CN110516875B - 一种滑塌事故分析模型构建及滑塌事故预警方法、系统 - Google Patents

一种滑塌事故分析模型构建及滑塌事故预警方法、系统 Download PDF

Info

Publication number
CN110516875B
CN110516875B CN201910801736.1A CN201910801736A CN110516875B CN 110516875 B CN110516875 B CN 110516875B CN 201910801736 A CN201910801736 A CN 201910801736A CN 110516875 B CN110516875 B CN 110516875B
Authority
CN
China
Prior art keywords
accident
slumping
slump
analysis model
characteristic
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
CN201910801736.1A
Other languages
English (en)
Other versions
CN110516875A (zh
Inventor
何文
林凤翻
赵奎
李深海
徐学华
聂闻
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.)
Jiangxi University of Science and Technology
Original Assignee
Jiangxi University of Science and Technology
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 Jiangxi University of Science and Technology filed Critical Jiangxi University of Science and Technology
Priority to CN201910801736.1A priority Critical patent/CN110516875B/zh
Publication of CN110516875A publication Critical patent/CN110516875A/zh
Application granted granted Critical
Publication of CN110516875B publication Critical patent/CN110516875B/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
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2134—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on separation criteria, e.g. independent component analysis
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Game Theory and Decision Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Educational Administration (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Alarm Systems (AREA)

Abstract

本发明提供了一种滑塌事故分析模型构建及滑塌事故预警方法、系统，该滑塌事故分析模型构建方法包括：获取各预设区域的历史滑塌监测数据；从历史滑塌监测数据中提取与各滑塌事故有关的至少一特征次声波信号；根据各特征次声波信号与滑塌事故的各个发展阶段的对应关系建立滑塌事故分析模型。通过分析容易发生滑塌事故的松散堆积体运行时产生的次声波信号，来确定特征次声波信号的时变特征，进而确定其与松散堆积体滑塌事故的各个发展阶段的对应关系，建立滑塌事故分析模型，此模型可以直观的反映滑塌事故的各个发展阶段与时变特征的关系，为后续松散堆积体滑塌事故的监测与预警提供依据。

