CN110210084B - 基于时间融合的力学变化判断滑坡可能性的方法及系统 - Google Patents

基于时间融合的力学变化判断滑坡可能性的方法及系统 Download PDF

Info

Publication number
CN110210084B
CN110210084B CN201910415763.5A CN201910415763A CN110210084B CN 110210084 B CN110210084 B CN 110210084B CN 201910415763 A CN201910415763 A CN 201910415763A CN 110210084 B CN110210084 B CN 110210084B
Authority
CN
China
Prior art keywords
mountain
data
model
time
landslide
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
CN201910415763.5A
Other languages
English (en)
Other versions
CN110210084A (zh
Inventor
华泽玺
陈树伟
王红珠
彭欢
向坤
罗志
王大林
曹旭辉
陈国祥
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.)
Southwest Jiaotong University
Original Assignee
Southwest Jiaotong 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 Southwest Jiaotong University filed Critical Southwest Jiaotong University
Priority to CN201910415763.5A priority Critical patent/CN110210084B/zh
Publication of CN110210084A publication Critical patent/CN110210084A/zh
Application granted granted Critical
Publication of CN110210084B publication Critical patent/CN110210084B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • 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
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/06—Power analysis or power optimisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/12—Timing analysis or timing optimisation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Operations Research (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • General Business, Economics & Management (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Algebra (AREA)
  • Development Economics (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Game Theory and Decision Science (AREA)
  • Educational Administration (AREA)
  • Quality & Reliability (AREA)
  • Computer Security & Cryptography (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Primary Health Care (AREA)
  • Computer Hardware Design (AREA)

Abstract

本发明涉及一种于时间融合的力学变化判断滑坡可能性的方法及系统，该方法包括步骤：根据该山体力学模型和三角形法建立三角形力学变化模型；采集每一个时间监测点的山体数据，并删除异常数据；利用随机森林来建立影响因子与岩土内部性质粘聚力c及内摩擦角φ之间的关系；对于保留下来的数据，根据所述三角形力学变化模型和所述影响因子与c及φ之间的关系，计算出山体的安全系数，初步判断山体的状态；若山体的状态为高危状态，则利用生物增长模型预测出山体的滑坡时间。本发明充分利用多传感器资源进行时间序列数据融合，把多渠道、多方位按时间序列获得的局部的不完整的信息加以综合，消除多源信息间在时间和空间上可能存在的冗余和矛盾。

