CN110837669B - 基于多源异构数据融合的滑坡不确定模型动态构建方法 - Google Patents
基于多源异构数据融合的滑坡不确定模型动态构建方法 Download PDFInfo
- Publication number
- CN110837669B CN110837669B CN201911022612.XA CN201911022612A CN110837669B CN 110837669 B CN110837669 B CN 110837669B CN 201911022612 A CN201911022612 A CN 201911022612A CN 110837669 B CN110837669 B CN 110837669B
- Authority
- CN
- China
- Prior art keywords
- landslide
- uncertain
- model
- rock
- models
- 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.)
- Expired - Fee Related
Links
- 230000004927 fusion Effects 0.000 title claims abstract description 20
- 238000010276 construction Methods 0.000 title claims abstract description 19
- 238000000034 method Methods 0.000 claims abstract description 93
- 239000002689 soil Substances 0.000 claims abstract description 88
- 230000004044 response Effects 0.000 claims abstract description 75
- 238000005070 sampling Methods 0.000 claims abstract description 48
- 238000012544 monitoring process Methods 0.000 claims abstract description 44
- 238000004088 simulation Methods 0.000 claims abstract description 28
- 230000003044 adaptive effect Effects 0.000 claims abstract description 22
- 238000012360 testing method Methods 0.000 claims abstract description 19
- 238000002591 computed tomography Methods 0.000 claims abstract description 4
- 238000006073 displacement reaction Methods 0.000 claims description 116
- 238000009826 distribution Methods 0.000 claims description 86
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 68
- 230000006870 function Effects 0.000 claims description 50
- 230000000875 corresponding effect Effects 0.000 claims description 42
- 239000011435 rock Substances 0.000 claims description 34
- 238000004422 calculation algorithm Methods 0.000 claims description 26
- 239000011159 matrix material Substances 0.000 claims description 20
- 238000013398 bayesian method Methods 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 15
- 239000002245 particle Substances 0.000 claims description 14
- 238000005553 drilling Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000000354 decomposition reaction Methods 0.000 claims description 12
- 238000001514 detection method Methods 0.000 claims description 12
- 238000013528 artificial neural network Methods 0.000 claims description 11
- 238000002474 experimental method Methods 0.000 claims description 7
- 239000004575 stone Substances 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 6
- 238000005311 autocorrelation function Methods 0.000 claims description 5
- 239000000463 material Substances 0.000 claims description 5
- 230000002596 correlated effect Effects 0.000 claims description 4
- 125000004122 cyclic group Chemical group 0.000 claims description 4
- 238000011065 in-situ storage Methods 0.000 claims description 4
- 239000011148 porous material Substances 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 claims description 3
- 239000010931 gold Substances 0.000 claims description 3
- 229910052737 gold Inorganic materials 0.000 claims description 3
- 230000002650 habitual effect Effects 0.000 claims description 3
- 238000010008 shearing Methods 0.000 claims description 3
- 238000007619 statistical method Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 2
- 238000012986 modification Methods 0.000 claims description 2
- 230000004048 modification Effects 0.000 claims description 2
- 238000011156 evaluation Methods 0.000 abstract description 7
- 230000007246 mechanism Effects 0.000 abstract description 6
- 230000009286 beneficial effect Effects 0.000 abstract description 5
- 238000004458 analytical method Methods 0.000 abstract description 3
- 238000013480 data collection Methods 0.000 abstract 1
- 238000005516 engineering process Methods 0.000 abstract 1
- 230000008569 process Effects 0.000 description 10
- 210000002569 neuron Anatomy 0.000 description 8
- 238000005315 distribution function Methods 0.000 description 6
- 238000005259 measurement Methods 0.000 description 6
