CN110288700A - 一种岩质边坡结构面自动分组及位移预测方法 - Google Patents

Abstract

本发明的一种岩质边坡结构面自动分组及位移预测方法，包括：通过无人机获取岩质边坡的不同角度的多张图像，对不同角度的多张图像进行集成，构建岩质边坡的三维模型；对岩质边坡的结构面分组；对岩质边坡位移进行预测。本发明基于UAV(Unmanned Aerial Vehicle，无人机)技术提出的一种新型的岩质边坡结构面采集方法，实现了对结构面信息高精度、高效率的获取；同时采用一种新型的分类方法对UAV测量所得的结构面进行分组；最后通过UAV技术和神经网络方法实现了对边坡位移的监测与预测。以解决岩质边坡灾害预警问题。

Description

一种岩质边坡结构面自动分组及位移预测方法

技术领域

本发明属于岩质边坡灾害预警技术领域，涉及一种岩质边坡结构面自动分组及位移预测方法。

背景技术

对边坡进行地质调查以及产状统计对于研究岩质边坡稳定问题具有非常大的意义，传统测量方法测线法、窗口统计法、借助罗盘等工具直接对边坡进行近地测量，但是效率低下，工作量偏大且具有一定的危险性，对于高陡边坡来说，测量人员是无法近距离接近边坡的。三维激光和近景摄影测量作为两种新兴的测量技术，基于三维激光技术对边坡的进行扫描，获取了边坡的三维点云模型，并对结构面信息进行获取，并对边坡结构面进行聚类分组。但也存在一定的局限性，三维激光扫描可以存储海量云点坐标，但是由于设备不便于携带，且花费成本较高，在测量中往往使用的较少，而Shapematrix3D系统测量虽可以采取非接触摄影测量，但是对于测量高陡边坡，由于人工拍摄角度的不确定性，而且拍摄过程中需要在在坡体底部进行标定，具有一定的危险性。岩质边坡是由许多节理面、裂隙面、断层面等各种地质构造切割岩体所形成的非常复杂的结构体系，与土质边坡的构造具有较大的差异，其稳定性不但受制于岩石的强度，更多程度上依赖于边坡结构面的产状，因此对结构面进行统计和分组，得到其分布规律，目前对结构面分组的方法存在较大的误差。

岩质边坡破坏具有一定的突发性，需要对边坡进行实时监测，及时反馈边坡的稳定状况。根据边坡位移的变化规律来准确推演位移信息的变化趋势，能大大减少人力物力的损耗，掌握边坡变形的规律，对超前预测边坡的破坏以及判断边坡的稳定状态具有非常重要的影响。目前虽然监测技术发展得比较快，但监测资料的分析研究还处于待进一步发展的状态。边坡的监测数据虽然多，但是难以与边坡的安全稳定性状态建立直观方便的模型，由于二者之间的相关性的建立是十分复杂和闲难的，因而我们难以通过边坡的监测数据对其安全状况作直接的评判。于理论方法的不足，基于边坡所处的环境的复杂性，并且影响边坡安企稳定性的因素比较多，因此必须在边坡的监测数据反馈分析上加强研究。近年来，随着计算机技术的高速发展，神经网络，遗传算法等也被用于边坡稳定的判别总。关于边坡位移的预报预测方法，一般分为以下几种：1)神经网络与各类算法相结合，包括BP网络和遗传算法，PSO和LSSVM算法，SVM和马尔科夫链。2)考虑边坡位移的模糊性，采用时间序列及其衍生方法关于边坡位移的预测，包括时间序列与灰色系统，时间序列与神经网络，混沌时间序列。3)小波变换和神经网络，包括小波变换和神经网络，小波分析和灰色，这几种类型的方法，各有优缺点，应用上具有一定的局限性。