Description

基于时间融合的力学变化判断滑坡可能性的方法及系统
技术领域
本发明涉及地质灾害监测技术领域，特别涉及一种基于时间融合的力学变化判断滑坡可能性的方法及系统。
背景技术
随着铁路、公路以及旅游业的迅速发展，山体滑坡是常见的自然灾害且威胁着人民生命及财产安全，山体滑坡监测预测已经成为了一项重要的研究方向。
传统的山体边坡监测方向主要分为地表变形监测、深部变形监测、相关物理量监测和滑坡形成活动相关监测，通过对采集的数据进行滑坡预测分析，其预测主要可分为两个方面：一方面通过对回归预测对滑坡进行空间位移预测，主要采用逻辑回归方法，另一方面通过监测的位移量的变化推断滑坡时间，主要方法为斋藤迪孝蠕变经验预测坡体时间或Verhulst模型进行时间预测。监测缺点主要可分为边坡分析变量单一受限、各个内部变量关系复杂计算困难和时间预测不准确三个方面，存在受气象条件限制、监测不稳定和监测技术集成性和协调性差的缺点。
发明内容
本发明的目的在于改善现有技术中存在的上述缺陷，提供一种基于时间融合的力学变化判断滑坡可能性的方法及系统。
为了实现上述发明目的，本发明实施例提供了以下技术方案：
一种基于时间融合的力学变化判断滑坡可能性的方法，包括以下步骤：
对山体断层处的条块进行受力分析，建立山体力学模型，并根据该山体力学模型和三角形法建立三角形力学变化模型；
按照设定的时间监测点采集每一个时间监测点的山体数据，并采用拉依达准则识别出山体数据中的异常数据，删除所述异常数据；每一个时间监测点的山体数据包括多个影响因子的数据；
利用随机森林来建立影响因子与岩土内部性质粘聚力c及内摩擦角φ之间的关系；
对于保留下来的数据，根据所述三角形力学变化模型和所述影响因子与岩土内部性质粘聚力c及内摩擦角φ之间的关系，计算出山体的安全系数，初步判断山体的状态；
若山体的状态为高危状态，则利用生物增长模型预测出山体的滑坡时间。
另一方面，本发明实施例同时提供了一种基于时间融合的力学变化判断滑坡可能性的系统，包括以下模块：
模型构建模块，用于对山体断层处的条块进行受力分析，建立山体力学模型，并根据该山体力学模型和三角形法建立三角形力学变化模型；
数据收集模块，用于按照设定的时间监测点采集每一个时间监测点的山体数据，每一个时间监测点的山体数据包括多个影响因子的数据；
数据预选模块，用于并采用拉依达准则识别出山体数据中的异常数据，删除所述异常数据；
关系构建模块，用于利用随机森林来建立影响因子与岩土内部性质粘聚力c 及内摩擦角φ之间的关系；
状态预测模块，用于对于保留下来的数据，根据所述三角形力学变化模型和所述影响因子与岩土内部性质粘聚力c及内摩擦角φ之间的关系，计算出山体的安全系数，初步判断山体的状态；
时间预测模块，用于在山体的状态为高危状态时，利用生物增长模型预测出山体的滑坡时间。
再一方面，本发明实施例同时提供了一种包括计算机可读指令的计算机可读存储介质，所述计算机可读指令在被执行时使处理器执行本发明实施例中所述方法中的操作。
再一方面，本发明实施例同时提供了一种电子设备，包括：存储器，存储程序指令；处理器，与所述存储器相连接，执行存储器中的程序指令，实现本发明实施例中所述方法中的步骤。
与现有技术相比，本发明利用了随机森林、时间预测分析和压缩感知技术，通过对滑坡诱导因子的提取和滑坡状态分析，在保证有效、稳定监测情况下，解决了传统测量方法存在的监测变量单一和适应性差的缺点。充分利用多传感器资源进行时间序列数据融合，把多渠道、多方位按时间序列获得的局部的不完整的信息加以综合，消除多源信息间在时间和空间上可能存在的冗余和矛盾，加以互补，筛选滑坡诱导因子，并降低其不确定性和施工难度，使监测具有更优越的性能。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本发明较佳实施例中所述的一种基于时间融合的力学变化判断滑坡可能性的方法的流程图。
图2为实施例中山体力学模型的示意图，
图3为实施例中三角形力学变化模型的示意图。
图4为本发明较佳实施例中图1所示方法更细化的流程图。
图5为本发明较佳实施例中基于时间融合的力学变化判断滑坡可能性的系统的功能模块图。
图6为本实施例中提供的一种电子设备的结构框图。
具体实施方式
下面将结合本发明实施例中附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1-4，本实施例示意性地提供了一种基于时间融合的力学变化判断滑坡可能性的方法，包括以下步骤：