Description

一种滑塌事故分析模型构建及滑塌事故预警方法、系统
技术领域
本发明涉及矿山安全领域，具体涉及一种滑塌事故分析模型构建及滑塌事故预警方法、系统。
背景技术
如今，矿山工程建设形成的松散堆积体的数量和规模都在逐年增加。容易发生滑塌事故的松散堆积体的滑塌事故，比如排土场的滑塌事故，一旦发生，往往造成群死群伤和大面积环境破坏的恶性事故，因此如何能够实现对排土场等容易发生滑塌事故的松散堆积体的滑塌事故进行有效的监测和预警显得尤为重要。
次声波是频率为0-20Hz的声波，由于次声波在传播时衰减小、穿透力强、传播距离远，因此次声波广泛应用于地震、火山喷发、泥石流等灾害的监测。松散堆积体内部松散介质之间出现相对滑动，产生微小变形逐步积累形成宏观变形是松散堆积体出现滑移失稳的根本原因，在此过程中，松散介质相互挤压、碰撞和摩擦必然会产生大量的次声波信号，因而，如何利用这些次声波信号实现对松散堆积体滑塌事故的监测预警具有重要意义。
发明内容
有鉴于此，本发明实施例提供了一种滑塌事故分析模型构建及滑塌事故预警方法、系统，以解决现有技术中缺乏利用次声波信号对排土场等容易发生滑塌事故的松散堆积体滑塌事故进行监测，实现对松散堆积体滑塌事故的监测与预警。
根据第一方面，本发明实施例提供了一种滑塌事故分析模型构建方法，包括：获取各预设区域的历史滑塌监测数据；从所述历史滑塌监测数据中提取与各滑塌事故有关的至少一特征次声波信号；根据各所述特征次声波信号与所述滑塌事故的各个发展阶段的对应关系建立滑塌事故分析模型。
可选地，所述历史滑塌监测数据，包括：所述预设区域产生的次声波信号和所述滑塌事故的各个发展阶段的时间信息。
可选地，所述从所述历史滑塌监测数据中提取与滑塌事故有关的至少一特征次声波信号，包括：获取所述预设区域产生的次声波信号；采用集合经验模态分解方法对所述次声波信号进行分解，得到多个本征模态分量；根据所述滑塌事故的各个发展阶段的时间信息对各所述本征模态分量进行筛选，得到与滑塌事故有关的至少一特征次声波信号。
可选地，所述根据各所述特征次声波信号与所述滑塌事故的各个发展阶段的对应关系建立滑塌事故分析模型，包括：根据所述特征次声波信号，确定各预设特征参数在各所述滑塌事故的各个发展阶段的变化曲线；根据所述变化曲线得到所述预设特征参数的时变特征；根据所述时变特征建立所述滑塌事故分析模型。
可选地，所述根据所述时变特征建立所述滑塌事故分析模型，包括：确定各所述滑塌事故的各个发展阶段；根据所述时变特征与各所述滑塌事故的各个发展阶段的对应关系建立所述滑塌事故分析模型。
根据第二方面，本发明实施例提供了一种滑塌事故预警方法，包括：采集待监测区域的至少一特征次声波信号；采用本发明第一方面及任意一种可选方式所述的滑塌事故分析模型构建方法建立的滑塌事故分析模型，对各所述次声波信号进行滑塌事故风险评估，生成所述待监测区域的预警结果。
根据第三方面，本发明实施例提供了一种滑塌事故分析模型构建系统，包括：获取模块，用于获取各预设区域的历史滑塌监测数据；特征次声波信号筛选模块，用于从所述历史滑塌监测数据中提取与各滑塌事故有关的至少一特征次声波信号；滑塌事故分析模型构建模块，用于根据各所述特征次声波信号与所述滑塌事故的各个发展阶段的对应关系建立滑塌事故分析模型。
根据第四方面，本发明实施例提供了一种滑塌事故预警系统，包括：采集模块，用于采集待监测区域的至少一特征次声波信号；预警模块，用于采用本发明第三方面及任意一种可选方式的滑塌事故分析模型构建系统建立的滑塌事故分析模型，对各所述次声波信号进行滑塌事故风险评估，生成所述待监测区域的预警结果。
本发明实施例提供了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令被处理器执行时实现本发明第一方面及任意一种可选方式所述的滑塌事故分析模型构建方法，或者，实现本发明第二方面及任意一种可选方式所述的滑塌事故预警方法。
本发明实施例提供了一种电子设备，包括：存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器中存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行本发明第一方面及任意一种可选方式所述的滑塌事故分析模型构建方法，或者，执行本发明第二方面及任意一种可选方式所述的滑塌事故预警方法。
本发明技术方案，具有如下优点：
