CN110264671A - 一种基于多传感器信息融合在山体滑坡中的预测方法 - Google Patents

Abstract

本发明涉及地质灾害预测，提出一种基于多传感器信息融合在山体滑坡中的预测方法，包括以下步骤：获取多种传感器采集的山体参数；分别计算每个条块的稳定系数K_f和安全系数概率m；利用D‑S证据理论算法分别融合得到每个条块的安全系数；综合所有条块的安全系数，判断山体整体的安全状态。本发明将山体分为若干个条块，利用传感器实时采集条块中多种数据参数，计算出稳定系数，数据采集及时；再用D‑S证据理论算法融合得出每个条块的安全系数，减少无效数据导致的误报率，提高数据准确性，综合分析出山体的安全状态。本方法相对于传统的预测山体方法，获取的传感器参数多，且将传感器的数据进行融合处理，提高了山体滑坡预警的可靠性、及时性以及准确性。

Description

一种基于多传感器信息融合在山体滑坡中的预测方法

技术领域

本发明涉及地质灾害预测技术领域，特别涉及一种基于多传感器信息融合在山体滑坡中的预测方法。

背景技术

滑坡是一种全球普遍存在并产生严重破坏力的自然地理灾害，山体滑坡主要是指山体斜坡的土体或岩石，在受到强降雨、地下水活动、地震以及人类破坏等的因素影响下，沿着一定的软弱结构带产生剪切位移而整体地向斜坡下方移动的作用和现象。

传统的山体滑坡群测群防监测手段大多采用人工预判方式，存在数据收集不科学、不及时、不精准、信息覆盖面不足等问题。对于卫星数据，传统上识别也是通过人工看图，而且由于高山植被密集，受其遮挡，即使高精度卫星也难以拍摄到坡体变形，并不能准确的发现山体隐患。

发明内容

本发明的目的在于改善现有技术中所存在的不足，提供一种基于多传感器信息融合在山体滑坡中的预测方法，提高山体滑坡预警的可靠性、及时性以及准确性。

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：

一种基于多传感器信息融合在山体滑坡中的预测方法，包括以下步骤：

获取多种传感器采集的山体参数；

分别计算每个条块的稳定系数K_f；

分别统计每个条块的安全系数概率m；

利用D-S证据理论算法分别融合得到每个条块的安全系数；

综合所有条块的安全系数，判断山体整体的安全状态。

进一步地，为了更好的实现本发明，所述获取多种传感器采集的山体参数的步骤，包括：

将山体分为若干个条块，获取设置在每个条块上的N组传感器采集的山体参数；其中每组传感器均包括孔隙水压力传感器、土压力传感器、降雨量传感器、内摩角度传感器、含水量传感器。

进一步地，为了更好的实现本发明，其特征在于：所述分别计算每个条块的稳定系数K_f的步骤，包括：

根据获取的传感器采集的山体参数，分别计算每个条块中每组传感器的稳定系数：

式(1)中：

T_D＝γ_whLβcos(α-β) (2)

R_D＝γ_whLβsin(α-β) (3)

其中，K_f表示稳定系数；

W表示条块重量(Kn/m)；

C表示条块内聚力(kPa)；

L表示条块带长度(m)；

γ_w表示条块中含水重量(kN/m³)；

r_u表示孔隙水压力比；

φ表示条块内摩擦角度；

α表示条块滑带倾斜角度；

β表示条块地下水流向角度；

h表示条块含水层厚度(m)。

进一步地，为了更好的实现本发明，所述分别统计每个条块的安全系数概率m的步骤，包括：

将山体的安全状态分为U＝(安全，预警，预报)三个等级，分别用A代表安全，B代表预警，C代表预报；

结合每个条块中N组传感器的稳定系数K_f1，K_f2,...K_fN：若K_f大于1，则属于安全等级；若K_f等于1，则属于预警等级；若K_f小于1，则属于预报等级；

根据N组传感器所采集的参数，计算P次稳定系数K_f1，K_f2,...K_fN，若K_f属于安全等级的次数为p_A次，若K_f属于预警等级的次数为p_B次，若K_f属于预报等级的次数为p_C次，则：