步骤1，对山体断层处的条块(山体被划分为若干个条块)进行受力分析，建立山体力学模型，并根据该山体力学模型和三角形法建立三角形力学变化模型。
请参阅图2-3，对山体断层处的条块进行受力分析，建立出入图2所示的山体力学模型。基于该山体力学模型，来建立直角坐标系中X与Y方向的平衡方程，得
∑Fx＝0
ΣFy＝0
基于此建立静力平衡方程为：
X方向：
Ni cos(αi)+Ti sin(αi)＝
Wi+Xi+1cos(δi+1)-Xi cos(δi)-Ei+1sin(δi+1)+Ei sin(δi)
Y方向：
Ni sin(αi)+Ti cos(αi)＝
KWi+Xi+1sin(δi+1)-Xisin(δi)+Ei+1cos(δi+1)-Ei cos(δi)
式中：Ei、Ei+1分别为作用在第i条块两侧面的法向力(kN)；
Xi、Xi+1分别为作用在第i条块两侧面的侧向切向力(kN)；
Wi为第i条块的重力(kN)；
Ni为作用在第i条块底滑面的法向力(kN)；
Ti为作用在第i条块底滑面的侧向切向力(kN)；
K为水平加速度系数。
根据摩尔-库伦破坏准则，在底面和左右界面上建立极限平衡方程分别为：
Figure BDA0002064310010000051
Figure BDA0002064310010000052
Figure BDA0002064310010000053
式中：Pi为第i条块侧面上的孔隙水压力(kPa)；
Ui为第i条块底面上的孔隙水压力(kPa)；
ci、c′i分别为第i条块底滑面和底侧面的粘聚力(kPa)；
Figure BDA0002064310010000061
分别为第i条块底滑面和底侧面的内摩擦角。
消去Ti、Xi、Xi+1和Ni，可以得到
Ei+1＝αi-piK+Eiei
上式是一个递推公式，递推拓展可得
En+1＝αn-pnK+Enen
En+1＝αn+αn-1-(pn+pn-1en)K+En-1enen-1
进一步递推可得
En+1＝αn+αn-1en+αn-2enen-1+…+α1enen-1…e3e2
-(pn+pn-1en+pn-2enen-1+…+p1enen-1…e3e2)K
+E1enen-1…e1
滑体在没有外力的作用下，即由边界条件得，En+1＝E1＝0，则有
Figure BDA0002064310010000062
其中
Figure BDA0002064310010000063
Figure BDA0002064310010000064
Figure BDA0002064310010000065
Figure BDA0002064310010000066
Figure BDA0002064310010000067
Figure BDA0002064310010000068
定义安全稳定系数F为这样一个数值，如果材料的抗剪强度(土体抵抗剪切破坏的极限强度)指标：c值和
Figure BDA0002064310010000069
值降低为ce和
Figure BDA00020643100100000610
则边坡处于极限状态：
ce＝c/F
Figure BDA0002064310010000071
实际的c比ce大，当受到一个外力的时候，c就折减成ce，折减的系数F就为安全系数。
正常情况下，滑体是静止的，此时三角形力学变化模型中的合力为零，且有一个大于1的安全系数；当出现合力时，安全系数就会变小，当安全系数变为1时，滑体达到了极限平衡状态，此时的合力就为使山体发生滑坡的最小力，此时对应一个K值，称为临界水平加速度系数。而且此系数与重力有关系。
故先假设安全系数F等于1时，算出K的值，因为经过试算(计算机检验)， F与K呈单调递减的关系，所以，必存在一个F值使K等于零(即此时合力为零)，依次递增F值，直至K的值近似等于零(根据精度而定)，此时的F值即为此山体的安全系数。
建立山体力学模型后，再基于三角形法则，构建出图3所示的三角形力学变化模型。具体地，将山体分为若干个条块后可对某个条块进行一个宏观(微观叠加后)的受力分析，建立一个山体力学模型。而根据三角形力学法则，空间内的静止物体所受合力为零，故各个方向的力进行合成后能形成一个闭合的三角形，若只是单独存在于Y方向与X方向上，这是一种三角形的特殊方式。即，三角形力学变化模型是一种在算出山体的安全系数后，反算出滑块受的各个分力的大小(即图3中的各个力)，再通过求合力的方法，得到的一种力的变化模型。其特点为当三角形不再闭合时，既是合力不为零，此时就极有可能发生滑坡；而且每一条边都含有块体受力的情况，能表达出力的变化趋势；当其中某个滑坡因子的数据发生变化时，三角形的形状也会发生变化，从侧面表现出滑坡因子对山体稳定性的影响效果及范围。