1.本发明实施例提供了一种滑塌事故分析模型构建方法，通过分析容易发生滑塌事故的松散堆积体运行时产生的特征次声波信号，来确定特征次声波信号的时变特征，并确定与滑塌事故的各个发展阶段的对应关系，建立滑塌事故分析模型，此模型可以直观的反映滑塌事故的各个发展阶段与时变特征的关系，为后续滑塌事故的监测与预警提供依据。
2.本发明实施例提供了一种滑塌事故预警方法，通过滑塌事故分析模型对滑塌事故进行监测与预警，利用该模型中滑塌事故的各个发展阶段与时变特征的关系对待检测区域进行滑塌事故的预警，从而实现了对滑塌事故的预警，提高监测的精准度，且监测方法操作简单易行、数据分析简单，可以实现全天候自动监测对于提升松散堆积体的实时监测水平、降低松散堆积体滑塌事故的发生概率具有重大意义。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，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的附图。
图1为本发明实施例中滑塌事故分析模型构建方法的流程图；
图2为本发明实施例中排土场次声波信号监测系统的示意图；
图3A-F分别为本发明实施例中次声波信号IMF1-6分量时域波形图；
图4为本发明实施例中特征次声波信号的幅值时变特征图；
图5为本发明实施例中特征次声波信号的能量时变特征图；
图6为本发明实施例中特征次声波信号的b值时变特征图；
图7为本发明实施例中滑塌事故预警方法的流程图；
图8为本发明实施例中滑塌事故分析模型构建系统的示意图；
图9为本发明实施例中滑塌事故预警系统的示意图；
图10为本发明实施例中的电子设备的结构示意图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动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。
此外，下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
对于排土场等由于存放有松散堆积体而容易发生滑塌事故的场所进行滑塌事故的监测是非常有必要的，以排土场为例，在现有技术中，在排土场滑塌监测技术方面的研究非常少，更多是以边坡滑坡监测技术为基础，其中，边坡滑坡监测技术主要有大地测量法、声发射方法、GPS变形监测技术、光纤传感检测技术和卫星遥测技术等对排土场滑塌进行检测。排土场内部松散介质之间出现相对滑动，产生微小变形逐步积累形成宏观变形是排土场出现滑移失稳的根本原因，在此过程中会产生大量的次声波信号，并且由于次声波在传播时衰减小、穿透力强、传播距离远等特点，因此根据次声波信号的变化实现对排土场等这类松散堆积体滑塌的监测预警是有现实意义的。
本发明实施例提供了一种滑塌事故分析模型构建方法，如图1所示，该滑塌事故分析模型构建方法具体包括：
步骤S1：获取各预设区域的历史滑塌监测数据。在实际应用中，该历史滑塌监测数据包括各个预设区域的排土场在过去的某一时间段内所产生的次声波信号和滑塌事故的各个发展阶段的时间信息。其中，在本发明实施例中，排土场发生滑塌事故的各个发展阶段时间信息具体包括：排土场滑塌事故初期阶段(例如发生时间为0-48s)、排土场局部滑塌阶段(例如发生时间为48-89s)及排土场整体滑塌阶段(例如发生时间为89-96s)。
步骤S2：从历史滑塌监测数据中提取与各滑塌事故有关的至少一特征次声波信号。在实际应用中，在排土场的历史滑塌监测数据中包含有大量的次声波信号，在发生滑塌事故时会产生一些与排土场正常运行时差异较大的次声波信号，这些次声波信号为滑塌事故所特有的次声波信号，即为上述与滑塌事故有关的特征次声波信号，通过对这些特征次声波信号的提取，为后续对滑塌事故的分析提供数据基础。
具体地，在一实施例中，上述的步骤S2中，具体包括如下步骤：
步骤S21：获取预设排土场产生的次声波信号。在实际应用中，在获取该排土场产生的次声波信号之前，首先要确定排土场监测点的位置，也就是在排土场附近选择不受排土作业影响、稳固和平坦的位置作为监测点的位置，然后在监测点处构建排土场次声波信号监测系统，并利用该排土场次声波信号监测系统对上述的次声波信号进行采集。如图2所示，该系统主要包括次声波传感器1、数字化采集传输仪2、供电装置3和终端设备4。