安全状态概率：

预警状态概率：

预报状态概率：

分别计算得到N组传感器的安全等级概率：

m_1A,m_1B,m_1C,m_2A,m_2B,m_2C,...m_NA,m_NB,m_NC；

根据每组传感器的安全等级概率，计算归一化常数K：

式(4)中，d∈U。

进一步地，为了更好的实现本发明，所述利用D-S证据理论分别融合得到每个条块的安全系数的步骤，包括：

计算安全状态时的组合mass函数：

计算预警状态时的组合mass函数：

计算预报状态时的组合mass函数：

得到安全状态时的信任函数值：

得到预报状态时的信任函数值：

得到预警状态时的信任函数值：

进一步地，为了更好的实现本发明，所述综合所有条块的安全系数，判断山体整体的安全状态的步骤，包括：

结合所有条块得出的安全信任函数值、预报信任函数值、预警信任函数值，得到山体整体或局部的安全状态。

与现有技术相比，本发明的有益效果：

本发明采用条分法将山体分为若干个条块，利用传感器实时采集条块中多种数据参数，计算出稳定系数，数据采集及时；再采用D-S证据理论算法融合得出每个条块的安全系数，减少无效数据导致的误报率，提高数据准确性，综合分析出山体的安全状态。本方法相对于传统的预测山体方法，获取的传感器参数多，且将传感器的数据进行融合处理，提高了山体滑坡预警的可靠性、及时性以及准确性。

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为本发明山体滑坡预测方法的流程图；

图2为本发明山体条块示意图。

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。

实施例1：

本发明通过下述技术方案实现，提出一种基于多传感器信息融合在山体滑坡中的预测方法，通过多种不同类型的传感器采集的山体参数计算出山体局部的稳定系数，然后采用D-S证据理论融合得到山体整体的安全系数，分析出山体滑坡的可能性。

如图1所示，该方法具体包括以下步骤：

步骤S100：获取多种传感器采集的山体参数。

如图2所示，将山体分为若干个条块，在每个条块上设置N组传感器，每组传感器包括孔隙水压力传感器、土压力传感器、降雨量传感器、内摩角度传感器、含水量传感器等，实时获取获取所有传感器采集的参数，本实施例不限制传感器种类和数量。

步骤S200：分别计算每个条块的稳定系数K_f；

根据传感器采集的参数，分别计算每个条块的稳定系数：

式(1)中：

T_D＝γ_whLβcos(α-β) (2)

R_D＝γ_whLβsin(α-β) (3)

其中，K_f表示稳定系数；

W表示条块重量(Kn/m)；

C表示条块内聚力(kPa)；

L表示条块带长度(m)；

γ_w表示条块中含水重量(kN/m³)；

r_u表示孔隙水压力比；

φ表示条块内摩擦角度；

α表示条块滑带倾斜角度；

β表示条块地下水流向角度；

h表示条块含水层厚度(m)。

本实施例假设条块带长度L为1m，条块地下水流向角度β和滑带倾斜角度α大体平行，含水重量γ_w为10×103kN/m³，内聚力C和内摩擦角度φ在降雨条件下一般为饱和状态，其余参数由传感器测得，则根据式(1)、(2)、(3)可计算出稳定系数K_f。

步骤S300：分别统计每个条块的安全系数概率m。

将山体的安全状态分为U＝(安全，预警，预报)三个等级，分别用A代表安全，B代表预警，C代表预报。本实施例假设该条块上设置了三组传感器，那么得到的稳定系数为K_f1，K_f2,K_f3。若若K_f大于1，则属于安全等级；若K_f等于1，则属于预警等级；若K_f小于1，则属于预报等级。由于传感器为现场采集，可能会因为自身和外界因素出现故障，导致采集的数据可能是无效数据，因此采用传感器多次的数据统计得出安全系数概率m，具体方法为：

根据三组传感器所采集的参数，每组传感器都计算P次稳定系数，假设P＝10，则会得到10组K_f1，K_f2,K_f3；若K_f属于安全等级的次数为p_A次，若K_f属于预警等级的次数为p_B次，若K_f属于预报等级的次数为p_C次，其中p_A、p_B、p_C均小于等于10，则：

安全状态概率：

预警状态概率：

预报状态概率：

分别计算得到三组传感器的安全等级概率：

m_1A、m_1B、m_1C、m_2A、m_2B、m_2C、m_3A、m_3B、m_3C如表1所示：

状态等级	m<sub>1</sub>	m<sub>2</sub>	m<sub>3</sub>
				安全A	0.00	0.01	0.01
预警B	0.01	0.21	0.89
				预报C	0.99	0.78	0.10