图3中，边Ai由力Ni与力Ti合成，边Bi由力Xi与力Ei合成，边Ci由力Ei+1、力Xi+1及力Wi合成，则
Figure BDA0002064310010000081
Figure BDA0002064310010000082
Figure BDA0002064310010000083
Figure BDA0002064310010000084
Figure BDA0002064310010000085
γi＝180°-βi-θi
βi、θi、γi分别为此三角形模型的三个内角。
步骤2，按照设定的时间监测点采集每一个时间监测点的山体数据。
每一个时间监测点的山体数据包括多个影响因子的数据，本实施例中，影响因子包括土压力、孔隙水压力、温度、湿度、振动、降雨量、位移。因此，使用到的山体滑坡传感器依次包括土壤压力传感器、孔隙水压力传感器、温湿度传感器、振动传感器、雨量传感器、角度传感器、位移传感器。将传感器埋设到山体里进行数据的采集。
步骤3，采用拉依达准则识别出山体数据中的异常数据，删除所述异常数据。
本实施例中，异常数据的定义如下：如果某测量值Xi与平均值
Figure BDA0002064310010000086
之差大于标准偏差Sc的三倍，则该测量值Xi为异常数据，即：
Figure BDA0002064310010000087
此处，仅以温度采集数据为例进行说明。
表 1 温度采集数据记录表
数据编号 温度(℃) |x-x<sub>i</sub>| 数据编号 温度(℃) |x-x<sub>i</sub>|
1 19.89 0.0355 11 20.11 0.2555
2 19.92 0.0655 12 20.13 0.2755
3 19.88 0.0255 13 20.08 0.2255
4 20.02 0.1655 14 17.32 2.5345
5 19.97 0.1155 15 19.87 0.0155
6 19.83 0.0245 16 19.94 0.0855
7 19.92 0.0655 17 20.03 0.1755
8 20.01 0.1555 18 20.04 0.1855
9 19.96 0.1055 19 20.07 0.2155
10 19.99 0.1355 20 20.11 0.2555
通过分析20组数据的均值为19.8545，数据的标准差为0.5876，编号14 的|X-xi|＝2.5345，大于3SX被识别为异常温度数据，从而进行删除当前监测时间监测点的一条样本数据。对于同一条监测样本缺失值继续均值填充，例如假设编号13采集温度为10°，编号14无，编号15数据为11°，则编号14温度为 (10+11)/2＝10.5°。通过将传感器采集的数据进行去噪，从而减少数据偶然误差影响，提高数据质量。
步骤4，因为温度、湿度、雨量、振动和位移这几个影响因子与上述公式求得的安全系数没有直接的关系表达式，故需要利用随机森林法建立影响因子与岩土内部性质粘聚力c及内摩擦角φ之间的关系。
本实施例中，将岩土内部性质粘聚力c和内摩擦角φ作为目标变量，温度、湿度、雨量、振动和位移作为因变量，通过随机森林进行回归预测，通过实测或搭建实验环境获得数据后，进行训练。具体地，通过实测或搭建实验环境获得数据后，利用自助法，进行有放回的随机抽取N个样本集，使每选中的一个样本(一个样本包含一个采集点在一个时间监测点的五个传感数据)，具有等可能再次被选中添加到训练集中，每次未被抽取数据组成N个袋外数据作为测试数据。随机森林通过设置网格搜索进行决策树的数量和特征值选取进行调整，如开始设置决策树的个数为[50，100，150，200，250]，特征数(特征总共包括温度、湿度、振动和位移)[1，2，3，4]并计算其RMSE(均方根误差)，选取RMSE最小值最为随机森林参数。从而得到岩土内部性质粘聚力c及内摩擦角φ回归预测值，继而可以在后续步骤5中应用到三角形力学变化模型中以计算安全系数时。
步骤5，根据三角形力学变化模型以及所采得的保留下来的数据，使用极限平衡法来计算出山体的安全系数，对山体状态进行初步评判。
定义安全稳定系数F为这样一个数值，如果材料的抗剪强度(土体抵抗剪切破坏的极限强度)指标：c值和
Figure BDA0002064310010000101
值降低为ce和
Figure BDA0002064310010000102
则边坡处于极限状态：
ce＝c/F
Figure BDA0002064310010000103
