CN111639813A - 基于深度学习的弃渣场危险性预警方法及系统 - Google Patents
基于深度学习的弃渣场危险性预警方法及系统 Download PDFInfo
- Publication number
- CN111639813A CN111639813A CN202010486831.XA CN202010486831A CN111639813A CN 111639813 A CN111639813 A CN 111639813A CN 202010486831 A CN202010486831 A CN 202010486831A CN 111639813 A CN111639813 A CN 111639813A
- Authority
- CN
- China
- Prior art keywords
- early warning
- data
- sample data
- deep learning
- model
- 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.)
- Pending
Links
- 239000002893 slag Substances 0.000 title claims abstract description 35
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000013135 deep learning Methods 0.000 title claims abstract description 19
- 238000012360 testing method Methods 0.000 claims abstract description 43
- 238000012549 training Methods 0.000 claims abstract description 34
- 238000013136 deep learning model Methods 0.000 claims abstract description 20
- 238000004364 calculation method Methods 0.000 claims abstract description 12
- 230000001681 protective effect Effects 0.000 claims abstract description 11
- 238000005457 optimization Methods 0.000 claims abstract description 10
- 238000012545 processing Methods 0.000 claims abstract description 9
- 238000013210 evaluation model Methods 0.000 claims abstract description 5
- 239000002689 soil Substances 0.000 claims description 34
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 8
- 230000004044 response Effects 0.000 claims description 6
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 230000005484 gravity Effects 0.000 claims description 4
- 230000035699 permeability Effects 0.000 claims description 4
- 238000002790 cross-validation Methods 0.000 claims description 3
- 230000005764 inhibitory process Effects 0.000 claims description 2
- 238000011156 evaluation Methods 0.000 abstract description 5
- 238000012216 screening Methods 0.000 abstract description 3
- 239000002699 waste material Substances 0.000 abstract description 3
- 238000004458 analytical method Methods 0.000 description 6
- 238000010276 construction Methods 0.000 description 4
- 230000007123 defense Effects 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000011835 investigation Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 229920006395 saturated elastomer Polymers 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