- 230000006378 damage Effects 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 230000009466 transformation Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000001174 ascending effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 238000005290 field theory Methods 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000013076 uncertainty analysis Methods 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
Images
Landscapes
- Pit Excavations, Shoring, Fill Or Stabilisation Of Slopes (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明提供了一种基于多源异构数据融合的滑坡不确定模型动态构建方法,包括:联合运用地质调查、资料收集、室内力学试验、CT扫描与数值试样随机重构技术获取滑坡岩土体力学参数空间变异信息;在岩土体力学参数空间规律统计的基础上,构建滑坡初始不确定模型;以非侵入式随机有限元的方式,开展相应工况下的滑坡数值模拟;构建不同时间点滑坡输出信息与随机变量的智能响应面模型,基于智能响应面模型和自适应条件抽样的可靠度贝叶斯反演方法,利用滑坡直接信息和监测间接数据实时更新不确定模型,从而建立多源异构数据融合的滑坡不确定模型。本发明的有益效果是:建立了精细的滑坡地质模型,为后续滑坡的机理分析和稳定性评价提供了有效手段。
Description
技术领域
本发明涉及滑坡不确定性分析与稳定性评价领域,尤其涉及一种基于多源异构数据融合的滑坡不确定模型动态构建方法。
背景技术
复杂地质-力学模型的精准建立是开展滑坡机理研究和稳定性评价的重要基础与前提,在多期次、多类型内外动力地质作用下,滑坡的物质组成与坡体结构具有较大的非连续性、不均一性和各向异性,这种复杂坡体结构及物质的不均匀分布使滑坡不同部位的岩土体参数具有随机性、变异性和结构性。显然,考虑到滑坡演化的复杂性和岩土体参数的随机性、结构性与时间变异性,需要建立能考虑滑坡岩土体参数空间变异性的地质模型,即不确定模型。
不确定模型包括简单的随机变量模型和随机场模型,其中随机变量模型用于研究岩土体参数的变异性,而随机场模型可以表征岩土体参数空间变异性,随机场模型更为符合实际岩土体的不均-性。随机场理论、地质统计学理论和可靠度理论等不确定性理论方法在岩土工程中应用成熟,为不确定模型的建立提供了较好的理论基础,然而不确定模型在滑坡领域受到直接参数数据较少和多源间接信息无法有效利用的限制,尤其是随机场模型不仅需要确定岩土体参数的均值、变异系数与概率密度分布函数,还需要确定波动范围或相关距离等参数,其在滑坡领域的应用受到较大限制。如何扩大直接参数信息和利用多源异构信息数据来动态更新滑坡的不确定模型,从而建立精准的地质模型是国内外研究的热点和难点。
滑坡较容易被获取的信息数据包括前期滑坡地质条件的测量,主要为物探、钻探、试验等手段获取的滑坡地质结构、岩土体参数等直接信息,和后期滑坡系统的反映,主要为地表位移、深部位移、地下水位、孔隙水压力等间接信息。目前滑坡均值化地质模型的建立仅利用前期的直接信息,且对岩土体参数的数据利用率低,而常见的不确定模型建立过程中或仅利用直接信息或较少利用间接信息,所建立的模型不确定性较大,且模型运行过程中的计算量较大,并未综合运用多源数据对滑坡不确定模型进行实时动态更新。
基于后验信息的输入贝叶斯方法可以反演更新先验信息的概率分布函数,能较好的建立先验参数模型与各种监测数据的关系,并通过构建似然函数对先验信息模型进行反演更新,目前常采用基于MH的马尔科夫链蒙特卡洛法(Markov Chain Monte Carlo,MCMC)),来获取服从后验概率分布的样本,但是其多适用于低维贝叶斯更新问题,且需要给出建议函数分布。先验参数模型可以为简单的随机变量模型,或者随机场模型,而随机场模型具有高维的变量,传统的MCMC方法无法有效的解决这一问题。通过随机有限元方法将空间变异模型与滑坡工程结合起来,然而通过有限元数值模型获取长周期时间工况下的后验数据非常耗时,计算量大,这限制了不确定模型的更新效率,且针对监测信息的时效性,需要不断的更新不确定模型。
发明内容
为了解决上述问题,本发明提供了一种基于多源异构数据融合的滑坡不确定模型动态构建方法;
一种基于多源异构数据融合的滑坡不确定模型动态构建方法,主要包括以下步骤:
S101:获取目标滑坡的岩土体力学参数的空间分布特征和分布规律信息;
S102:根据所述目标滑坡的基础参数信息,采用Abaqus软件,建立目标滑坡的有限元基础模型;
S103:根据所述岩土体力学参数的空间分布特征和分布规律信息,结合所述有限元基础模型,基于相关随机场理论方法,建立所述目标滑坡的N个不确定模型;
S104:根据所述N个不确定模型,采用Abaqus有限元软件,基于非侵入式随机有限元方法,开展滑坡数值模拟,得到与目标滑坡上实际检测位置点相对应的水位、地表位移和深部位移时间序列数据;
S105:根据所述的N个不确定模型和所述水位、地表位移和深部位移时间序列数据,分别建立不同时间点的地表位移数据类型智能响应面模型、深部位移数据类型智能响应面模型和水位数据类型智能响应面模型;
S106:利用步骤S103所述方法新生成P个不确定模型,并将这P个不确定模型作为最新输入样本;其中,P根据实际需求设置,且P大于N;
S107:基于自适应条件抽样算法的贝叶斯方法,利用岩土体参数直接信息对对所述P个不确定模型进行反演更新,得到直接信息更新后的P个不确定模型;
S108:将所述更新后的P个不确定模型作为步骤S105所述的不同时间点中初始时间点的地表位移数据类型智能响应面模型、深部位移数据类型智能响应面模型和水位数据类型智能响应面模型的输入样本,并根据对应的预测输出,采用基于自适应条件抽样算法的贝叶斯方法,利用对应时间点的实际监测数据对步骤S107所述的更新后的P个不确定模型进行反演更新,得到初始时间点更新后的P个不确定模型;
然后将初始时间点更新后的P个不确定模型作为下一轮时间点更新的输入样本,进行下一轮时间点的更新;如此循环更新,直到预设的时间点,最终获取所有监测信息动态更新后的更为准确的P个不确定模型;
另外,初始时间点更新后的下一轮时间点的更新均利用与该轮时间点相对应的智能响应面模型,且每一轮时间点更新后的P个不确定模型均作为下一时间点更新时的输入样本。
进一步地,步骤S101中,获取目标滑坡的岩土体力学参数的空间分布特征和分布规律信息;具体包括:
S201:基于常规地质勘探与试验手段,获取目标滑坡不同部位岩土体的基础物理信息,并结合目标滑坡的坑探和槽探手段拍摄不同部位的实际照片;同时利用钻探手段获取目标滑坡不同钻孔点不同深度的岩土体样品,并开展室内实验获取相应位置点的岩土力学参数;所述岩土力学参数包括粘聚力和摩擦角;
S202:根据目标滑坡的前期勘察报告记录的不同钻孔点不同深度部位岩土体的颗粒级配和含水状态信息,配置多组重塑样品,每组重塑样品对应一个位置点的颗粒级配和含水状态;
S203:开展多组所述重塑样品的室内非饱和三轴直剪试验,获取目标滑坡的岩土体力学参数,并对剪切前后的重塑样品进行CT扫描,获得扫描照片;其中,所述岩土力学参数包括粘聚力和摩擦角参数;
S204:对步骤S201中的所述实际照片和步骤S203中的所述扫描照片进行二值化处理,识别照片中不同粒径颗粒,进而进行不同重塑样品CT扫描照片的习惯结构规律统计,获取岩土体中的细观特征参数;所述细观特征参数包括:块石的空间分布、块石形貌大小、排列方式与孔隙特征;
S205:根据所述实际照片的二值化处理结果,进行仿真数值模拟,以获取各位置点的岩土力学参数;同时,基于所述细观特征参数,获得细观特征参数的统计规律,并基于所述细观特征参数的统计规律进行随机建模,生成nn个重构试样,进而建立nn个重构试样的数值力学实验,获取不同重塑样品的nn个粘聚力与摩擦角值,然后对每个重塑样品的nn个粘聚力与摩擦角值分别取均值,作为该位置点重塑样品的粘聚力和摩擦角值;采用类似方法获取目标滑坡其它位置点的粘聚力和摩擦角,至此获取了目标滑坡不同位置点的岩土力学参数及其空间分布特征;
S206:对所述空间分布特征进行统计分析,得到目标滑坡的分布规律信息;所述分布规律信息包括:粘聚力与摩擦角的均值、标准差和概率函数分布类型以及它们之间的相关系数;
步骤S102中,所述基础参数信息包括所述目标滑坡的实际边界条件、载荷施加、基本材料参数和网格划分;其中,所述目标滑坡的网格划分的密度、大小和形状均为根据实际需求预先设置好的。
进一步地,步骤S103中,根据所述岩土体力学参数的空间分布特征和分布规律信息,结合所述有限元基础模型,建立所述目标滑坡的N个不确定模型;具体如下:
S301:据所述岩土体力学参数的空间分布特征,利用地质统计学理论中的半变异函数法,计算岩土力学参数的波动范围;
S302:根据所述有限元基础模型,生成对应的inp源文件,并提取所述有限元基础模型的单元中心点网格;