实际的c比ce大，当受到一个外力的时候，c就折减成ce，折减的系数F就为安全系数。
正常情况下，滑体是静止的，此时三角形力学变化模型中的合力为零，且有一个大于1的安全系数；当出现合力时，安全系数就会变小，当安全系数变为1时，滑体达到了极限平衡状态，此时的合力就为使山体发生滑坡的最小力，此时对应一个K值，称为临界水平加速度系数。而且此系数与重力有关系。
故先假设安全系数F等于1时，算出K的值，因为经过试算(计算机检验)， F与K呈单调递减的关系，所以，必存在一个F值使K等于零(即此时合力为零)，依次递增F值，直至K的值近似等于零(根据精度而定)，此时的F值即为此山体的安全系数。
根据蠕变山体滑坡规律，定义当1.15＞k＞1.05时，山体为安全状态；1.0≤ k≤1.05时，为蓝色预警，山体为等速变形阶段；当0.95≤k≤1.0阶段为黄色预警，山体为等速变形初始阶段；当k＜0.95时，山体为橙色预警，进入加速变形中期阶段，为山体高危状态。
步骤6，若步骤5中判断出山体的状态为高危状态，则利用生物增长模型预测出山体的滑坡时间。
生物增长模型为短期预测模型，其微分表达式为：
Figure BDA0002064310010000111
当坡体变形速率达到最大的时候，可预测滑坡时间，求解
Figure BDA0002064310010000112
式中，X1，t1-代表初始位移和初始时间。
滑坡预测时间举例如下，
表2滑坡位移历史监测数据表(mm)
日期 1月23 1月24 1月25 1月26 1月27 1月28 1月29
监测点1 7.0 7.0 6.0 3.0 9.0 8.4 8.0
经过代码实现采用生物增长模型对滑坡时间预测计算结果如下。监测点1：a＝0.4639，b＝0.0069，tr＝6.6515，预计滑坡时间为1月29日。
请参阅图5，本实施例中同时提供了基于时间融合的力学变化判断滑坡可能性的系统，包括以下模块：
模型构建模块，用于对山体断层处的条块进行受力分析，建立山体力学模型，并根据该山体力学模型和三角形法建立三角形力学变化模型；
数据收集模块，用于按照设定的时间监测点采集每一个时间监测点的山体数据，每一个时间监测点的山体数据包括多个影响因子的数据；
数据预选模块，用于并采用拉依达准则识别出山体数据中的异常数据，删除所述异常数据；
关系构建模块，用于利用随机森林来建立影响因子与岩土内部性质粘聚力c 及内摩擦角φ之间的关系；
状态预测模块，用于对于保留下来的数据，根据所述三角形力学变化模型和所述影响因子与岩土内部性质粘聚力c及内摩擦角φ之间的关系，计算出山体的安全系数，初步判断山体的状态；
时间预测模块，用于在山体的状态为高危状态时，利用生物增长模型预测出山体的滑坡时间。
上述基于时间融合的力学变化判断滑坡可能性的系统与上述方法具有相同的发明构思，因此此处未描述之处，可以参见前述方法实施例中的相关描述，此处不再赘述。
如图6所示，本实施例同时提供了一种电子设备，该电子设备可以包括处理器51和存储器52，其中存储器52耦合至处理器51。值得注意的是，该图是示例性的，还可以使用其他类型的结构来补充或替代该结构，实现数据提取、报告生成、通信或其他功能。
如图6所示，该电子设备还可以包括：输入单元53、显示单元54和电源 55。值得注意的是，该电子设备也并不是必须要包括图6中显示的所有部件。此外，电子设备还可以包括图6中没有示出的部件，可以参考现有技术。
处理器51有时也称控制器或操作控件，可以包括微处理器或其他处理器装置和/或逻辑装置，该处理器51接收输入并控制电子设备的各个部件的操作。
其中，存储器52例如可以是缓存器、闪存、硬驱、可移动介质、易失性存储器、非易失性存储器或其他合适装置中的一种或多种，可存储上述处理器51 的配置信息、处理器51执行的指令、记录的表格数据等信息。处理器51可以执行存储器52存储的程序，以实现信息存储或处理等。在一个实施例中，存储器52中还包括缓冲存储器，即缓冲器，以存储中间信息。
输入单元53例如用于向处理器51提供各种数据。显示单元54用于显示处理过程中的各种结果，该显示单元例如可以为LCD显示器，但本发明并不限于此。电源55用于为电子设备提供电力。
本发明实施例还提供一种计算机可读指令，其中当在电子设备中执行所述指令时，所述程序使得电子设备执行本发明方法所包含的操作步骤。
本发明实施例还提供一种存储有计算机可读指令的存储介质，其中所述计算机可读指令使得电子设备执行本发明方法所包含的操作步骤。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。