其中，次声波传感器1用于采集排土场运行时产生的次声波信号，此次声波传感器1与数字化传输仪2相连，再通过有线的方式将次声波传感器1采集到的次声波信号传输到终端设备4，供电装置3负责给上述设备供电，本发明实施例中此终端设备4设定为常见的电脑或服务器，但在实际应用中也可选用其他终端设备，本发明不以此为限。
步骤S22：采用集合经验模态分解方法对次声波信号进行分解，得到多个本征模态分量。当排土场出现不同程度的变形，介质之间的挤压、碰撞和摩擦都会释放出不同强度的能量，使得次声波信号的波形发生变化，可以采用集合经验模态分解(Ensemble EmpiricalMode Decomposition，简称EEMD)方法将原始次声波信号分解成多个本征模态(IntrinsicMode Function，简称IMF)分量。
具体地，以一组排土场发生滑塌事故时产生的次声波信号为例，该次声波信号经过EEMD方法处理之后，得到16个IMF分量，在实际应用中，对上述的这16个IMF分量进行筛选，得到预先设定频率范围(例如0-20Hz)内的信号，在本发明实施例中，以经过筛选后得到6个分量的信号集为例进行说明。这6个分量的时域波形图如图3所示，图3A-图3F分别为IMF1、IMF2、IMF3、IMF4、IMF5和IMF6的时域波形图。
步骤S23：根据滑塌事故的各个发展阶段的时间信息对各本征模态分量进行筛选，得到与滑塌事故有关的至少一特征次声波信号。在实际应用中，可以根据各个IMF分量的波形出现显著变化(信号幅值迅速增加)的时刻与排土场形态发生改变(局部滑塌或整体滑塌)的时间点是否一致来确定哪些IMF分量是排土场发生滑塌事故时产生的特征次声波信号，或者也可以根据各个IMF分量的幅值是否在排土场正常运行时该IMF分量的正常幅值范围内的方式，来确定该IMF分量是否为与滑塌事故有关的特征次声波信号，本发明并不以此为限。
具体地，从图3可以发现，IMF1、IMF2、IMF3和IMF4分量的幅值变化平稳，在一定的区间内波动，整体变化不大，趋于稳定；IMF6分量的幅值变化快速，在整个试验过程中幅值变化不规律；IMF5分量的幅值变化表现出明显的规律性，总体上幅值随时间的推移呈现逐渐增加的趋势，并且在某个时间点也就是在图3E中的第89s时发生突变达到幅值峰值，之后幅值恢复正常水平。由于IMF5分量幅值的发生突变的时间点与排土场出现滑坡的时间点高度一致，因此，将IMF5分量确定为排土场滑坡时产生的特征次声波信号。
需要说明的是，上述的预设区域是容易发生滑塌事故松散堆积体即可，在本发明实施例中是以一排土场滑塌事故为例进行说明，在实际应用中，也可以是其他容易发生滑塌事故的场所，本发明不以此为限。
步骤S3：根据特征次声波信号与滑塌事故的各个发展阶段的对应关系建立滑塌事故分析模型。该滑塌事故分析模型可以直观的反映滑塌事故的各个发展阶段与时变特征的关系，为后续滑塌事故的监测与预警提供依据，有利于实现滑塌事故的监测与预警。
具体地，在一实施例中，上述的步骤S3中，具体包括如下步骤：
步骤S31：根据特征次声波信号，确定各预设特征参数在各滑塌事故的各个发展阶段的变化曲线。在本发明实施例中预设特征参数可以从该特征次声波信号随时间的变化曲线中获取，例如：可以包括该特征次声波信号在每个时刻的平均幅值、能量和b值等，需要说明的是，在实际应用中，本领域技术人员也可选用其他预设参数，只要能通过这些预设参数能够达到滑塌事故的预测效果，实现对排土场的滑塌监测与预警即可，本发明并不以此为限。
步骤S32：根据变化曲线得到预设特征参数的时变特征。上述时变特征是通过各预设参数随时间的变化曲线得出的各预设参数在不同时刻该预设参数的变化程度特征。
步骤S33：根据时变特征建立滑塌事故分析模型。
具体地，在一实施例中，上述的步骤S33中，具体包括如下步骤：
步骤S331：确定各滑塌事故的各个发展阶段。本发明实施例根据排土场发生滑塌事故时的形态变化程度将滑塌事故发展阶段分为滑塌事故初期阶段、局部滑塌阶段及整体滑塌阶段。
步骤S332：根据时变特征与各滑塌事故的各个发展阶段的对应关系建立滑塌事故分析模型。该预设特征参数可以根据需要设定，本发明实施例中预设特征参数包括平均幅值、能量和b值。
其中，平均幅值的大小与次声波信号源的强度息息相关，幅值是信号源强度的外在表征；信号能量的大小间接反映了碎石之间发生挤压、碰撞、摩擦乃至破裂等现象的频率和强度；b值最早是地震研究领域中用于表征震级与频度关系的参数，b值的变化特征体现了材料内部裂纹发展的演化特征。具体地，基于次声波信号的平均幅值、能量和b值的时变特征与上述滑塌事故的各个发展阶段的对应关系建立滑塌事故分析模型，其中，还以上述一局部排土场滑塌事故为例进行详细说明，但本发明不以此为限。