S303:根据所述单元中心点网格、所述岩土力学参数的波动范围和所述分布规律信息,采用基于乔列斯基分解的中心点法,生成所述目标滑坡的二维对数正太分布平稳随机场,即为所述目标滑坡的不确定模型。
进一步地,步骤S301中,据所述岩土体力学参数的空间分布特征,利用地质统计学理论中的半变异函数法,计算岩土力学参数的波动范围;具体方法如下:
实验变异函数γ*(h)计算公式如公式(1)所示:
上式中,h为采样点间距,N(h)为采样间距为h时的样本对数,z(xi)与z(xi+h)分别为采样位置是xi,xi+h的样本;
对于不同采样间距h,根据公式(1)计算出相应的实验变异函数γ*(h),然后以h为横坐标、γ*(h)为纵坐标建立直角坐标系,得到若干散点,将相邻各点连接出来,得到试验变异函数云图,再用理论变异函数模型对所述云图进行拟合,得到岩土力学参数的波动范围。
进一步地,采用球状模型来对所述云图进行拟合,其公式如公式(2)所示:
上式中,C0为块金常数;C为拱高;C0+C为基台值,a为波动范围,即随机场中的相关距离。
进一步地,步骤S303中,根据所述单元中心点网格、所述岩土力学参数的波动范围和所述分布规律信息,采用基于乔列斯基分解的中心点法,生成所述目标滑坡的二维对数正太分布平稳随机场;具体步骤包括:
S401:划分单元网格,此处的单元网格与所述有限元基础模型中的所述单元中心点网格相同,进而提取所述单元网格的中心点坐标(xi,yi),i=1,2,3,…,m,m为提取的总的单元中心点数目;
S402:根据m个单元网格的中心点坐标,采用超立方拉丁抽样产生2m个独立标准正太空间随机变量:
并对ρ0进行乔列斯基分解:L1L1 T=ρ0,得到维度为2×2的下三角矩阵L1;
S405:对自相关矩阵∑进行乔列斯基分解L2L2 T=∑,得到的下三角矩阵L2,利用公式(4)生成相关标准正太分布随机场H0(x,y):
S406:利用粘聚力与摩擦角的统计特征值,通过公式(5):
H(x,y)=exp(H0(x,y)) (5)
将相关标准正太分布随机场H0(x,y)等概率变化为相关对数正太分布随机场H(x,y),至此完成了粘聚力与摩擦角相关性的二维对数正太分布平稳随机场的模拟,得到二维对数正太分布平稳随机场;
循环执行步骤S402~S406 N次,得到N个二维对数正太分布平稳随机场,即N个不确定模型。
进一步地,步骤S104中,根据所述N个不确定模型,采用Abaqus有限元软件,基于非侵入式随机有限元方法,开展滑坡数值模拟,得到与目标滑坡上实际检测位置点相对应的水位、地表位移和深部位移时间序列数据;具体包括:
S501:将所述的N个不确定模型中各个不确定模型中的2m个独立标准正太空间随机变量与m个网格的单元中心点一一对应,并根据m个网格的单元中心点和所述inp源文件之间的对应关系,利用各个不确定模型中的2m个独立标准正太空间随机变量对所述inp源文件中每个单元截面中的2个参数指标进行修改,供修改N次,得到N个修改后的新的inp源文件;所述的2个参数指标为粘聚力与摩擦角;
S502:调用Abaqus内核将N个新的inp源文件批量运行,生成N个odb文件;
S503:并基于Python语言,提取N个odb文件中不同位置监测点相对应的水位、地表位移和深部位移时间序列。
进一步地,步骤S105中,根据所述的N个不确定模型和所述水位、地表位移和深部位移时间序列数据,分别建立不同时间点的地表位移数据类型智能响应面模型、深部位移数据类型智能响应面模型和水位数据类型智能响应面模型,具体步骤包括:
S601:建立ELM神经网络;
S602:将所述的N个不确定模型作为输入样本,即将各个不确定模型中的2m个独立标准正太空间随机变量作为输入变量:
不确定模型中提取的水位时间序列中某一时间点的数据作为输出样本:
Sj=[s1,s2,…,st]
t为所述目标滑坡上实际监测点的个数,共构成N个训练样本集合:
对所述ELM神经网络进行训练,得到训练好的ELM神经网络,即水位数据类型的智能响应面模型;
S603:采用步骤S601~S602类似的方法,保持输入样本不变,将输出样本分别更换为不确定模型中提取的地表位移时间序列和深部位移时间序列中某一时间点的数据,以分别训练出该时间点的地表位移数据类型智能响应面模型和深部位移数据类型智能响应面模型,最终得到不同时间点的地表位移数据类型智能响应面模型、深部位移数据类型智能响应面模型和水位数据类型智能响应面模型。
进一步地,所述岩土体参数直接信息hz通过滑坡勘察或者原位试验手段获取;步骤S107中,基于自适应条件抽样算法的贝叶斯方法,利用岩土体参数直接信息对对所述P个不确定模型进行反演更新,得到直接信息更新后的P个不确定模型;方法为:
根据所获直接信息hz,采用自适应条件抽样算法的贝叶斯方法,对P个不确定模型进行反演更新,生成P个新的不确定模型Hp(hz),以完成直接信息对不确定模型的更新。
进一步地,步骤S108中,循环更新的具体步骤包括:
S701:根据水位、地表位移和深部位移的实际监测数据,确定不同类型数据用于不确定模型更新的初始时间点及最终时间点,将所述的P个新的不确定模型Hp(hz)作为P个初始不确定模型;
S702:将所述P个初始不确定模型Hp(hz)作为时间点i的地表位移数据类型智能响应面模型的输入,得到地表位移预测值hd;根据所述地表位移预测值hd和时间点i对应的地表位移的实际监测数据,采用基于自适应条件抽样算法的贝叶斯方法,对所述P个初始不确定模型Hp(hz)进行反演更新,生成P个新的不确定模型Hp(hz-hd);i的初始值为1,代表所述初始时间点;且i=1,2,…,r;i=r代表最终时间点;
S703:将所述P个新的不确定模型Hp(hz-hd)作为时间点i的的深部位移数据类型智能响应面的输入,得到深部位移预测值hw;根据所述深部位移预测值hw和时间点i对应的深部位移的实际监测数据,采用基于自适应条件抽样算法的贝叶斯方法,对所述P个新的不确定模型Hp(hz-hd)进行反演更新,生成P个新的不确定模型Hp(hz-hd-hw);
S704:将所述P个新的不确定模型Hp(hz-hd-hw)作为时间点i的水位数据类型智能响应面的输入,得到水位预测值hs;根据所述水位预测值hs和时间点i对应的水位的实际监测数据,采用基于自适应条件抽样算法的贝叶斯方法,对所述P个新的不确定模型Hp(hz-hd-hw)进行反演更新,生成P个新的不确定模型Hp(hz-hd-hw-hs),至此完成初始时间点地表位移、深部位移、水位数据更新后的不确定模型Hp(hz-hd-hw-hs);
S705:将i更新为i+1,并将时间点i更新后的不确定模型Hp(hz-hd-hw-hs)作为P个初始不确定模型,返回步骤S702,以开始下一轮时间点i+1对上一时间点i已更新的不确定模型Hp(hz-hd-hw-hs)进行更新,直到预设的最终时间点的更新完成(i>r),获取所有时间更新后的P个最终不确定模型;将所述P个最终不确定模型作为最终更新后的更准确的不确定模型。
本发明提供的技术方案带来的有益效果是:本发明所提出的技术方案具备以下优点:
1)本申请设计了一套能精细获取滑坡岩土体力学参数空间变异规律的方法,在此基础上能建立更加符合滑坡岩土体实际情况的不确定模型,有益于后续不确定模型的更新;
2)能充分利用实时的多源数据信息(直接测量数据和多源监测间接数据)对不确定模型进行动态修正,降低了随机场模型的不确定性,为认识滑坡的演化机理和开展滑坡稳定性评价与防治提供了更加精细的地质模型;
3)建立了空间随机变量和滑坡模拟信息(位移、水位等)的智能响应面模型,为后续不确定模型的动态更新提供了便利,同时利用基于自适应条件抽样算法的可靠度贝叶斯反演方法,解决了传统贝叶斯反演方法无法处理高维数据的问题和抽样效率低的问题。
附图说明
下面将结合附图及实施例对本发明作进一步说明,附图中:
图1是本发明实施例中一种基于多源异构数据融合的滑坡不确定模型动态构建方法的总体流程图;
图2是本发明实施例中岩土体样品颗粒的示意图;
图3是本发明实施例中颗粒形状参数的示意图;
图4是本发明实施例中非侵入式有限元流程示意图;
图5是本发明实施例中单隐含层前馈神经网络结构的示意图;
图6是本发明实施例中滑坡模型纵剖面示意图。
具体实施方式
为了对本发明的技术特征、目的和效果有更加清楚的理解,现对照附图详细说明本发明的具体实施方式。
本发明的实施例提供了一种基于多源异构数据融合的滑坡不确定模型动态构建方法,应用于如图6所示的滑坡中。
请参考图1,图1是本发明实施例中一种基于多源异构数据融合的滑坡不确定模型动态构建方法的总体流程图,具体包括如下步骤:
S101:获取目标滑坡的岩土体力学参数的空间分布特征和分布规律信息;
S102:根据所述目标滑坡的基础参数信息,采用Abaqus软件,建立目标滑坡的有限元基础模型;
S103:根据所述岩土体力学参数的空间分布特征和分布规律信息,结合所述有限元基础模型,基于相关随机场理论方法,建立所述目标滑坡的N个不确定模型;
S104:根据所述N个不确定模型,采用Abaqus有限元软件,基于非侵入式随机有限元方法,开展滑坡数值模拟,得到与目标滑坡上实际检测位置点相对应的水位、地表位移和深部位移时间序列数据;
S105:根据所述的N个不确定模型和所述水位、地表位移和深部位移时间序列数据,分别建立不同时间点的地表位移数据类型智能响应面模型、深部位移数据类型智能响应面模型和水位数据类型智能响应面模型;
S106:利用步骤S103所述方法新生成P个不确定模型,并将这P个不确定模型作为最新输入样本;其中,P根据实际需求设置,且P大于N;