Claims (7)

1.一种基于时间融合的力学变化判断滑坡可能性的方法，其特征在于，包括以下步骤：
对山体断层处的条块进行受力分析，建立山体力学模型，并根据该山体力学模型和三角形法建立三角形力学变化模型；
按照设定的时间监测点采集每一个时间监测点的山体数据，并采用拉依达准则识别出山体数据中的异常数据，删除所述异常数据；每一个时间监测点的山体数据包括多个影响因子的数据；
利用随机森林法建立影响因子与岩土内部性质粘聚力c及内摩擦角φ之间的关系；
对于保留下来的数据，根据所述三角形力学变化模型和所述影响因子与岩土内部性质粘聚力c及内摩擦角φ之间的关系，计算出山体的安全系数，初步判断山体的状态；
若山体的状态为高危状态，则利用生物增长模型预测出山体的滑坡时间，所述利用生物增长模型预测出山体的滑坡时间的步骤，包括：生物增长模型的微分表达式为
Figure FDA0003601417730000011
当坡体变形速率达到最大时，预测滑坡时间，求解
Figure FDA0003601417730000012
2.根据权利要求1所述的方法，其特征在于，所述采用拉依达准则识别出山体数据中的异常数据的步骤，包括：如果测量值Xi与平均值
Figure FDA0003601417730000013
之差大于标准偏差Sx的三倍，则该测量值被识别为异常数据。
3.根据权利要求2所述的方法，其特征在于，所述利用随机森林来建立影响因子与岩土内部性质粘聚力c及内摩擦角φ之间的关系的步骤，包括：
将岩土内部性质粘聚力c和内摩擦角φ作为目标变量，温度、湿度、振动和位移作为因变量，通过随机森林进行回归预测，通过实测或搭建实验环境获得数据后进行训练，得到影响因子与岩土内部性质粘聚力c及内摩擦角φ之间的关系。
4.根据权利要求1所述的方法，其特征在于，所述计算山体的安全系数的步骤包括：利用保留下来的数据和所述三角形力学变化模型，建立安全系数与水平加速度系数之间的函数关系，找出水平加速度系数为零或趋近于零时的安全系数值，该安全系数值即为计算出的山体的安全系数。
5.一种基于时间融合的力学变化判断滑坡可能性的系统，其特征在于，包括以下模块：
模型构建模块，用于对山体断层处的条块进行受力分析，建立山体力学模型，并根据该山体力学模型和三角形法建立三角形力学变化模型；
数据收集模块，用于按照设定的时间监测点采集每一个时间监测点的山体数据，每一个时间监测点的山体数据包括多个影响因子的数据；
数据预选模块，用于并采用拉依达准则识别出山体数据中的异常数据，删除所述异常数据；
关系构建模块，用于利用随机森林来建立影响因子与岩土内部性质粘聚力c及内摩擦角φ之间的关系；
状态预测模块，用于对于保留下来的数据，根据所述三角形力学变化模型和所述影响因子与岩土内部性质粘聚力c及内摩擦角φ之间的关系，计算出山体的安全系数，初步判断山体的状态；
时间预测模块，用于在山体的状态为高危状态时，生物增长模型的微分表达式为
Figure FDA0003601417730000031
当坡体变形速率达到最大时，预测滑坡时间，求解
Figure FDA0003601417730000032
6.一种包括计算机可读指令的计算机可读存储介质，其特征在于，所述计算机可读指令在被执行时使处理器执行权利要求1-4任一所述方法中的操作。
7.一种电子设备，其特征在于，所述的设备包括：
存储器，存储程序指令；
处理器，与所述存储器相连接，执行存储器中的程序指令，实现权利要求1-4任一所述方法中的步骤。
CN201910415763.5A 2019-05-18 2019-05-18 基于时间融合的力学变化判断滑坡可能性的方法及系统 Active CN110210084B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910415763.5A CN110210084B (zh) 2019-05-18 2019-05-18 基于时间融合的力学变化判断滑坡可能性的方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910415763.5A CN110210084B (zh) 2019-05-18 2019-05-18 基于时间融合的力学变化判断滑坡可能性的方法及系统