在本发明实施例中，监测到的特征次声波信号的幅值时变特征如图4所示，在滑塌事故初期阶段，幅值在一个相对恒定的范围内波动，大小为0-0.2之间的低幅值占大多数，原因是此时排土场处于一个相对稳定的状态，碎石之间的相互挤压、碰撞、摩擦等现象的强度低，次数少，释放的能量较小；随着时间的推移，信号的幅值逐渐变大，其中处于0.2-0.4的幅值的数量明显增加，原因是这个时候排土场已经进入局部滑塌阶段，碎石之间相互挤压、碰撞、摩擦等现象强度增大，次数增加；到了整体滑塌阶段，信号的幅值出现跳跃式增长，信号幅值的峰值开始出现，原因是该阶段排土场出现整体滑塌，使得碎石之间产生大量高强度的相互挤压、碰撞、摩擦等现象，激发出大幅值的信号；在再稳定阶段，信号的幅值迅速降低并恢复到滑坡之前的水平，原因是此时排土场的变形、位移等活动强度降低，碎石之间相互挤压、碰撞、摩擦等现象的强度和次数较少，排土场再次处于相对稳定状态。
在本发明实施例中，监测到的特征次声波信号的能量时变特征如图5所示，在滑塌事故初期阶段，排土场的形态没有发生明显的变化，能量计数率较小，中等、大数值的能量计数率的个数少，能量总计数曲线的斜率无明显变化，主要是因为此时碎石之间发生挤压、碰撞、摩擦乃至破裂等现象的次数少，强度低；随着时间的推移，能量计数率增加，中等、大数值的能量计数率的个数开始增加，能量总计数曲线的斜率在个别时刻发生跳跃，说明此时碎石之间发生挤压、碰撞、摩擦乃至破裂等现象的次数开始增加，强度变大，少量或个别碎石可能开始运动，形成坡体局部滑塌；当时间到了滑塌时刻，能量计数率表现出骤然增加并达到峰值的特征，能量总计数曲线的斜率明显变大，这是由于排土场发生整体滑塌，碎石之间频繁发生高强度的挤压、碰撞、摩擦乃至破裂现象。
在本发明实施例中，监测到的特征次声波信号的b值时变特征如图6所示，b值与幅值显著负相关。幅值较小的时刻，b值较大，幅值较大的时刻，b值较小，在幅值最大的时刻，b值最小。在滑塌事故初期阶段，小b值的数量较少，大b值的数量较多，说明该阶段排土场内部主要以微小变形为主，碎石之间发生挤压、碰撞、摩擦乃至破裂等现象的强度低，激发出的信号以小幅值信号为主；在局部滑塌阶段，小b值的数量显著增加，说明该阶段碎石之间发生挤压、碰撞、摩擦乃至破裂等现象的强度增大，大幅值信号的比例上升；排土场变形量不断累积在整体滑移阶段超过临界值，使得排土场发生滑移破坏，该阶段的b值最小，说明该阶段碎石之间发生挤压、碰撞、摩擦乃至破裂等现象的强度最大，激发出的信号以大幅值信号为主。用最小二乘法对b值做直线拟合，研究b值在整个过程中的变化趋势。从图6可以发现从试验开始到排土场开始滑坡，b值的总体趋势是在不断地下降并在滑移失稳时刻达到最小值，说明排土场由微小变形产生、积累阶段不断向宏观变形形成阶段发展，最后在b值最小的时刻，坡体变形超过临界值使得排土场发生滑塌。
综上，在排土场滑塌的不同阶段，本发明实施例中的特征次声波信号的幅值、能量和b值具备不同的特征，其中又以整体滑塌阶段的变化特征最为明显。排土场发生整体滑塌时，信号的幅值最大，信号能量出现跳跃式增加的时刻就是排土场发生整体滑移的时刻，b值的总体趋势是在不断地下降并在排土场发生整体滑塌时达到最小值。当信号的幅值突变增加、能量出现跳跃式增加以及小b值数量增加且b值越来越小的时刻就是要发生滑塌的时刻。
通过上述步骤S1至步骤S3，本发明实施例提供了一种滑塌事故分析模型构建方法，通过分析容易发生滑塌事故的松散堆积体运行时产生的特征次声波信号，来确定特征次声波信号的时变特征，并确定与滑塌事故的各个发展阶段的对应关系，建立滑塌事故分析模型，此模型可以直观的反映滑塌事故的各个发展阶段与时变特征的关系，为后续滑塌事故的监测与预警提供依据。
本发明实施例还提供了一种滑塌事故预警方法，如图7所示，该滑塌事故预警方法具体包括：
步骤S201：采集待监测区域的至少一特征次声波信号。
步骤S202：采用滑塌事故分析模型构建方法建立的滑塌事故分析模型，对各次声波信号进行滑塌事故风险评估，生成待监测区域的预警结果。