发明内容

本发明的目的是提供一种岩质边坡结构面自动分组及位移预测方法，以解决岩质边坡灾害预警问题。

本发明提供一种岩质边坡结构面自动分组及位移预测方法，包括如下步骤：

步骤1：通过无人机获取岩质边坡的不同角度的多张图像，对不同角度的多张图像进行集成，构建岩质边坡三维模型；

步骤2：对无人机采集获得的边坡三维模型的结构面信息进行分组；

步骤3：根据边坡结构面的分组和无人机采集的数据对岩质边坡位移进行预测。

本发明的种岩质边坡结构面自动分组及位移预测方法，基于UAV(UnmannedAerial Vehicle，无人机)技术，实现了对结构面信息高精度、高效率的获取；同时采用一种新型的分类方法对UAV测量所得的结构面进行分组，并研究了经分组后不同概率分布的结构面产状分布形式下边坡关键块体的稳定情况；最后通过UAV技术和神经网络方法实现了对边坡位移的监测与预测。对岩质边坡的灾害预警达到很好的效果。

附图说明

图1是本发明的一种岩质边坡结构面自动分组及位移预测方法的流程图；

图2是无人机采集和处理图片的流程图；

图3结构面空间坐标系；

图4a为边坡的三维网络模型图；

图4b位移变化方向图；

图5a监测点连线图；

图5b等高线位移变化图；

图6为ASFA-RSK算法流程图。

具体实施方式

如图1所示本发明的一种岩质边坡结构面自动分组及位移预测方法，包括如下步骤：

步骤1：通过无人机获取岩质边坡的不同角度的多张图像，对不同角度的多张图像进行集成，构建岩质边坡的三维模型，如图2所示，所述步骤1具体包括如下步骤：

步骤1.1：地面进行控制点选取，通过无人机对待测岩质边坡进行多角度拍摄，包括垂直拍摄和倾斜拍摄；

步骤1.2：对岩质边坡的不同角度的多张图像进行集成，进行超高密度点云图像构建，以生成点云模型；

步骤1.3：对点云模型进行纹理修正、精细化处理和去噪处理，获得岩质边坡的三维模型；

步骤1.4：获得边坡结构面点云坐标和出露迹长对结构面产状进行拟合，具体提取的结构面参数包括：倾向、倾角、空间坐标x、空间坐标y、空间坐标z、粘聚力和内摩擦角。

步骤2：对无人机采集获得的边坡三维模型的结构面信息进行分组，所述步骤2具体包括：

步骤2.1：结构面视作无厚度的无限延伸的平面，并用结构面法向量来表示，所述步骤2.1具体为：

用倾角α(0≤α≤90o)和倾向β(0≤β≤360o)表征结构面的空间位置，建立如图3所示的XYZ坐标系，X轴代表正东方向，Y轴代表正北方向，Z轴代表极射球面的正上方，球面半径为1，(n₁、n₂、n₃)为结构面法向量投影在X、Y、Z轴的坐标大小，(n₁、n₂、n₃)为垂直于结构面的法向量，将(n₁、n₂、n₃)的坐标值等效在球面坐标系中，按照投影原理，倾角为α，倾向为β的结构面可由垂直于该结构面的单位法向量n表示，法向量n垂直于结构面，投影在坐标面上表达式为：

则结构面法向量可表示：

n＝(n₁,n₂,n₃)＝(sinαsinβ,sinαcosβ,cosα) (2)。

步骤2.2：将人工鱼群算法与K-Means算法结合，建立AFSA-RSK结构面分类算法，利用鱼群算法对结构面产状聚心集进行搜寻，并通过K-Means算法进行聚类，如图6所示，所述步骤2.2具体为：

1)人工鱼在寻优时，每次移动之后通过评估适应度来确定下一步的行为，当适应度越大，结构面样本中各结构面参数离聚心的距离也就越小，聚类误差也会越小，适应度计算公式为：

式中：k为聚心个数，l为结构面样本个数，||d(c_i-x_j)||²为分组结构面中样本x离聚心c的距离，距离计算公式为：

式中：nc、nj分别为聚心结构面的单位法向量和j结构面的单位法向量。

通过移动方式更改和搜索聚心坐标：

2)初始人工鱼在X_i位置处时在视野Visual中随机移动到X_j处，在假定初始聚心的情况下，人工鱼在结构面样本机视野内随机搜寻，搜寻公式为：

X_j＝X_i+Visual×Rand() (5)