Publications (2)

Publication Number Publication Date
CN110210084A CN110210084A (zh) 2019-09-06
CN110210084B true CN110210084B (zh) 2022-06-28

Family

ID=67787592

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910415763.5A Active CN110210084B (zh) 2019-05-18 2019-05-18 基于时间融合的力学变化判断滑坡可能性的方法及系统

Country Status (1)

Country Link
CN (1) CN110210084B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111144617B (zh) * 2019-12-02 2023-10-31 秒针信息技术有限公司 一种确定模型的方法及装置
CN111861107B (zh) * 2020-06-08 2021-03-30 中国地质大学（武汉） 一种基于强度折减法的滑坡动态稳定性评价方法
CN115116202B (zh) * 2022-08-29 2022-11-15 西南交通大学 一种滑坡灾害预警方法、装置、设备及可读存储介质
CN115470718B (zh) * 2022-11-14 2023-01-20 中国测绘科学研究院 一种随机森林与逻辑回归组合的滑坡预测方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010008156A (ja) * 2008-06-25 2010-01-14 Panasonic Electric Works Co Ltd 計測システム並びに傾斜計
CN103134433A (zh) * 2013-02-02 2013-06-05 青岛理工大学 一种利用位移监测鉴别边坡失稳致滑因子的方法
CN105070175A (zh) * 2015-08-05 2015-11-18 三峡大学 一种二维滑坡模型
CN105821889A (zh) * 2016-04-05 2016-08-03 中国地质调查局西安地质调查中心 基于地下水位控制的黄土台塬滑坡综合治理方法
CN107063881A (zh) * 2017-05-08 2017-08-18 中国科学院、水利部成都山地灾害与环境研究所 一种基于次声技术的滑坡监测模型装置及其试验方法
CN107794045A (zh) * 2017-09-28 2018-03-13 兰新良 一种预防山体滑坡的固化剂及其使用方法
CN108627137A (zh) * 2018-05-09 2018-10-09 中国石油天然气集团公司 一种滑坡变形预测计算方法
CN109003422A (zh) * 2018-08-02 2018-12-14 北京大学深圳研究生院 用于山体滑坡的监测数据处理方法和山体滑坡预报方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU2259803C2 (ru) * 1999-05-04 2005-09-10 Тек Мэтс Ллс Усовершенствованный напольный коврик