通过上述步骤S201至步骤S202，本发明实施例提供了一种滑塌事故预警方法，通过滑塌事故分析模型对滑塌事故进行监测与预警，利用该模型中滑塌事故的各个发展阶段与时变特征的关系对待检测区域进行滑塌事故的预警，从而实现了对滑塌事故的预警，提高监测的精准度，且监测方法操作简单易行、数据分析简单，可以实现全天候自动监测对于提升松散堆积体生产过程的实时监测水平、降低松散堆积体滑塌事故的发生概率具有重大意义。
本发明实施例还提供了一种滑塌事故分析模型构建系统，如图8所示，包括：
获取模块1，用于获取各预设区域的历史滑塌监测数据。详细内容参见上述方法实施例中步骤S1的相关描述。
特征次声波信号筛选模块2，用于从历史滑塌监测数据中提取与各滑塌事故有关的至少一特征次声波信号。详细内容参见上述方法实施例中步骤S2的相关描述。
滑塌事故分析模型构建模块3，用于根据各特征次声波信号与滑塌事故的各个发展阶段的对应关系建立滑塌事故分析模型。详细内容参见上述方法实施例中步骤S3的相关描述。
通过上述各个组成部分的协同合作，本发明实施例提供了一种滑塌事故分析模型构建系统，通过分析容易发生滑塌事故的松散堆积体运行时产生的特征次声波信号，来确定特征次声波信号的时变特征，确定与滑塌事故的各个发展阶段的对应关系，建立滑塌事故分析模型，此模型可以直观的反映滑塌事故的各个发展阶段与时变特征的关系，为后续滑塌事故的监测与预警提供依据。
本发明实施例还提供了一种滑塌事故预警系统，如图9所示，包括：
采集模块11，用于采集待监测区域的至少一特征次声波信号。详细内容参见上述方法实施例中步骤S201的相关描述。
预警模块12，用于采用滑塌事故预警方法，对各次声波信号进行滑塌事故风险评估，生成待监测区域的预警结果。详细内容参见上述方法实施例中步骤S202的相关描述。
通过上述各个组成部分的协同合作，本发明实施例提供了一种滑塌事故预警系统，通过滑塌事故分析模型对滑塌事故进行监测与预警，利用该模型中滑塌事故的各个发展阶段与时变特征的关系对待检测区域进行滑塌事故的预警，从而实现了对滑塌事故的预警，提高监测的精准度，且监测方法操作简单易行、数据分析简单，可以实现全天候自动监测对于提升松散堆积体生产过程的实时监测水平、降低松散堆积体滑塌事故的发生概率具有重大意义。
本发明实施例还提供了一种电子设备，如图10所示，该电子设备可以包括处理器901和存储器902，其中处理器901和存储器902可以通过总线或者其他方式连接，图10中以通过总线连接为例。
处理器901可以为中央处理器(Central Processing Unit，CPU)。处理器901还可以为其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片，或者上述各类芯片的组合。
存储器902作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块，如本发明实施例中的方法所对应的程序指令/模块。处理器901通过运行存储在存储器902中的非暂态软件程序、指令以及模块，从而执行处理器的各种功能应用以及数据处理，即实现上述方法。
存储器902可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储处理器901所创建的数据等。此外，存储器902可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中，存储器902可选包括相对于处理器901远程设置的存储器，这些远程存储器可以通过网络连接至处理器901。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
一个或者多个模块存储在存储器902中，当被处理器901执行时，执行上述方法。
上述电子设备具体细节可以对应参阅上述方法实施例中对应的相关描述和效果进行理解，此处不再赘述。
本领域技术人员可以理解，实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)、随机存储记忆体(Random Access Memory，RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive，缩写：HDD)或固态硬盘(Solid-StateDrive，SSD)等；存储介质还可以包括上述种类的存储器的组合。
以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求范围当中。