Images
Classifications
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Computer Security & Cryptography (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Processing Of Solid Wastes (AREA)
Abstract
本发明提出一种基于深度学习的弃渣场危险性预警方法及系统,包括如下步骤:获取弃渣场坍塌危险影响因子;将筛选的弃渣场危险影响因子原始数据进行正交试验处理,计算各组试验的抗滑稳定系数,并划分该区域预警区间;构建深度学习模型;通过历史弃渣场稳定系数选取样本数据;样本数据划分为训练样本数据和测试样本数据,将训练样本数据传入深度学习模型中训练,并在测试样本数据上测试,通过误差优化模型;构建弃渣场危险性评价模型,将待测样本特征值输入模型进行计算,输出其对应稳定系数;通过输出稳定系数,传输入弃渣场危险性评价系统划分进行筛分,输出分级预警信号以及防护措施,传递于终端设备。其效率高且精度准确。
Description
技术领域
本发明属于地质灾害监测预报技术领域,尤其涉及一种基于深度学习的弃渣场危险性预警方法及系统。
背景技术
深度学习是机器学习领域中一个新的研究方向,它是学习样本数据的内在规律和表示层次,这些学习过程中逐渐提取数据的特征,最终目标是建立一个数学模型,让机器能够像人一样具有分析学习能力。
当前生产建设项目弃渣场的安全管理工作中,仍有很多问题需要认真地思考和妥善地处理:(1)当前生产建设项目弃渣场的事故隐患排查主要靠人力,通过人的专业知识和工作经验去发现生产中存在的事故隐患。这种方式容易受到人的主观因素的影响,同时还受人的专业知识掌握程度和工作经验的限制,难以准确判断安全与危险的状态,可靠性和科学性不高;(2)由于缺少有效的事故分析工具,缺乏对事故规律的认识,导致对生产建设项目弃渣场的安全管理事故主要采取“事后管理”的模式,缺少事前预防和事中管理,在事故发生后才进行事故原因分析、事故责任追究以及防治措施制定,这种方式存在很大的局限性,不能达到从根源上防止事故的目的。
发明内容
为了实现根据前期区域弃渣场灾害记录、降雨历时数据及土体参数等特征因素构建深度学习数值模型,当区域内相关特征因素的变更时进行预测,发出弃渣场危险性评价信号,本发明针对上述问题,提出一种基于深度学习的弃渣场危险性预警方法及系统,可以有效提高预测正确性,使机器具有人的分析能力,掌握事故发生规律,减少隐患排查所需要的人力物力,同时通过系统存储海量案例、不同级别的布防措施、历史数据和实时数据,实时反馈分级预警信息,给予布防充足时间。其包括如下步骤:获取弃渣场坍塌危险影响因子;将筛选的弃渣场危险影响因子原始数据进行正交试验处理,计算各组试验的抗滑稳定系数,并划分该区域预警区间;构建深度学习模型;通过历史弃渣场稳定系数选取样本数据;样本数据划分为训练样本数据和测试样本数据,将训练样本数据传入深度学习模型中训练,并在测试样本数据上测试,通过误差优化模型;构建弃渣场危险性评价模型,将待测样本特征值输入模型进行计算,输出其对应稳定系数;通过输出稳定系数,传输入弃渣场危险性评价系统划分进行筛分,输出分级预警信号以及防护措施,传递于终端设备。本发明还提供利用该方法实现的预警系统。本发明推进了弃渣场安全响应手段的更新进程,并基于深度学习模型,实时进行弃渣场危险性评价,效率高且精度准确。
本发明具体采用以下技术方案:
一种基于深度学习的弃渣场危险性预警方法,其特征在于,包括以下步骤:
步骤S1:获取弃渣场坍塌危险影响因子原始数据;
步骤S2:将所述弃渣场危险影响因子原始数据进行正交试验处理,计算各组试验的抗滑稳定系数,并划分该区域预警区间;
步骤S3:构建深度学习模型;所述深度学习模型为多层感知器结构,包含输入层、隐藏单元层、抑制过拟合层、批标准化层和输出层;
步骤S4:通过历史弃渣场稳定系数选取样本数据构建数据集,所述样本数据包含坍塌地区样本数据和安全地区样本数据,所述安全区域样本数据为样本点为正样本点,所述坍塌地区样本数据为负样本点;
步骤S5:将所述样本数据划分为训练样本数据和测试样本数据,输入所述深度学习模型中训练,并在测试样本数据上测试,通过误差优化模型超参数;
步骤S6:通过交叉验证多个模型,取模型精度最高的权重,构建弃渣场危险性评价模型,将待测样本特征值输入模型进行计算,输出其对应的稳定系数;
步骤S7:根据所述稳定系数,关联并输出分级预警信号以及防护措施。
优选地,所述弃渣场坍塌危险影响因子包括:土壤粘聚力、土壤内摩擦角、土壤重度、弃渣场坡度、土层厚度、区域降雨强度、降雨历时和渗透系数。
优选地,对步骤S4中的数据集进行以下步骤的处理:
步骤S41:从数据集中选取70%~80%的数据进行模型训练,剩下20~30%的数据作为测试数据进行模型测试,执行S42;
步骤S42:计算训练数据均值和方差,将数据进行标准化处理。