S107:基于自适应条件抽样算法的贝叶斯方法,利用岩土体参数直接信息对对所述P个不确定模型进行反演更新,得到直接信息更新后的P个不确定模型;
S108:将所述更新后的P个不确定模型作为S105所述的不同时间点中初始时间点的地表位移数据类型智能响应面模型、深部位移数据类型智能响应面模型和水位数据类型智能响应面模型的输入样本,并根据对应的预测输出,采用基于自适应条件抽样算法的贝叶斯方法,利用对应时间点的实际监测数据对S107所述更新后的P个不确定模型进行反演更新,得到初始时间点更新后的P个不确定模型;然后将初始时间点更新后的P个不确定模型作为下一轮时间点更新的输入样本,进行下一轮时间点的更新,如此循环更新,直到预设的时间点,最终获取所有监测信息动态更新后的更为准确的P个不确定模型;
另外,初始时间点更新后的下一轮时间点的更新均利用与该轮时间点相对应的智能响应面模型,且每一轮时间点更新后的P个不确定模型均作为下一时间点更新时的输入样本。
如图1所示,本发明实施例中,动态循环更新的具体方法如下:
首先采用直接实测信息对P个不确定模型进行初始更新,即图1中的反演更新①,后续采用多种类型的间接监测数据对反演更新①获得的P个不确定模型进行动态更新,监测数据为与时间相关的时间序列,需要确定更新所用的初始时间点,时间点类型(小时、天、月、年)以及时间间隔,最终完成循环更新。
开始,确定初始时间点i,(这里的时间点及类型由人为根据精确度和计算效率来控制;智能响应面模型相当于有限元软件的代理模型),i代表更新序号,且同时将i更新为1,代表所述的初始更新;
然后,基于时间点i所建立的地表位移数据类型智能响应面模型,对反演更新①获得的P个不确定模型进行更新,即图1中的反演更新②;并基于时间点i所建立的深部位移数据类型智能响应面模型,对反演更新②获得的P个不确定模型进行更新,反演更新③;基于时间点i所建立的水位数据类型智能响应面模型,对反演更新③获得的P个不确定模型进行更新,即反演更新④;
最终令i=i+1,重复上一步骤开始下一轮时间点的更新,如此循环往复,直到i大于预设值,结束更新,并将最终的P个不确定模型作为最终的滑坡机理分析和稳定性评价的输入参数。其中,所述预设值i需要根据最终时间来设置,举例:若拥有2019年5月到10月的数据,且更新周期为1个月,则每个月更新一次,且i对应的加1,若起始更新的月份为2019年5月,则i=1时,代表5月,i=5时,代表9月,当i=6时,代表10月,则停止更新,用最终的不确定模型为6个月数据循环更新后的结果。步骤S101中,获取目标滑坡的岩土体力学参数的空间分布特征和分布规律信息;具体包括:
S201:基于常规地质勘探与试验手段(前期地质勘探和野外地质补充调查),获取目标滑坡不同部位岩土体基础物理信息,并结合目标滑坡的坑探和槽探手段拍摄不同部位的实际照片;同时利用钻探手段获取目标滑坡不同钻孔点不同深度的岩土体样品,并开展室内实验获取相应位置点的岩土力学参数(若试验相对可靠,其获取的岩土体力学参数可作为S107中岩土体参数直接信息);所述岩土力学参数包括粘聚力和摩擦角等参数;
S202:根据目标滑坡的前期勘察报告记录的不同钻孔点不同深度部位岩土体的颗粒级配和含水状态信息,配置多组重塑样品,每组重塑样品对应一个位置点的颗粒级配和含水状态等;
S203:开展多组所述重塑样品的室内非饱和三轴直剪试验,获取目标滑坡的岩土体力学参数,并对剪切前后的重塑样品进行CT扫描,获得扫描照片;其中,所述岩土力学参数包括粘聚力和摩擦角参数;
S204:对步骤S201中的所述实际照片和步骤S203中的所述扫描照片进行二值化处理,识别照片中不同粒径颗粒(如图2所示(块石1,土体2),为处理后的照片,分为块石和土),进而进行不同重塑样品CT扫描照片的习惯结构规律统计,获取岩土体中的细观特征参数;所述细观特征参数包括:块石的空间分布、块石形貌大小、排列方式与孔隙特征;
S205:根据所述实际照片的二值化处理结果,进行仿真数值模拟,以获取各位置点的岩土力学参数;同时,基于所述细观特征参数,获得细观特征参数的统计规律,并基于所述细观特征参数的统计规律进行随机建模,生成nn个重构试样,进而建立nn个重构试样的数值力学实验,获取不同重塑样品的nn个粘聚力与摩擦角值,然后对每个重塑样品的nn个粘聚力与摩擦角值分别取均值,作为该位置点重塑样品的粘聚力和摩擦角值;采用类似方法获取目标滑坡其它位置点的粘聚力和摩擦角,至此获取了目标滑坡不同位置点的岩土力学参数及其空间分布特征;(如图3所示(块石1,短轴2,长轴与最大视径3,方向角4),常用最大视径、长短轴比、定向角、基于傅里叶级数的形状指数和棱角指数等来描述细观特征,统计这些细观参数的概率密度分布函数和累计密度函数);
S206:对所述空间分布的特征进行统计分析,得到目标滑坡的空间分布规律信息;所述分布规律信息包括:粘聚力与摩擦角的均值、标准差和概率函数分布类型以及它们之间的相关系数。
步骤S102中,所述基础参数信息包括所述目标滑坡的实际边界条件、载荷施加、基本材料参数和网格划分;其中,所述目标滑坡的网格划分的密度、大小和形状均为根据实际需求预先设置好的。
步骤S103中,根据所述岩土体力学参数的空间分布特征和分布规律信息,结合所述有限元基础模型,建立所述目标滑坡的N个不确定模型;具体如下:
S301:据所述岩土体力学参数的空间分布特征,利用地质统计学理论中的半变异函数法(或者随机场理论中的自相关函数法),计算岩土力学参数的波动范围(也叫做自相关距离);
S302:根据所述有限元基础模型,生成对应的inp源文件,并提取所述有限元基础模型的单元中心点网格;
S303:根据所述单元中心点网格、所述岩土力学参数的波动范围和所述分布规律信息,采用基于乔列斯基分解的中心点法,生成所述目标滑坡的二维对数正太分布平稳随机场,即为所述目标滑坡的不确定模型。
步骤S301中,据所述岩土体力学参数的空间分布特征,利用地质统计学理论中的半变异函数法,计算岩土力学参数的波动范围;具体方法如下:
实验变异函数γ*(h)计算公式如公式(1)所示:
上式中,h为采样点间距,N(h)为采样间距为h时的样本对数,z(xi)与z(xi+h)分别为采样位置是xi,xi+h的样本;
对于不同采样间距h,根据公式(1)计算出相应的实验变异函数γ*(h),然后以h为横坐标、γ*(h)为纵坐标建立直角坐标系,得到若干散点,将相邻各点连接出来,得到试验变异函数云图,再用理论变异函数模型对所述云图进行拟合,得到岩土力学参数的波动范围。
但其中任一距离h的γ*(h)获取是不现实的,数据越多对变异函数的获取越精确。常采用高斯模型、指数模型、球状模型等理论变异函数模型来拟合实验变异函数曲线;
本发明实施例中,采用球状模型来对所述云图进行拟合,其公式如公式(2)所示:
上式中,C0为块金常数;C为拱高;C0+C为基台值,a为的变程(波动范围),即随机场中的相关距离。
步骤S303中,根据所述单元中心点网格、所述岩土力学参数的波动范围和所述分布规律信息,采用基于乔列斯基分解的中心点法,生成所述目标滑坡的二维对数正太分布平稳随机场;具体步骤包括:
S401:划分单元网格,此处的单元网格与所述有限元基础模型中的所述单元中心点网格相同,进而提取所述单元网格的中心点坐标(xi,yi),i=1,2,3,…,m,m为提取的总的单元中心点数目;
S402:根据m个单元网格的中心点坐标,采用超立方拉丁抽样产生2m个独立标准正太空间随机变量:
并对ρ0进行乔列斯基分解:L1L1 T=ρ0,得到维度为2×2的下三角矩阵L1;
S405:对自相关矩阵∑进行乔列斯基分解L2L2 T=∑,得到的下三角矩阵L2,利用公式(4)生成相关标准正太分布随机场H0(x,y):
S406:利用粘聚力与摩擦角的统计特征值(均值和标准差),通过公式(5):
H(x,y)=exp(H0(x,y)) (5)
将相关标准正太分布随机场H0(x,y)等概率变化为相关对数正太分布随机场H(x,y),至此完成了粘聚力与摩擦角相关性的二维对数正太分布平稳随机场的模拟,得到二维对数正太分布平稳随机场;
循环执行步骤S402~S406 N次,得到N个二维对数正太分布平稳随机场,即N个不确定模型。
如图4所示,为本发明实施例中非侵入式有限元流程示意图;步骤S104中,根据所述N个不确定模型,采用Abaqus有限元软件,基于非侵入式随机有限元方法,开展滑坡数值模拟,得到与目标滑坡上实际检测位置点相对应的水位、地表位移和深部位移时间序列数据;具体包括:
S501:将所述的N个不确定模型中各个不确定模型中的2m个独立标准正太空间随机变量与m个网格的单元中心点一一对应,并根据m个网格的单元中心点和所述inp源文件之间的对应关系,利用各个不确定模型中的2m个独立标准正太空间随机变量对所述inp源文件中每个单元截面中的2个参数指标进行修改,供修改N次,得到N个修改后的新的inp源文件;所述的2个参数指标为粘聚力与摩擦角;
S502:调用Abaqus内核将N个新的inp源文件批量运行,生成N个odb文件;
S503:并基于Python语言,提取N个odb文件中不同位置监测点相对应的水位、地表位移和深部位移时间序列。
步骤S105中,根据所述的N个不确定模型和所述水位、地表位移和深部位移时间序列数据,分别建立不同时间点的地表位移数据类型智能响应面模型、深部位移数据类型智能响应面模型和水位数据类型智能响应面模型,具体步骤包括:
S601:建立ELM神经网络,如图5所示,为典型的单隐含层前馈神经网络;