根据上述安全等级概率，计算归一化常数K：

式(4)中，d∈U。

步骤S400：利用D-S证据理论算法分别融合得到每个条块的安全系数。

计算安全状态时的组合mass函数：

计算预警状态时的组合mass函数：

计算预报状态时的组合mass函数：

得到安全状态时的信任函数值：

得到预报状态时的信任函数值：

得到预警状态时的信任函数值：

由此可得出该条块处于不稳定的状态，需要进行预报处理，综合所有条块的信任函数值，可判断山体整体或局部的安全状态。

综上所述，本发明采用条分法将山体分为若干个条块，利用传感器实时采集条块中多种数据参数，计算出稳定系数，数据采集及时；再采用D-S证据理论算法融合得出每个条块的安全系数，减少无效数据导致的误报率，提高数据准确性，综合分析出山体的安全状态。本方法相对于传统的预测山体方法，获取的传感器参数多，且将传感器的数据进行融合处理，提高了山体滑坡预警的可靠性、及时性以及准确性。

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。因此，本发明的保护范围应所述以权利要求的保护范围为准。

Claims (6)

1.一种基于多传感器信息融合在山体滑坡中的预测方法，其特征在于：包括以下步骤：

获取多种传感器采集的山体参数；

分别计算每个条块的稳定系数K_f；

分别统计每个条块的安全系数概率m；

利用D-S证据理论算法分别融合得到每个条块的安全系数；

综合所有条块的安全系数，判断山体整体的安全状态。

2.根据权利要求1所述的一种基于多传感器信息融合在山体滑坡中的预测方法，其特征在于：所述获取多种传感器采集的山体参数的步骤，包括：

将山体分为若干个条块，获取设置在每个条块上的N组传感器采集的山体参数；其中每组传感器均包括孔隙水压力传感器、土压力传感器、降雨量传感器、内摩角度传感器、含水量传感器。

3.根据权利要求2所述的一种基于多传感器信息融合在山体滑坡中的预测方法，其特征在于：所述分别计算每个条块的稳定系数K_f的步骤，包括：

根据获取的传感器采集的山体参数，分别计算每个条块中每组传感器的稳定系数：

式(1)中：

T_D＝γ_whLβcos(α-β) (2)

R_D＝γ_whLβsin(α-β) (3)

其中，K_f表示稳定系数；

W表示条块重量(Kn/m)；

C表示条块内聚力(kPa)；

L表示条块带长度(m)；

γ_w表示条块中含水重量(kN/m³)；

r_u表示孔隙水压力比；

φ表示条块内摩擦角度；

α表示条块滑带倾斜角度；

β表示条块地下水流向角度；

h表示条块含水层厚度(m)。

4.根据权利要求3所述的一种基于多传感器信息融合在山体滑坡中的预测方法，其特征在于：所述分别统计每个条块的安全系数概率m的步骤，包括：

将山体的安全状态分为U＝(安全，预警，预报)三个等级，分别用A代表安全，B代表预警，C代表预报；

结合每个条块中N组传感器的稳定系数K_f1，K_f2,...K_fN：若K_f大于1，则属于安全等级；若K_f等于1，则属于预警等级；若K_f小于1，则属于预报等级；

根据N组传感器所采集的参数，计算P次稳定系数K_f1，K_f2,...K_fN，若K_f属于安全等级的次数为p_A次，若K_f属于预警等级的次数为p_B次，若K_f属于预报等级的次数为p_C次，则：

安全状态概率：

预警状态概率：

预报状态概率：

分别计算得到N组传感器的安全等级概率：

m_1A,m_1B,m_1C,m_2A,m_2B,m_2C,...m_NA,m_NB,m_NC；

根据每组传感器的安全等级概率，计算归一化常数K：

式(4)中，d∈U。

5.根据权利要求4所述的一种基于多传感器信息融合在山体滑坡中的预测方法，其特征在于：所述利用D-S证据理论分别融合得到每个条块的安全系数的步骤，包括：

计算安全状态时的组合mass函数：

计算预警状态时的组合mass函数：

计算预报状态时的组合mass函数：

得到安全状态时的信任函数值：

得到预报状态时的信任函数值：

得到预警状态时的信任函数值：

6.根据权利要求5所述的一种基于多传感器信息融合在山体滑坡中的预测方法，其特征在于：所述综合所有条块的安全系数，判断山体整体的安全状态的步骤，包括：

结合所有条块得出的安全信任函数值、预报信任函数值、预警信任函数值，得到山体整体或局部的安全状态。