按照上式随机移动后，到达新的位置X_j处，若X_j处结果适应度更大，则向前一步，得到前进公式为：

X^t+1 _i为多次执行觅食行为过程中新聚心的位置；

3)人工鱼在X_i位置处搜索视野内的伙伴数量，计算当前视野内鱼群数目的均值坐标，即为中心坐标值，若中心位置适应度较大，输出中心坐标值，同时按式(7)进行移动，得到新的聚心坐标，并与中心坐标值进行比较，较优的记录下来，中心位置计算方法如式(8)；

式中，X_j为视野内某结构面的坐标，g为伙伴数目，Xcen为鱼群经过聚群得到的结构面新聚心；

4)人工鱼X_i搜索得到适应度最大伙伴X_max，移动方式如式(9)，按照式(7)可以得到新的聚类中心X_next的坐标值，将X_next和X_max中的较优者记录下来：

式中，X_max为视野中最大适应度的个体。

步骤2.3：聚类完成后，对人工鱼群算法的步长和视野进行修正，动态调整聚类过程，所述步骤2.3具体为：

1)采用Xie-Beni指标S_XB、分类熵指标H_m两项指标检验聚类效果，若满足ASFA-RSK算法的两项指标误差均小于K-Means算法的两项指标误差，将结果记录，并继续迭代，超过最大迭代次数输出聚类结果；

2)若不满足就对步长和视野进行修正，步长修正公式和视野修正公式如式(10)，式(12)所示：

Stepmax选为0.16，则相应的改进觅食行为策略为：

随着迭代步长的增加，步长会随着式(11)变化，从而避免迭代过程中跳过最优值；

具体的，视野修正公式为：

式中：V_max选为1，T_max为最大迭代次数。

对鱼群视野进行修正，建立视野随迭代次数动态的变化过程函数，有利于寻优精度的提升和运算速度的加快。

步骤2.4：修正视野与步长后，每执行一步与前步结果进行比较，并将两者间误差较小的值记录下来，达到最大迭代次数后，输出记录的最优结果，并与K-Means算法计算结果比较，若优于K-Means算法计算结果，则输出结果；否则，再次修改步长，重新迭代，超过最大迭代次数后输出结果。

步骤3：根据边坡结构面的分组和无人机采集的数据对岩质边坡位移进行预测，所述步骤3具体为：

步骤3.1：位移数据获取，采用无人机对边坡位移进行实时监测，获得一段时间内的边坡位移序列，所述步骤3.1具体为：

对位移方向进行预判，将坡体点云坐标大致移动方向进行统计，在如图4a所示的三维网络模型上用箭头标出位移变化方向，如图4b所示。连接监测点位置，对应得到等高线位置上两监测点连线的点云坐标变化情况，继而得到坡体连线上各点位移点云变化值，如图5a和5b所示。位移计算步骤如下：

1)根据测点进行分组，N个测点对应N个分组，监测标定盘的直径为d，计算标定盘附近点的坐标S，若点K与间距S之间间距小于d，则S、K同为一组；

2)对其他组数据采取与1)相同的计算方式，计算完毕得到N组点云数据；

3)对经建模得到的点云数据进行均值计算，得到中心点的坐标，令中心坐标为Scen(X,Y,Z)，并作为该分组的最终坐标值，以中心坐标Scen(X,Y,Z)的变化代表该测点的位置变化，中心坐标Scen(X,Y,Z)计算方法如下式所示：

则每一次测量间隔内，位移变化S为：

其中，t代表测量次数，两次测量的位移变化值为S(t)。

步骤3.2：将人工鱼群算法与Elman网络相结合，建立改进AFSA-Elman边坡位移预测网络，利用改进AFSA-Elman边坡位移预测网络对边坡位移序列进行预测，步骤3.2具体为：

1)利用人工鱼群算法对Elman网络进行改造，鱼群算法寻找的是群体中最优的个体，即食物浓度最大的位置，即误差最小的位置，令网络适应度函数为：

式中：G代表权值变化中适应度最大的位置，Q为网络期望输出与实际输出的误差；

2)选取四层Elman网络，令r为输入层神经元个数，m为隐含层神经元个数，t为承接层神经元个数，任意选取两条人工鱼Rm和Rx，考虑权值变化，利用各层神经元来计算各层连接之间输入与输出的欧氏距离，任意两条人工鱼Rm和Rx之间的距离为：