S602:将所述的N个不确定模型作为输入样本,即将各个不确定模型中的2m个独立标准正太空间随机变量作为输入变量:
不确定模型中提取的水位时间序列中某一时间的数据作为输出样本:
Sj=[s1,s2,…,st]
t为所述目标滑坡上实际监测点的个数,共构成N个训练样本集合:
对所述ELM神经网络进行训练,得到训练好的ELM神经网络,即水位数据类型的智能响应面模型;
S603:采用步骤S601~S602类似的方法,保持输入样本不变,将输出样本分别更换为不确定模型中提取的地表位移时间序列和深部位移时间序列中某一时间点的数据,以分别训练出该时间点的地表位移数据类型智能响应面模型和深部位移数据类型智能响应面模型,最终得到不同时间点的地表位移数据类型智能响应面模型、深部位移数据类型智能响应面模型和水位数据类型智能响应面模型。
步骤S107中,基于自适应条件抽样算法的贝叶斯方法,利用岩土体参数直接信息对所述P个不确定模型进行反演更新,得到直接信息更新后的P个不确定模型;具体为:
所述岩土体参数直接信息hz通过滑坡勘察或者原位试验等手段获取;根据所获直接信息hz,采用自适应条件抽样算法的贝叶斯方法,对P个不确定模型进行反演更新,生成P个新的不确定模型Hp(hz),以完成直接信息对不确定模型的更新
步骤S108中,循环更新的具体步骤包括:
S701:根据水位、地表位移和深部位移的实际监测数据,确定不同类型数据(水位、深部位移、地表位移)用于不确定模型更新的初始时间点及最终时间点,将所述的P个新的不确定模型Hp(hz)作为P个初始不确定模型;
S702:将所述P个初始不确定模型Hp(hz)作为时间点i的地表位移数据类型智能响应面模型的输入,得到地表位移预测值hd;根据所述地表位移预测值hd和时间点i对应的地表位移的实际监测数据,采用基于自适应条件抽样算法的贝叶斯方法,对所述P个初始不确定模型Hp(hz)进行反演更新,生成P个新的不确定模型Hp(hz-hd);i的初始值为1,代表所述初始时间点;且i=1,2,…,r;i=r代表最终时间点;
S703:将所述P个新的不确定模型Hp(hz-hd)作为时间点i的的深部位移数据类型智能响应面的输入,得到深部位移预测值hw;根据所述深部位移预测值hw和时间点i对应的深部位移的实际监测数据,采用基于自适应条件抽样算法的贝叶斯方法,对所述P个新的不确定模型Hp(hz-hd)进行反演更新,生成P个新的不确定模型Hp(hz-hd-hw);
S704:将所述P个新的不确定模型Hp(hz-hd-hw)作为时间点i的水位数据类型智能响应面的输入,得到水位预测值hs;根据所述水位预测值hs和时间点i对应的水位的实际监测数据,采用基于自适应条件抽样算法的贝叶斯方法,对所述P个新的不确定模型Hp(hz-hd-hw)进行反演更新,生成P个新的不确定模型Hp(hz-hd-hw-hs),至此完成初始时间点地表位移、深部位移、水位数据更新后的不确定模型Hp(hz-hd-hw-hs);
S705:将i更新为i+1,并将时间点i更新后的不确定模型Hp(hz-hd-hw-hs)作为P个初始不确定模型,返回步骤S702,以开始下一轮时间点i+1对上一时间点i已更新的不确定模型Hp(hz-hd-hw-hs)进行更新,直到预设的最终时间点的更新完成(i>r),获取所有时间更新后的P个最终不确定模型;将所述P个最终不确定模型作为最终更新后的更准确的不确定模型。
基于P个新的不确定模型Hpi(hz-hd-hw-hs)(i=r)作为最终的平稳随机场(r为最终时间点)),即为更准确的不确定模型,在此基础上开展实际工况或极端工况下的渗流变形分析或稳定性研究,探讨机理的影响或稳定性趋势,会更为精细,更加说服力。
在本发明实施例中,
利用elmtrain()函数可以方便地创建、训练ELM,其MATLAB调用格式为:
[IW,B,LW,TF,TYPE]=elmtrain(H,S,N,TF,TYPE)
其中,H为训练集的输入矩阵;S为训练集的输出矩阵;N隐含层神经元的个数默认为训练集的样本数;TF为隐含层神经元的激活函数,其取值可以为“sig(默认)”、“sin”、“hardlim”;TYPE为ELM的应用类型,其值可以为0(默认,表示回归、拟合)和1(分类);IW为输入层与隐含层的连接权值(训练得到);B为隐含层神经元的阈值(训练得到);LW为隐含层与输出层的连接权值(训练得到)。其次需要选择一个合适的隐含层神经元个数(预设),由研究可知并非神经元的个数越多越好,需要综合考虑测试集的预测正确率和隐含层神经元的个数,进行这种选择。
利用elmpredict()函数进行仿真计算,具体函数如下:
h=elmpredict(nn,IW,B,LW,TF,TYPE)
其中,nn为测试集的输入矩阵Hp;IW为elmtrain()函数返回的输入层与隐含层间的连接权值,训练得到;B为elmtrain()函数返回的隐含层神经元的阈值;LW为elmtrain()函数返回隐含层与输出层的连接权值;TF为elmtrain()函数中一致的激活函数;TYPE为与elmtrain()函数中一致的ELM应用类型;h为测试集对应的输出预测值矩阵,取决于智能响应面类型,确定是hs、hd、hw的一种。
为便于理解,现对本发明实施例中使用的相关算法进行如下解释说明:
基于自适应条件抽样算法的贝叶斯方法具体步骤如下:
可分别利用直接信息和不同时间点的监测数据更新不确定模型参数,直接信息为通过勘察手段、原位试验等手段来获得滑坡模型的岩土体参数输入信息g(xi)=gi,监测间接数据包括滑坡不同位置的地表位移、深部位移、地下水位信息等信息ψ(g(xi))=mi,其中xi(i=1,2,3...n)为n个空间位置点,
贝叶斯理论能够利用滑坡的直接信息或监测间接数据将岩土体参数变量,如粘聚力或摩擦角,的先验信息更新为未知参数的后验信息分布:
L(gi)∝Pr(h(xi)|gi)(i=1,2,3...n) (7)
式中,似然函数将直接信息gi与监测间接数据的预测信息h(xi)考虑到似然函数中来,监测间接数据的预测信息h(xi)多通过有限元程序计算获得(如ABAQUS),然而更新过程的计算次数较多,非常耗时,因此本发明基于有限元软件,先开展了N个不确定模型的运算,并获取N个不确定模型的运算结果,建立智能响应面模型来代替有限元计算,运用建立后的智能响应面模型生成相应监测间接数据的预测信息h(xi),可用于贝叶斯反演。观测信息gi与地质模型的预测信息h(xi)间的偏差ζi来源于测量设备、手段、模型计算等误差,为偏差ζ的概率密度函数,常假设每次的偏差ζi相互独立,其服从均值为0,标准差为的正态分布,l为直接信息点或监测点的个数。
对的求解至关重要,由于后验概率密度函数的解析解难以获取,本发明采用基于结构可靠度的贝叶斯更新方法,该方法在定义一个极限功能函数H,通过采用可靠度计算方法求得后验概率,在该功能函数失效区域Ω=[H(d,g)≤0]上的样本即为更新后的变量样本:
H(d,g)=d-CL(g) (9)
d=Φ(U0) (10)
式中Φ为标准正态累计概率密度函数:
g=T(U1,...,Un) (11)
式中T为变量g转换为标准正太变量的函数,可通过Rosenblatt或Nataf变换来实现。
因此公式(9)可转化为下式,破坏区域为ΩU=[H(U)≤0]:
H(u)=u0-Φ-1{cL[T(u1,...,un)]} (12)
本发明采用子集模拟的方法来计算破坏概率Pr(Ze),其中为极限功能函数H定义的事件,假设事件Ze由一系列中间事件Z1,Z2,…Zm并满足0<Z1<Z2<…<Zm=Ze,则破坏概率Pr(Ze)可表示为式(13):
式中,中间事件且b1>b2>...>bM=0,其中Zi是由模拟过程中在{Z(u)>Zi-1:i=2,…m}条件下产生的样本所确定的,因此需要确定一个合适的p0,p0∈[0.1,0.3],通常取p0=0.1。子集模拟的步骤如下:
(1).从已知随机变量的概率分布函数中,产生J组样本带入功能函数中计算得到J个对应的系统响应值,并按照按升序排列,第(1-p0)·J个响应值就是b1,符合H(u)≥b1区域的事件概率Pr(Z1)=Pr(H(u)≥b1)=p0。
(2).在第一步产生的样本中,有p0·J个样本的系统响应值在Pr(Z1)=Pr(H(u)≥b1)的区域内,后续根据自适应条件抽样产生(1-p0)·J个满足上述区域的样本,这样满足条件Pr(Z1)=Pr(H(u)≥b1)的总样本数仍然为J个,这J个样本可以表示为{Z1,j:j=1,…J},再次将这J个样本按照升序排列,则第(1-p0)·J个响应值就是b2,这种情况下Pr(Z>Z2|Z>Z1)的概率为p0,会有p0·J个样本的系统响应值在Pr(H(u)≥b2)的区域内,用这p0·J个样本作为自适应条件抽样产生下一层(1-p0)·J个的“种子”。
(3).不断重复第二步骤,若模拟进行到第m层后,满足了失效的精度要求,则停止后续模拟,整个模拟过程共产生J+(m-1)(1-p0)·J个样本。
自适应条件抽样方法通过构建的候选样本与抽取样本的联合分布函数,计算每次模拟过程中接受率的大小,不断的调整联合分布函数,达到高效率抽取符合破坏区域的样本。自适应条件抽样算法步骤如下:
1).在第k+1层子集模拟中,需要从上一层模拟中的样本作为“种子”,Ns=p0·J;自适应过程需要分步进行抽样,Na为自适应步数,其中Na为正整数且要满足在每iter=1,2…Na中,从无放回的选择Na个样本作为条件抽样的种子。这里需要引入一个接受率参数ρi为马尔科夫链产生条件样本的效率,即为基于“种子”产生的条件样本符合“种子”的破坏区域的概率,经过相关研究最大的接受效率ρi=0.44。对于每一步iter+1中其样本的接受率ρi根据iter步的接受率进行评估。
3).对每一iter=1,2…Na中的,每一k=(iter-1)Na+1,...,iter·Na,基于已有种子样本均值和互相关参数组成的协方差矩阵,从多维正太分布中抽取(1-p0)·J样本。通过下式计算该iter步的接受率
式中p*为最大接受率0.44。
如图6所示为某一库岸滑坡的纵剖面:
地表位移监测点1,地下水位线2,钻孔及深部位移监测3,地下水位监测点4,直接实测信息点5,库水位6,滑体7,基岩8。
该滑坡剖面共有3个钻孔,5个地表位移监测点,3处深部位移监测,2处水位监测点,在打钻孔时共有8处位置取样点,进行力学试验测试,作为直接信息点,以上共有4种数据更新源头。
本发明的有益效果是:本发明所提出的技术方案具备以下优点:
1)本申请设计了一套能精细获取滑坡岩土体力学参数空间变异规律的方法,在此基础上能建立更加符合滑坡岩土体实际情况的不确定模型,有益于后续不确定模型的更新;
2)能充分利用实时的多源数据信息(直接测量数据和多源监测间接数据)对不确定模型进行动态修正,降低了随机场模型的不确定性,为认识滑坡的演化机理和开展滑坡稳定性评价与防治提供了更加精细的地质模型;
3)建立了空间随机变量和滑坡模拟信息(位移、水位等)的智能响应面模型,为后续不确定模型的动态更新提供了便利,同时利用基于自适应条件抽样算法的可靠度贝叶斯反演方法,解决了传统贝叶斯反演方法无法处理高维数据的问题和抽样效率低的问题。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,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)
1.一种基于多源异构数据融合的滑坡不确定模型动态构建方法,其特征在于:包括以下步骤:
S101:获取目标滑坡的岩土体力学参数的空间分布特征和分布规律信息;
S102:根据所述目标滑坡的基础参数信息,采用Abaqus软件,建立目标滑坡的有限元基础模型;
S103:根据所述岩土体力学参数的空间分布特征和分布规律信息,结合所述有限元基础模型,基于相关随机场理论方法,建立所述目标滑坡的N个不确定模型;
S104:根据所述N个不确定模型,采用Abaqus有限元软件,基于非侵入式随机有限元方法,开展滑坡数值模拟,得到与目标滑坡上实际检测位置点相对应的水位、地表位移和深部位移时间序列数据;
S105:根据所述的N个不确定模型和所述水位、地表位移和深部位移时间序列数据,分别建立不同时间点的地表位移数据类型智能响应面模型、深部位移数据类型智能响应面模型和水位数据类型智能响应面模型;
S106:利用步骤S103所述方法新生成P个不确定模型,并将这P个不确定模型作为最新输入样本;其中,P根据实际需求设置,且P大于N;
S107:基于自适应条件抽样算法的贝叶斯方法,利用岩土体参数直接信息对对所述P个不确定模型进行反演更新,得到直接信息更新后的P个不确定模型;
S108:将所述更新后的P个不确定模型作为步骤S105所述的不同时间点中初始时间点的地表位移数据类型智能响应面模型、深部位移数据类型智能响应面模型和水位数据类型智能响应面模型的输入样本,并根据对应的预测输出,采用基于自适应条件抽样算法的贝叶斯方法,利用对应时间点的实际监测数据对步骤S107所述的更新后的P个不确定模型进行反演更新,得到初始时间点更新后的P个不确定模型;
然后将初始时间点更新后的P个不确定模型作为下一轮时间点更新的输入样本,进行下一轮时间点的更新;如此循环更新,直到预设的时间点,最终获取所有监测信息动态更新后的更为准确的P个不确定模型;
另外,初始时间点更新后的下一轮时间点的更新均利用与该轮时间点相对应的智能响应面模型,且每一轮时间点更新后的P个不确定模型均作为下一时间点更新时的输入样本。
2.如权利要求1所述的一种基于多源异构数据融合的滑坡不确定模型动态构建方法,其特征在于:步骤S101中,获取目标滑坡的岩土体力学参数的空间分布特征和分布规律信息;具体包括:
S201:基于常规地质勘探与试验手段,获取目标滑坡不同部位岩土体的基础物理信息,并结合目标滑坡的坑探和槽探手段拍摄不同部位的实际照片;同时利用钻探手段获取目标滑坡不同钻孔点不同深度的岩土体样品,并开展室内实验获取相应位置点的岩土力学参数;所述岩土力学参数包括粘聚力和摩擦角;
S202:根据目标滑坡的前期勘察报告记录的不同钻孔点不同深度部位岩土体的颗粒级配和含水状态信息,配置多组重塑样品,每组重塑样品对应一个位置点的颗粒级配和含水状态;
S203:开展多组所述重塑样品的室内非饱和三轴直剪试验,获取目标滑坡的岩土体力学参数,并对剪切前后的重塑样品进行CT扫描,获得扫描照片;其中,所述岩土力学参数包括粘聚力和摩擦角参数;
S204:对步骤S201中的所述实际照片和步骤S203中的所述扫描照片进行二值化处理,识别照片中不同粒径颗粒,进而进行不同重塑样品CT扫描照片的习惯结构规律统计,获取岩土体中的细观特征参数;所述细观特征参数包括:块石的空间分布、块石形貌大小、排列方式与孔隙特征;
S205:根据所述实际照片的二值化处理结果,进行仿真数值模拟,以获取各位置点的岩土力学参数;同时,基于所述细观特征参数,获得细观特征参数的统计规律,并基于所述细观特征参数的统计规律进行随机建模,生成nn个重构试样,进而建立nn个重构试样的数值力学实验,获取不同重塑样品的nn个粘聚力与摩擦角值,然后对每个重塑样品的nn个粘聚力与摩擦角值分别取均值,作为该位置点重塑样品的粘聚力和摩擦角值;采用类似方法获取目标滑坡其它位置点的粘聚力和摩擦角,至此获取了目标滑坡不同位置点的岩土力学参数及其空间分布特征;
S206:对所述空间分布特征进行统计分析,得到目标滑坡的分布规律信息;所述目标滑坡的分布规律信息包括:粘聚力与摩擦角的均值、标准差和概率函数分布类型以及它们之间的相关系数;
步骤S102中,所述基础参数信息包括所述目标滑坡的实际边界条件、载荷施加、基本材料参数和网格划分;其中,所述目标滑坡的网格划分的密度、大小和形状均为根据实际需求预先设置好的。
3.如权利要求1所述的一种基于多源异构数据融合的滑坡不确定模型动态构建方法,其特征在于:步骤S103中,根据所述岩土体力学参数的空间分布特征和分布规律信息,结合所述有限元基础模型,建立所述目标滑坡的N个不确定模型;具体如下:
S301:据所述岩土体力学参数的空间分布特征,利用地质统计学理论中的半变异函数法,计算岩土力学参数的波动范围;
S302:根据所述有限元基础模型,生成对应的第一inp源文件,并提取所述有限元基础模型的单元中心点网格;
S303:根据所述单元中心点网格、所述岩土力学参数的波动范围和所述岩土力学参数的分布规律信息,采用基于乔列斯基分解的中心点法,生成所述目标滑坡的二维对数正太分布平稳随机场,即为所述目标滑坡的不确定模型。
4.如权利要求3所述的一种基于多源异构数据融合的滑坡不确定模型动态构建方法,其特征在于:步骤S301中,据所述岩土体力学参数的空间分布特征,利用地质统计学理论中的半变异函数法,计算岩土力学参数的波动范围;具体方法如下:
实验变异函数γ*(h)计算公式如公式(1)所示:
上式中,h为采样点间距,N(h)为采样间距为h时的样本对数,z(xi)与z(xi+h)分别为采样位置是xi,xi+h的样本;
对于不同采样间距h,根据公式(1)计算出相应的实验变异函数γ*(h),然后以h为横坐标、γ*(h)为纵坐标建立直角坐标系,得到若干散点,将相邻各点连接出来,得到试验变异函数云图,再用理论变异函数模型对所述云图进行拟合,得到岩土力学参数的波动范围。
6.如权利要求3所述的一种基于多源异构数据融合的滑坡不确定模型动态构建方法,其特征在于:步骤S303中,根据所述单元中心点网格、所述岩土力学参数的波动范围和所述岩土力学参数的分布规律信息,采用基于乔列斯基分解的中心点法,生成所述目标滑坡的二维对数正太分布平稳随机场;具体步骤包括:
S401:划分单元网格,此处的单元网格与所述有限元基础模型中的所述单元中心点网格相同,进而提取所述单元网格的中心点坐标(xi,yi),i=1,2,3,…,m,m为提取的总的单元中心点数目;
S402:根据m个单元网格的中心点坐标,采用超立方拉丁抽样产生2m个独立标准正太空间随机变量:
并对ρ0进行乔列斯基分解:L1L1 T=ρ0,得到维度为2×2的下三角矩阵L1;
S405:对自相关矩阵∑进行乔列斯基分解L2L2 T=∑,得到的下三角矩阵L2,利用公式(4)生成相关标准正太分布随机场H0(x,y):
S406:利用粘聚力与摩擦角的统计特征值,通过公式(5):
H(x,y)=exp(H0(x,y)) (5)
将相关标准正太分布随机场H0(x,y)等概率变化为相关对数正太分布随机场H(x,y),至此完成了粘聚力与摩擦角相关性的二维对数正太分布平稳随机场的模拟,得到二维对数正太分布平稳随机场;
循环执行步骤S402~S406 N次,得到N个二维对数正太分布平稳随机场,即N个不确定模型。
7.如权利要求1所述的一种基于多源异构数据融合的滑坡不确定模型动态构建方法,其特征在于:步骤S104中,根据所述N个不确定模型,采用Abaqus有限元软件,基于非侵入式随机有限元方法,开展滑坡数值模拟,得到与目标滑坡上实际检测位置点相对应的水位、地表位移和深部位移时间序列数据;具体包括:
S501:将所述的N个不确定模型中各个不确定模型中的2m个独立标准正太空间随机变量与m个网格的单元中心点一一对应,并根据m个网格的单元中心点和第二inp源文件之间的对应关系,利用各个不确定模型中的2m个独立标准正太空间随机变量对所述第二inp源文件中每个单元截面中的2个参数指标进行修改,供修改N次,得到N个修改后的新的inp源文件;所述的2个参数指标为粘聚力与摩擦角;
S502:调用Abaqus内核将N个新的inp源文件批量运行,生成N个odb文件;
S503:并基于Python语言,提取N个odb文件中不同位置监测点相对应的水位、地表位移和深部位移时间序列。
8.如权利要求1所述的一种基于多源异构数据融合的滑坡不确定模型动态构建方法,其特征在于:步骤S105中,根据所述的N个不确定模型和所述水位、地表位移和深部位移时间序列数据,分别建立不同时间点的地表位移数据类型智能响应面模型、深部位移数据类型智能响应面模型和水位数据类型智能响应面模型,具体步骤包括:
S601:建立ELM神经网络;
S602:将所述的N个不确定模型作为输入样本,即将各个不确定模型中的2m个独立标准正太空间随机变量作为输入变量:
不确定模型中提取的水位时间序列中某一时间点的数据作为输出样本:
Sj=[s1,s2,…,st]
t为所述目标滑坡上实际监测点的个数,共构成N个训练样本集合:
对所述ELM神经网络进行训练,得到训练好的ELM神经网络,即水位数据类型的智能响应面模型;
S603:采用步骤S601~S602类似的方法,保持输入样本不变,将输出样本分别更换为不确定模型中提取的地表位移时间序列和深部位移时间序列中某一时间点的数据,以分别训练出该时间点的地表位移数据类型智能响应面模型和深部位移数据类型智能响应面模型,最终得到不同时间点的地表位移数据类型智能响应面模型、深部位移数据类型智能响应面模型和水位数据类型智能响应面模型。
9.如权利要求1所述的一种基于多源异构数据融合的滑坡不确定模型动态构建方法,其特征在于:所述岩土体参数直接信息hz通过滑坡勘察或者原位试验手段获取;步骤S107中,基于自适应条件抽样算法的贝叶斯方法,利用岩土体参数直接信息对对所述P个不确定模型进行反演更新,得到直接信息更新后的P个不确定模型;方法为:
根据所获直接信息hz,采用自适应条件抽样算法的贝叶斯方法,对P个不确定模型进行反演更新,生成P个新的不确定模型Hp(hz),以完成直接信息对不确定模型的更新。
10.如权利要求9所述的一种基于多源异构数据融合的滑坡不确定模型动态构建方法,其特征在于:步骤S108中,循环更新的具体步骤包括:
S701:根据水位、地表位移和深部位移的实际监测数据,确定不同类型数据用于不确定模型更新的初始时间点及最终时间点,将所述的P个新的不确定模型Hp(hz)作为P个初始不确定模型;
S702:将所述P个初始不确定模型Hp(hz)作为时间点i的地表位移数据类型智能响应面模型的输入,得到地表位移预测值hd;根据所述地表位移预测值hd和时间点i对应的地表位移的实际监测数据,采用基于自适应条件抽样算法的贝叶斯方法,对所述P个初始不确定模型Hp(hz)进行反演更新,生成P个新的不确定模型Hp(hz-hd);i的初始值为1,代表所述初始时间点;且i=1,2,...,r;i=r代表最终时间点;
S703:将所述P个新的不确定模型Hp(hz-hd)作为时间点i的的深部位移数据类型智能响应面的输入,得到深部位移预测值hw;根据所述深部位移预测值hw和时间点i对应的深部位移的实际监测数据,采用基于自适应条件抽样算法的贝叶斯方法,对所述P个新的不确定模型Hp(hz-hd)进行反演更新,生成P个新的不确定模型Hp(hz-hd-hw);
S704:将所述P个新的不确定模型Hp(hz-hd-hw)作为时间点i的水位数据类型智能响应面的输入,得到水位预测值hs;根据所述水位预测值hs和时间点i对应的水位的实际监测数据,采用基于自适应条件抽样算法的贝叶斯方法,对所述P个新的不确定模型Hp(hz-hd-hw)进行反演更新,生成P个新的不确定模型Hp(hz-hd-hw-hs),至此完成初始时间点地表位移、深部位移、水位数据更新后的不确定模型Hp(hz-hd-hw-hs);
S705:将i更新为i+1,并将时间点i更新后的不确定模型Hp(hz-hd-hw-hs)作为P个初始不确定模型,返回步骤S702,以开始下一轮时间点i+1对上一时间点i已更新的不确定模型Hp(hz-hd-hw-hs)进行更新,直到预设的最终时间点的更新完成,i>r,获取所有时间更新后的P个最终不确定模型;将所述P个最终不确定模型作为最终更新后的更准确的不确定模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911022612.XA CN110837669B (zh) | 2019-10-25 | 2019-10-25 | 基于多源异构数据融合的滑坡不确定模型动态构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911022612.XA CN110837669B (zh) | 2019-10-25 | 2019-10-25 | 基于多源异构数据融合的滑坡不确定模型动态构建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110837669A CN110837669A (zh) | 2020-02-25 |
CN110837669B true CN110837669B (zh) | 2021-05-28 |
Family
ID=69575585
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911022612.XA Expired - Fee Related CN110837669B (zh) | 2019-10-25 | 2019-10-25 | 基于多源异构数据融合的滑坡不确定模型动态构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110837669B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112347537B (zh) * | 2020-10-27 | 2021-09-14 | 青岛超源博创科技发展有限公司 | 工程结构数值模型的校准方法、装置、电子设备及介质 |
CN112925958A (zh) * | 2021-02-05 | 2021-06-08 | 深圳力维智联技术有限公司 | 多源异构数据适配方法、装置、设备及可读存储介质 |
CN112818567B (zh) * | 2021-03-01 | 2023-06-16 | 深圳市安泰数据监测科技有限公司 | 一种基于概率论的岩土工程智能化监测预警方法及装置 |
CN113268899B (zh) * | 2021-04-02 | 2022-04-26 | 中国科学院武汉岩土力学研究所 | 一种岩土体参数的旋转各向异性非平稳随机场建模方法 |
CN113746855A (zh) * | 2021-09-09 | 2021-12-03 | 国网电子商务有限公司 | 一种能源工业云网的数据接入方法及相关设备 |
CN114036795B (zh) * | 2021-11-12 | 2023-05-16 | 中国海洋大学 | 一种基于原位监测的海底斜坡地震响应反演方法 |
CN115455791B (zh) * | 2022-10-11 | 2024-02-02 | 重庆地质矿产研究院 | 一种基于数值模拟技术提高滑坡位移预测准确率的方法 |
CN115526108B (zh) * | 2022-10-11 | 2024-01-16 | 重庆地质矿产研究院 | 一种基于多源监测数据的滑坡稳定性智能动态预测方法 |
CN116756525B (zh) * | 2023-08-17 | 2023-11-03 | 四川省华地建设工程有限责任公司 | 基于人工智能的岩土体参数智能测试方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101667324A (zh) * | 2008-09-03 | 2010-03-10 | 中国石油天然气股份有限公司 | 一种管道滑坡监测预警方法和系统及系统的构建方法 |
CN101799835A (zh) * | 2010-04-21 | 2010-08-11 | 中国测绘科学研究院 | 一种本体驱动地理信息检索系统和检索方法 |
CN108509698A (zh) * | 2018-03-19 | 2018-09-07 | 石家庄铁道大学 | 滑坡体土体的力学参数反演方法、装置及计算机设备 |
CN109885962A (zh) * | 2019-03-05 | 2019-06-14 | 中国石油大学(华东) | 海域天然气水合物分解诱发海底滑坡的数值模拟预测方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8676555B2 (en) * | 2010-10-26 | 2014-03-18 | The United States Of America, As Represented By The Secretary Of The Navy | Tool for rapid configuration of a river model using imagery-based information |
