法
CN111504268A (zh) * 2020-04-22 2020-08-07 深圳市地质局 一种土质边坡险情智能预警预报方法
CN112982297A (zh) * 2021-04-19 2021-06-18 四川省水利科学研究院 一种基于卷积神经网络实现边坡生态防护的系统
CN114330144A (zh) * 2022-02-15 2022-04-12 西南交通大学 一种边坡危石预警方法、装置、设备及可读存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104408899A (zh) * 2014-11-05 2015-03-11 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
CN104732303A (zh) * 2015-04-09 2015-06-24 中国石油大学(华东) 一种基于动态径向基函数神经网络的油田产量预测方法
CN105139585A (zh) * 2015-07-29 2015-12-09 同济大学 一种土质边坡险情智能预警预报方法
CN107463991A (zh) * 2017-06-28 2017-12-12 西南石油大学 一种基于坡体单元与机器学习的区域滑坡危险性评价方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104408899A (zh) * 2014-11-05 2015-03-11 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
CN104732303A (zh) * 2015-04-09 2015-06-24 中国石油大学(华东) 一种基于动态径向基函数神经网络的油田产量预测方法
CN105139585A (zh) * 2015-07-29 2015-12-09 同济大学 一种土质边坡险情智能预警预报方法
CN107463991A (zh) * 2017-06-28 2017-12-12 西南石油大学 一种基于坡体单元与机器学习的区域滑坡危险性评价方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
JIANCONG XU: "Analytic hierarchy process for assessing factors infuencing the stability of soil slopes reinforced with piles", 《ENVIRONMENTAL EARTH SCIENCES》 *
李德营 等: "《三峡库区堆积层滑坡预测预报模型与判据研究》", 31 May 2017 *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110130916A (zh) * 2019-05-21 2019-08-16 上海市市政工程建设发展有限公司 一种大断面矩形顶管姿态控制方法
CN110245785A (zh) * 2019-05-21 2019-09-17 上海市市政工程建设发展有限公司 一种智能化主动伺服基坑轴力控制方法
CN110162932A (zh) * 2019-06-21 2019-08-23 招商局重庆交通科研设计院有限公司 基于有限元分格的自动化监测边坡稳定性的计算方法
CN110852563A (zh) * 2019-10-09 2020-02-28 天津大学 基于深度学习注意力机制的社会风险多目标优化生成方法
CN111144636A (zh) * 2019-12-22 2020-05-12 同济大学 一种边坡变形预测方法
CN111144636B (zh) * 2019-12-22 2022-08-16 同济大学 一种边坡变形预测方法
CN111504268A (zh) * 2020-04-22 2020-08-07 深圳市地质局 一种土质边坡险情智能预警预报方法
CN112982297A (zh) * 2021-04-19 2021-06-18 四川省水利科学研究院 一种基于卷积神经网络实现边坡生态防护的系统
CN112982297B (zh) * 2021-04-19 2021-07-13 四川省水利科学研究院 一种基于卷积神经网络实现边坡生态防护的系统
CN114330144A (zh) * 2022-02-15 2022-04-12 西南交通大学 一种边坡危石预警方法、装置、设备及可读存储介质

Similar Documents

Publication Publication Date Title
CN108229726A (zh) 一种碎块石边坡灾变险情预警预报方法
CN105139585B (zh) 一种土质边坡险情智能预警预报方法
CN108932480B (zh) 基于1d-cnn的分布式光纤传感信号特征学习与分类方法
US11333796B2 (en) Spatial autocorrelation machine learning-based downscaling method and system of satellite precipitation data
CN109165664A (zh) 一种基于生成对抗网络的属性缺失数据集补全与预测方法
CN111079977A (zh) 基于svd算法的异构联邦学习矿井电磁辐射趋势跟踪方法
CN113554849A (zh) 一种空天地监测边坡系统及其失稳风险评估方法
CN111310898A (zh) 一种基于rnn的滑坡灾害易发性预测方法
Saxena et al. A review study of weather forecasting using artificial neural network approach
CN115758252B (zh) 基于多源信息融合技术的监测信息实时处理与分析方法
CN108256172A (zh) 一种顶管下穿既有箱涵过程中险情预警预报方法
CN113222283A (zh) 一种基于数字孪生的山洪预报预警方法及系统
CN111968019A (zh) 一种基于cnn与rnn集成的滑坡灾害易发性预测方法
CN115270604A (zh) 寒区闸坝工程安全预警方法及智能监控系统
CN115049124A (zh) 一种基于贝叶斯网络的深长隧道突涌水预测方法
CN115654381A (zh) 一种基于图神经网络的供水管道漏损检测方法
CN106570582A (zh) 一种用于建立输电线路舞动跳闸风险预测的网络模型的方法及系统
Peng et al. Research on the prediction of the water demand of construction engineering based on the BP neural network
CN115345036A (zh) 智能化岩溶塌陷机理数值综合分析的研判系统及方法
CN115564288A (zh) 基于数据融合的输电线路地质灾害风险评估方法及系统
CN115204032A (zh) 一种基于多通道智能模型的enso预测方法及装置
CN117540329B (zh) 基于机器学习的排水管网缺陷在线预警方法及系统
Xu et al. Stability Analysis of Geotechnical Landslide Based on GA‐BP Neural Network Model
CN110130916A (zh) 一种大断面矩形顶管姿态控制方法
CN111582634A (zh) 一种地下大空间施工多因素安全分级方法及系统

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20180629

RJ01 Rejection of invention patent application after publication