式(16)中w_ij为i层隐含层神经元和j层输入层神经元权值，L_gi为g层承接层神经元和i层隐含层权值，V_kg为输入层k层神经元和g层承接层神经元权值，w_i0为隐含层神经元阈值，w_g0为承接层神经元阈值，w_k0为输出层神经元阈值；借鉴粒子群算法中粒子运动时粒子更新速度，对鱼群引入鱼群游速ω，使得AFSA更接近真实鱼群活动过程。

3)对网络进行训练，随机指定某条人工鱼状态为Rm，在鱼群视野范围内随机寻找另一个人工鱼，改变权值变化，令其状态为Rx，若该处食物浓度较大，误差计算，即Gx>Gm，则执行觅食行为，反之，向任意方向进行随机移动，网络权值和阈值被改变，移动公式为：

L_gi、V_kg、w_i0、w_g0、w_k0觅食行为与上述w_ij方式一致，式(17)中step为人工鱼移动步长，Random为(0～1)中随机一个数；T_max为最大迭代次数，w_ij(m)、w_ij(m+1)分别为人工鱼当前状态和进行移动后的下一步状态；

4)状态为Rm的人工鱼视野中，视野内人工鱼集合可表示为：

S_c＝{R_m|d_m,x≤Visual} (18)

式(18)中Visual代表着人工鱼群的视野，即为权值的变换集合，Sc为人工鱼集合，即网络集合；若S_c≠φ，则在集合内部寻找在中心处的人工鱼，搜寻公式为：

式(19)中L_gi、V_kg、w_i0、w_g0、w_k0为鱼群中初始个体移动权值；

5)视野中鱼群扫描完全后，根据下式计算得视野中人工鱼中心参数：

式(20)中f为视野内搜索得人工鱼个数，执行聚群移动策略，移动方式如(21)式所示：

若人工鱼L_gi、V_kg、w_i0、w_g0、w_k0执行前述觅食行为，移动方式与w_ij一致；

6)人工鱼视野中寻找Xmax，之后执行追尾移动策略，如(22)式所示

式中，W_ij(max)为视野浓度最大处个体，其它层移动方式与w_ij保持一致。

步骤3.3：对AFSA-Elman边坡位移预测网络中的迭代步长进行修正，所述步骤3.3具体为：

防止迭代过程中跳过最优解，将迭代步长进行修改，公式如式(23)所示：

式中T_max为最大迭代次数、t为迭代次数，设置最大迭代次数为200，Step_max、Step_mean为最大迭代步长和平均迭代步长。

以上所述仅为本发明的较佳实施例，并不用以限制本发明的思想，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 (10)

1.一种岩质边坡结构面自动分组及位移预测方法，其特征在于，包括如下步骤：

步骤1：通过无人机获取岩质边坡的不同角度的多张图像，对不同角度的多张图像进行集成，构建岩质边坡三维模型；

步骤2：对无人机采集获得的边坡三维模型的结构面信息进行分组；

步骤3：根据边坡结构面的分组和无人机采集的数据对岩质边坡位移进行预测。

2.如权利要求1所述的岩质边坡结构面自动分组及位移预测方法，其特征在于，所述步骤1具体包括：

步骤1.1：地面进行控制点选取，通过无人机对待测岩质边坡进行多角度拍摄；

步骤1.2：对岩质边坡的不同角度的多张图像进行集成，进行超高密度点云图像构建，以生成点云模型；

步骤1.3：对点云模型进行纹理修正、精细化处理和去噪处理，获得岩质边坡三维模型；

步骤1.4：获得边坡结构面点云坐标和出露迹长，对结构面产状进行拟合。

3.如权利要求1所述的岩质边坡结构面自动分组及位移预测方法，其特征在于，所述步骤2具体包括：

步骤2.1：结构面视作无厚度的无限延伸的平面，并用结构面法向量来表示；

步骤2.2：将人工鱼群算法与K-Means算法结合，建立AFSA-RSK结构面分类算法，利用鱼群算法对结构面产状聚心集进行搜寻，并通过K-Means算法进行聚类；