US20160162609A1 (en) * | 2014-12-09 | 2016-06-09 | Enrique Garcia Castaneda | Device to verify structural consistency |
-
2019
- 2019-10-25 CN CN201911022612.XA patent/CN110837669B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101667324A (zh) * | 2008-09-03 | 2010-03-10 | 中国石油天然气股份有限公司 | 一种管道滑坡监测预警方法和系统及系统的构建方法 |
CN101799835A (zh) * | 2010-04-21 | 2010-08-11 | 中国测绘科学研究院 | 一种本体驱动地理信息检索系统和检索方法 |
CN108509698A (zh) * | 2018-03-19 | 2018-09-07 | 石家庄铁道大学 | 滑坡体土体的力学参数反演方法、装置及计算机设备 |
CN109885962A (zh) * | 2019-03-05 | 2019-06-14 | 中国石油大学(华东) | 海域天然气水合物分解诱发海底滑坡的数值模拟预测方法 |
Non-Patent Citations (3)
Title |
---|
Centrifuge model test on the retrogressive landslide subjected to reservoir water level fluctuation;Fasheng Miao;《Engineering Geology》;20180830;第245卷;第169-179页 * |
全息地理重构理论、方法及应用探讨;刘朋飞;《天津师范大学学报(自然科学版)》;20190731;第39卷(第4期);第7-12页 * |
基于时间序列与GWO-ELM 模型的滑坡位移预测;廖康;《中南大学学报(自然科学版)》;20190331;第50卷(第3期);第619-626页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110837669A (zh) | 2020-02-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110837669B (zh) | 基于多源异构数据融合的滑坡不确定模型动态构建方法 | |
Li et al. | Uncertainty reduction and sampling efficiency in slope designs using 3D conditional random fields | |
Suchomel et al. | Probabilistic analyses of a strip footing on horizontally stratified sandy deposit using advanced constitutive model | |
WO2017055647A1 (es) | Método para proporcionar un modelo numérico de una muestra de roca | |
Sun et al. | From probabilistic back analyses to probabilistic run-out predictions of landslides: A case study of Heifangtai terrace, Gansu Province, China | |
Zeng et al. | 3D probabilistic landslide run-out hazard evaluation for quantitative risk assessment purposes | |
Liu et al. | Intelligent information-based construction in tunnel engineering based on the GA and CCGPR coupled algorithm | |
Wei et al. | Comparison of hybrid data-driven and physical models for landslide susceptibility mapping at regional scales | |
CN113343504A (zh) | 一种三维滑坡运动危险性概率评价方法 | |
CN114943125A (zh) | 基于XGBoost优化算法的隧道围岩参数智能反演分析方法 | |
Marchelli et al. | Optimization methods for the evaluation of the parameters of a rockfall fractal fragmentation model | |
Wang et al. | Spatial random fields-based Bayesian method for calibrating geotechnical parameters with ground surface settlements induced by shield tunneling | |
Yang et al. | Stochastic simulation of geological cross-sections from boreholes: a random field approach with Markov Chain Monte Carlo method | |
CN115099111A (zh) | 一种基于机器学习和有限元的盾构施工地表沉降预测方法 | |
CN107507179A (zh) | 基于gocad的岩土体量化分析方法 | |
Zhao et al. | An efficient model to estimate the soil profile and stratigraphic uncertainty quantification | |
Albano et al. | Gravity-driven postseismic deformation following the Mw 6.3 2009 L’Aquila (Italy) earthquake | |
Shen | Non-deterministic analysis of slope stability based on numerical simulation | |
Hadavand et al. | Facies proportion uncertainty in presence of a trend | |
Tian et al. | Real-time Fusion of Multi-Source Monitoring Data with Geotechnical Numerical Model Results using Data-driven and Physics-informed Sparse Dictionary Learning | |
Spacagna et al. | Data-driven soil profile characterization using statistical methods and artificial intelligence algorithms | |
Allgeier et al. | Surrogate‐Model Assisted Plausibility‐Check, Calibration, and Posterior‐Distribution Evaluation of Subsurface‐Flow Models | |
Van Nguyen et al. | Deep learning application for nonlinear seismic ground response prediction based on centrifuge test and numerical analysis | |
Bari et al. | Effects of soil spatial variability on axisymmetric versus plane strain analyses of ground improvement by prefabricated vertical drains | |
Sainea-Vargas et al. | Conditional random field simulation for analysis of deep excavations in soft soils |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210528 |