Claims (9)

1.一种滑塌事故分析模型构建方法，其特征在于，包括：
获取各预设区域的历史滑塌监测数据；
从所述历史滑塌监测数据中提取与各滑塌事故有关的至少一特征次声波信号；
根据各所述特征次声波信号与所述滑塌事故的各个发展阶段的对应关系建立滑塌事故分析模型，包括：
根据所述特征次声波信号，确定各预设特征参数在各所述滑塌事故的各个发展阶段的变化曲线；
根据所述变化曲线得到所述预设特征参数的时变特征，所述时变特征是通过各预设特征参数随时间的变化曲线得出的各预设特征参数在不同时刻的变化程度特征；
根据所述时变特征建立所述滑塌事故分析模型。
2.根据权利要求1所述的滑塌事故分析模型构建方法，其特征在于，所述历史滑塌监测数据，包括：所述预设区域产生的次声波信号和所述滑塌事故的各个发展阶段的时间信息。
3.根据权利要求2所述的滑塌事故分析模型构建方法，其特征在于，所述从所述历史滑塌监测数据中提取与滑塌事故有关的至少一特征次声波信号，包括：
获取所述预设区域产生的次声波信号；
采用集合经验模态分解方法对所述次声波信号进行分解，得到多个本征模态分量；
根据所述滑塌事故的各个发展阶段的时间信息对各所述本征模态分量进行筛选，得到与滑塌事故有关的至少一特征次声波信号。
4.根据权利要求1所述的滑塌事故分析模型构建方法，其特征在于，所述根据所述时变特征建立所述滑塌事故分析模型，包括：
确定各所述滑塌事故的各个发展阶段；
根据所述时变特征与各所述滑塌事故的各个发展阶段的对应关系建立所述滑塌事故分析模型。
5.一种滑塌事故预警方法，其特征在于，包括：
采集待监测区域的至少一特征次声波信号；
采用如权利要求1-4任一项所述的滑塌事故分析模型构建方法建立的滑塌事故分析模型，对各所述次声波信号进行滑塌事故风险评估，生成所述待监测区域的预警结果。
6.一种滑塌事故分析模型构建系统，其特征在于，包括：
获取模块，用于获取各预设区域的历史滑塌监测数据；
特征次声波信号筛选模块，用于从所述历史滑塌监测数据中提取与各滑塌事故有关的至少一特征次声波信号；
滑塌事故分析模型构建模块，用于根据各所述特征次声波信号与所述滑塌事故的各个发展阶段的对应关系建立滑塌事故分析模型，包括：
根据所述特征次声波信号，确定各预设特征参数在各所述滑塌事故的各个发展阶段的变化曲线；
根据所述变化曲线得到所述预设特征参数的时变特征，所述时变特征是通过各预设特征参数随时间的变化曲线得出的各预设特征参数在不同时刻的变化程度特征；
根据所述时变特征建立所述滑塌事故分析模型。
7.一种滑塌事故预警系统，其特征在于，包括：
采集模块，用于采集待监测区域的至少一特征次声波信号；
预警模块，用于采用如权利要求6所述的滑塌事故分析模型构建系统建立的滑塌事故分析模型，对各所述次声波信号进行滑塌事故风险评估，生成所述待监测区域的预警结果。
8.一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令被处理器执行时实现如权利要求1-4中任一项所述的滑塌事故分析模型构建方法，或者，实现如权利要求5所述的滑塌事故预警方法。
9.一种电子设备，其特征在于，包括：
存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器中存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行如权利要求1-4中任一项所述的滑塌事故分析模型构建方法，或者，执行如权利要求5所述的滑塌事故预警方法。
CN201910801736.1A 2019-08-28 2019-08-28 一种滑塌事故分析模型构建及滑塌事故预警方法、系统 Active CN110516875B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910801736.1A CN110516875B (zh) 2019-08-28 2019-08-28 一种滑塌事故分析模型构建及滑塌事故预警方法、系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910801736.1A CN110516875B (zh) 2019-08-28 2019-08-28 一种滑塌事故分析模型构建及滑塌事故预警方法、系统