步骤2.3：聚类完成后，对人工鱼群算法的步长和视野进行修正，动态调整聚类过程；

步骤2.4：修正视野与步长后，每执行一步与前步结果进行比较，并将两者间误差较小的值记录下来，达到最大迭代次数后，输出记录的最优结果，并与K-Means算法计算结果比较，若优于K-Means算法计算结果，则输出结果；否则，再次修改步长，重新迭代，超过最大迭代次数后输出结果。

4.如权利要求3所述的岩质边坡结构面自动分组及位移预测方法，其特征在于，所述步骤2.1具体为：

用倾角α(0≤α≤90°)和倾向β(0≤β≤360°)表征结构面的空间位置，建立XYZ坐标系，X轴代表正东方向，Y轴代表正北方向，Z轴代表极射球面的正上方，球面半径为1，(n₁、n₂、n₃)为结构面法向量投影在X、Y、Z轴的坐标大小，(n₁、n₂、n₃)为垂直于结构面的法向量，将(n₁、n₂、n₃)的坐标值等效在球面坐标系中，按照投影原理，倾角为α，倾向为β的结构面可由垂直于该结构面的单位法向量n表示，法向量n垂直于结构面，投影在坐标面上表达式为：

则结构面法向量可表示：

n＝(n₁,n₂,n₃)＝(sinαsinβ,sinαcosβ,cosα) (2)。

5.如权利要求3所述的岩质边坡结构面自动分组及位移预测方法，其特征在于，所述步骤2.2具体为：

1)人工鱼在寻优时，每次移动之后通过评估适应度来确定下一步的行为，当适应度越大，结构面样本中各结构面参数离聚心的距离也就越小，聚类误差也会越小，适应度计算公式为：

式中：k为聚心个数，l为结构面样本个数，||d(c_i-x_j)||²为分组结构面中样本x离聚心c的距离，距离计算公式为：

式中：n_c、n_j分别为聚心结构面的单位法向量和j结构面的单位法向量；

2)初始人工鱼在X_i位置处时在视野Visual中随机移动到X_j处，在假定初始聚心的情况下，人工鱼在结构面样本机视野内随机搜寻，搜寻公式为：

X_j＝X_i+Visual×Rand() (5)

按照上式随机移动后，到达新的位置X_j处，若X_j处结果适应度更大，则向前一步，得到前进公式为：

X^t+1 _i为多次执行觅食行为过程中新聚心的位置；

3)人工鱼在X_i位置处搜索视野内的伙伴数量，计算当前视野内鱼群数目的均值坐标，即为中心坐标值，若中心位置适应度较大，输出中心坐标值，同时按式(7)进行移动，得到新的聚心坐标，并与中心坐标值进行比较，较优的记录下来，中心位置计算方法如式(8)；

式中，X_j为视野内某结构面的坐标，g为伙伴数目，Xcen为鱼群经过聚群得到的结构面新聚心；

4)人工鱼X_i搜索得到适应度最大伙伴X_max，移动方式如式(9)，按照式(7)可以得到新的聚类中心X_next的坐标值，将X_next和X_max中的较优者记录下来：

式中，X_max为视野中最大适应度的个体。

6.如权利要求3所述的岩质边坡结构面自动分组及位移预测方法，其特征在于，所述步骤2.3具体为：

1)采用Xie-Beni指标S_XB、分类熵指标H_m两项指标检验聚类效果，若满足ASFA-RSK算法的两项指标误差均小于K-Means算法的两项指标误差，将结果记录，并继续迭代，超过最大迭代次数输出聚类结果；

2)若不满足就对步长和视野进行修正，步长修正公式和视野修正公式如式(10)，式(12)所示：

Stepmax选为0.16，则相应的改进觅食行为策略为：

随着迭代步长的增加，步长会随着式(11)变化，从而避免迭代过程中跳过最优值；

视野修正公式：

式中：V_max选为1，T_max为最大迭代次数。

7.如权利要求1所述的岩质边坡结构面自动分组及位移预测方法，其特征在于，所述步骤3具体为：

步骤3.1：采用无人机对边坡位移进行实时监测，获得一段时间内的边坡位移序列；

步骤3.2：将人工鱼群算法与Elman网络相结合，建立改进的AFSA-Elman边坡位移预测网络，利用改进的AFSA-Elman边坡位移预测网络对边坡位移序列进行预测；