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010008156A (ja) * 2008-06-25 2010-01-14 Panasonic Electric Works Co Ltd 計測システム並びに傾斜計
CN103134433A (zh) * 2013-02-02 2013-06-05 青岛理工大学 一种利用位移监测鉴别边坡失稳致滑因子的方法
CN105070175A (zh) * 2015-08-05 2015-11-18 三峡大学 一种二维滑坡模型
CN105821889A (zh) * 2016-04-05 2016-08-03 中国地质调查局西安地质调查中心 基于地下水位控制的黄土台塬滑坡综合治理方法
CN107063881A (zh) * 2017-05-08 2017-08-18 中国科学院、水利部成都山地灾害与环境研究所 一种基于次声技术的滑坡监测模型装置及其试验方法
CN107794045A (zh) * 2017-09-28 2018-03-13 兰新良 一种预防山体滑坡的固化剂及其使用方法
CN108627137A (zh) * 2018-05-09 2018-10-09 中国石油天然气集团公司 一种滑坡变形预测计算方法
CN109003422A (zh) * 2018-08-02 2018-12-14 北京大学深圳研究生院 用于山体滑坡的监测数据处理方法和山体滑坡预报方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Application of Multivariable Time Series Based on RBF Neural Network in Prediction of Landslide Displacement;Yao Zeng等;《IEEE》;20081212;第2707-2712页 *
海量监测数据下分布式BP神经网络区域滑坡空间预测方法;赵久彬等;《岩土力学》;20190107;第2866-2872页 *

Also Published As

Publication number Publication date
CN110210084A (zh) 2019-09-06

Similar Documents

Publication Publication Date Title
CN110210084B (zh) 基于时间融合的力学变化判断滑坡可能性的方法及系统
Daneshvar et al. Unsupervised learning-based damage assessment of full-scale civil structures under long-term and short-term monitoring
CN110008301B (zh) 基于机器学习的区域性地质灾害易发性预测方法及装置
CN112819207B (zh) 基于相似性度量的地质灾害空间预测方法、系统及存储介质
CN112735094B (zh) 基于机器学习的地质灾害预测方法、装置和电子设备
CN116108758B (zh) 滑坡易发性评价方法
CN107633325B (zh) 一种页岩气压裂井下事故早期诊断报警方法及装置
AU2017304740B2 (en) Method for determining a maximum allowable volume of water that can be removed over time from an underground water source
KR20190072652A (ko) 정보 처리 장치 및 정보 처리 방법
CN110288003B (zh) 数据变化识别方法及设备
CN110132218B (zh) 基于边坡稳定性监测的多等级预警测定方法
CN108875118B (zh) 一种高炉铁水硅含量预测模型准确度评价方法和设备
CN111080982A (zh) 一种基于多传感器的大坝安全智能监测与预警系统及方法
Cheema et al. Infinite mixture models for operational modal analysis: An automated and principled approach
CN112149750A (zh) 一种供水管网爆管识别数据驱动方法
CN108763164B (zh) 煤与瓦斯突出反演相似度的评价方法
CN111209528B (zh) 一种边坡累计位移分级预警阀值确定方法
CN112257336B (zh) 一种基于特征选择与支持向量机模型的矿井突水水源判别方法
CN110717287A (zh) 一种基于温度应变的空间钢结构支座刚度识别方法
CN112257763A (zh) 一种基于特征选择与AdaBoost模型的矿井突水水源判别方法
CN113947309A (zh) 基于建造大数据的盾构隧道施工标准工时测算及评分方法
CN114120592A (zh) 用于故障报警的方法及装置、电子设备、存储介质
CN111428820A (zh) 基于特征选择的矿井突水水源判别方法
CN115511341B (zh) 一种库岸边坡时变失效概率评估方法及装置
CN115470664B (zh) 一种裂缝油藏裂缝敏感性分析方法

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