Publications (2)

Publication Number Publication Date
CN110516875A CN110516875A (zh) 2019-11-29
CN110516875B true CN110516875B (zh) 2020-11-27

Family

ID=68628574

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910801736.1A Active CN110516875B (zh) 2019-08-28 2019-08-28 一种滑塌事故分析模型构建及滑塌事故预警方法、系统

Country Status (1)

Country Link
CN (1) CN110516875B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112326788A (zh) * 2020-10-23 2021-02-05 江西理工大学 尾矿坝失稳的监测预警方法及系统
CN113218838B (zh) * 2021-04-23 2023-05-05 江西理工大学 一种煤岩芯渗透率测定仪及测定方法
CN113218839B (zh) * 2021-04-27 2022-07-12 江西理工大学 一种尾矿库渗透破坏现象监测方法、装置及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104900013A (zh) * 2015-06-09 2015-09-09 东华大学 一种基于次声波的泥石流监测与报警系统
US20170122822A1 (en) * 2014-08-04 2017-05-04 China University Of Mining And Technology Multipoint Coal and Rock Mass Stress Real-Time Monitoring Device and Method
CN108802825A (zh) * 2018-08-22 2018-11-13 河南理工大学 一种次声波监测煤岩动力灾害定位方法及定位系统
CN108829717A (zh) * 2018-05-07 2018-11-16 西南石油大学 一种基于地震数据进行深水水道构型量化分析和形态模拟的数据库系统及方法
CN108842745A (zh) * 2018-05-28 2018-11-20 西南交通大学 一种高陡岩质边坡监测系统及其监测方法
CN109887240A (zh) * 2019-03-22 2019-06-14 福州大学 一种基于人工智能的滑坡灾害安全监测与预警方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170122822A1 (en) * 2014-08-04 2017-05-04 China University Of Mining And Technology Multipoint Coal and Rock Mass Stress Real-Time Monitoring Device and Method
CN104900013A (zh) * 2015-06-09 2015-09-09 东华大学 一种基于次声波的泥石流监测与报警系统
CN108829717A (zh) * 2018-05-07 2018-11-16 西南石油大学 一种基于地震数据进行深水水道构型量化分析和形态模拟的数据库系统及方法
CN108842745A (zh) * 2018-05-28 2018-11-20 西南交通大学 一种高陡岩质边坡监测系统及其监测方法
CN108802825A (zh) * 2018-08-22 2018-11-13 河南理工大学 一种次声波监测煤岩动力灾害定位方法及定位系统
CN109887240A (zh) * 2019-03-22 2019-06-14 福州大学 一种基于人工智能的滑坡灾害安全监测与预警方法

Also Published As

Publication number Publication date
CN110516875A (zh) 2019-11-29

Similar Documents

Publication Publication Date Title
CN110516875B (zh) 一种滑塌事故分析模型构建及滑塌事故预警方法、系统
Dixon et al. An acoustic emission landslide early warning system for communities in low-income and middle-income countries
US11341410B1 (en) Subsurface stress criticality associated with fluid injection and determined using machine learning
Wu et al. Damage monitoring of masonry structure under in-situ uniaxial compression test using acoustic emission parameters
CN104900013A (zh) 一种基于次声波的泥石流监测与报警系统
CN103278843B (zh) 岩石隧道施工过程中岩爆实时预报技术装置
CN110220978B (zh) 一种用于尾矿库坝体溃坝预警的纵向导波监测方法
EP2691763B1 (en) Method for the dynamic quantitative characterization of the ageing of solid materials
CN103852522A (zh) 脚手架安全监测及预警的方法
Floris et al. A process-based model for the definition of hydrological alert systems in landslide risk mitigation
Mahmoudof et al. Bound infragravity wave observations at the Nowshahr beaches, southern Caspian Sea
CN112132314A (zh) 一种用于隧道围岩块体垮塌的点域监测方法及系统
CN113639849B (zh) 基于固有振动频率的隧道围岩块体垮塌监测方法及系统
CN104484572A (zh) 一种基于小波分析的滑坡位移突变识别方法
CN102080945A (zh) 基于输入能量的爆破震动安全评价方法及系统
Li et al. Investigation on acoustic emission characteristics of hole-joint contained granite under a compressive disturbance: experimental insights
CN117523783A (zh) 高层建筑震害报警产出系统
CN103149346A (zh) 隧道混凝土检测分析系统及方法
US20150020609A1 (en) Detection of load by sound-processing
CN103994816A (zh) 一种基于光纤多发事件的识别方法
CN116796571A (zh) 基于声发射特征的岩石构造应力预测系统
CN204514565U (zh) 基于激励状态时响应谱特性的构筑物病害检测系统
JP6033563B2 (ja) 地殻破壊予測方法
CN113218839B (zh) 一种尾矿库渗透破坏现象监测方法、装置及系统
Aldasouqi et al. Earthquake monitoring system using ranger seismometer sensor

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