步骤3.3：对AFSA-Elman边坡位移预测网络中的迭代步长进行修正。

8.如权利要求7所述的岩质边坡结构面自动分组及位移预测方法，其特征在于，所述步骤3.1具体为：

对位移方向进行预判，将坡体点云坐标大致移动方向进行统计，用箭头标出；连接测点位置，对应得到等高线位置上两测点连线的点云坐标变化情况，继而得到坡体连线上各点位移点云变化值，位移计算步骤如下：

1)根据测点进行分组，N个测点对应N个分组，监测标定盘的直径为d，计算标定盘附近点的坐标S，若点K与间距S之间间距小于d，则S、K同为一组；

2)对其他组数据采取与1)相同的计算方式，计算完毕得到N组点云数据；

3)对经建模得到的点云数据进行均值计算，得到中心点的坐标，令中心坐标为Scen(X,Y,Z)，并作为该分组的最终坐标值，以中心坐标Scen(X,Y,Z)的变化代表该测点的位置变化，中心坐标Scen(X,Y,Z)计算方法如下式所示：

则每一次测量间隔内，位移变化S为：

其中，t代表测量次数，两次测量的位移变化值为S(t)。

9.如权利要求8所述的岩质边坡结构面自动分组及位移预测方法，其特征在于，所述步骤3.2具体为：

1)利用人工鱼群算法对Elman网络进行改造，鱼群算法寻找的是群体中最优的个体，即食物浓度最大的位置，即误差最小的位置，令网络适应度函数为：

式中：G代表权值变化中适应度最大的位置，Q为网络期望输出与实际输出的误差；

2)选取四层Elman网络，令r为输入层神经元个数，m为隐含层神经元个数，t为承接层神经元个数，任意选取两条人工鱼Rm和Rx，考虑权值变化，利用各层神经元来计算各层连接之间输入与输出的欧氏距离，任意两条人工鱼Rm和Rx之间的距离为：

式(16)中w_ij为i层隐含层神经元和j层输入层神经元权值，L_gi为g层承接层神经元和i层隐含层权值，V_kg为输入层k层神经元和g层承接层神经元权值，w_i0为隐含层神经元阈值，w_g0为承接层神经元阈值，w_k0为输出层神经元阈值；

3)对网络进行训练，随机指定某条人工鱼状态为Rm，在鱼群视野范围内随机寻找另一个人工鱼，改变权值变化，令其状态为Rx，若该处食物浓度较大，误差计算，即Gx>Gm，则执行觅食行为，反之，向任意方向进行随机移动，网络权值和阈值被改变，移动公式为：

L_gi、V_kg、w_i0、w_g0、w_k0觅食行为与上述w_ij方式一致，式(17)中step为人工鱼移动步长，Random为(0～1)中随机一个数；T_max为最大迭代次数，w_ij(m)、w_ij(m+1)分别为人工鱼当前状态和进行移动后的下一步状态；

4)状态为Rm的人工鱼视野中，视野内人工鱼集合可表示为：

S_c＝{R_md_m,x≤Visual}(18)

式(18)中Visual代表着人工鱼群的视野，即为权值的变换集合，Sc为人工鱼集合，即网络集合；若S_c≠φ，则在集合内部寻找在中心处的人工鱼，搜寻公式为：

5)视野中鱼群扫描完全后，根据下式计算得视野中人工鱼中心参数：

式(20)中f为视野内搜索得人工鱼个数，执行聚群移动策略，移动方式如(21)式所示：

若人工鱼的L_gi、V_kg、w_i0、w_g0、w_k0执行前述觅食行为，移动方式与w_ij一致；

6)人工鱼视野中寻找Xmax，之后执行追尾移动策略，如(22)式所示

式中，W_ij(max)为视野浓度最大处个体，其它层移动方式与w_ij保持一致。

10.如权利要求8所述的岩质边坡结构面自动分组及位移预测方法，其特征在于，所述步骤3.3具体为：

防止迭代过程中跳过最优解，将迭代步长进行修改，公式如式(23)所示：

式中T_max为最大迭代次数、t为迭代次数，设置最大迭代次数为200，Step_max、Step_mean为最大迭代步长和平均迭代步长。