优选地,步骤S5中,模型优化算法为适应性矩估计算法,损失函数为均方误差,衡量指标为平均绝对误差,并执行以下步骤:
步骤S52:根据正样本数据和负样本数据所占比例,指定损失函数的损失敏感权值比例;
步骤S52:通过测值与测试数据的平均绝对误差,返回优化算法执行速率、过拟合层超参数、敏感权值比例和隐藏层单元数,直至满足精度要求。
优选地,在步骤S7中,稳定系数与分级预警信号以及防护措施的关联性由历史和实时弃渣场水土参数、水文数据、预警区间和响应方案与稳定系数的对应关系获得。
以及根据以上预警方法的预警系统,其特征在于,包括:存储有历史和实时弃渣场水土参数、水文数据、预警区间和响应方案的数据中心库;所述数据中心库根据步骤S1-步骤S6获得的稳定系数调取对应的区域预警区间和预警方案,发出相应的危险性预警信号至终端设备。
优选地,所述终端设备为手机或电脑。
与现有技术相比,本发明及其优选方案有如下有益效果:
可以有效提高预测正确性,使机器具有人的分析能力,掌握事故发生规律,减少隐患排查所需要的人力物力,同时通过系统存储海量案例、不同级别的布防措施、历史数据和实时数据,实时反馈分级预警信息,给予布防充足时间。
附图说明
下面结合附图和具体实施方式对本发明进一步详细的说明:
图1为本发明实施例深度学习模型结构示意图;
图2为本发明实施例的基于深度学习的弃渣场危险性预警方法采用的系统结构示意图;
图3为本发明实施例的经过多层感知器训练后的学习曲线示意图。
具体实施方式
为让本专利的特征和优点能更明显易懂,下文特举实施例,作详细说明如下:
如图2所示,本实施例提供的基于深度学习的弃渣场危险性预警方法,包括以下步骤:
S1:获取弃渣场坍塌危险影响因子,执行S2;
S2:将筛选的弃渣场危险影响因子原始数据进行正交试验处理,计算各组试验的抗滑稳定系数,并划分该区域预警区间,执行S3;
S3:构建深度学习模型,执行S4;
S4:通过历史弃渣场稳定系数选取样本数据,样本数据包含坍塌地区样本数据和安全地区样本数据,安全区域样本数据为样本点为正样本点,坍塌地区样本数据为负样本点,执行S5;
S5:样本数据划分为训练样本数据和测试样本数据,将训练样本数据传入深度学习模型中训练,并在测试样本数据上测试,通过误差优化模型超参数,执行S6;
S6:通过交叉验证多个模型,取模型精度最高的权重,构建弃渣场危险性评价模型,将待测样本特征值输入模型进行计算,输出其对应稳定系数,执行S7;
S7:通过输出稳定系数,传输入弃渣场危险性评价系统划分进行筛分,输出分级预警信号以及防护措施,传递于终端设备。
由于弃渣场安全的影响因子众多,需要根据研究区域的具体情况选取合适的危险性评价因子,例如土壤粘聚力(kPa)、土壤内摩擦角(°)、土壤重度(N/m3)、弃渣场坡度(°)、土层厚度(m)、区域降雨强度(mm/h)、降雨历时(h)、渗透系数(mm/h)和是否饱和,通过现场快速取样仪器便可获得水土信息,对于水文数据可通过当地水文站获取。
由于每个区域具有其独特性,因此需要对安全稳定系数预警区间通过计算进行划分。而历史数据海量多元,计算成本较高,故可以运用正交试验设计预警区间。正交试验设计方法是一种科学的安排与分析因素试验的方法,具有试验次数少,能有对试验数据进行简单分析点。为了保证样本的多样性,故此处以福建省弃渣场为例,数据由正交化表格L6489进行,共64组数据抗滑稳定系数,利用数据计算公式为:式中为土壤有效内摩擦角,δ为弃渣场坡度,ψ为地下压力水头,c’为土壤有效粘聚力,γw为地下水容重,γs为土壤容重,Z为土层厚度,t为时间。
如表1所示。
表1确定预警区间正交试验表格
选定此9个因子,划分8个水平进行研究分级预警区间。通过计算研究认定稳定系数Fs>1.5时,该区安全,系统中反馈绿色信号;1.3<Fs<1.5时,该区三级预警,系统中反馈黄色信号与相应防护措施;1<Fs<1.3时,该区二级预警,系统中反馈橙色信号与相应防护措施;Fs<1时,该区一级预警,系统中反馈红色信号与相应防护措施。
如图1所示,对于深度学习模型的构建,本实施例方案采用多层感知器,设立输入层、隐藏单元层、抑制过拟合层、批标准化层和输出层。输入层主要作用是读取需要进行训练和预测的数据;隐藏单元层是作为传递层,当训练数据和预测数据满足某一个条件时,这个传递层中某些单元就会被激活,一层一层将数据连接至输出层;抑制过拟合层采用Dropout层,防止数据过度与训练数据拟合;批标准化层主要是让深度学习模型看到的不同样本彼此之间更加相似,有助于模型的学习与对新数据的泛化;输出层的主要作用则是输出需要的结果数据,将期望的信号输出作为参考,用实际的信号输出进行对比,如果满足所需结果,则输出数据,如若不满足,则反向修正模型。
选取该福建弃渣场历史稳定系数选取样本数据,将土壤粘聚力(kPa)、土壤内摩擦角(°)、土壤重度(N/m3)、弃渣场坡度(°)、土层厚度(m)、区域降雨强度(mm/h)、降雨历时(h)、渗透系数(mm/h)和是否饱和分别作为特征值x1、x2、x3、x4、x5、x6、x7、x8和x9,将安全稳定系数Fs作为输出值y。其中样本数据包含坍塌地区样本数据和安全地区样本数据,安全区域样本数据为样本点为正样本点,坍塌地区样本数据为负样本点。
其中,S4还包括以下步骤:
S41:数据集中选取70%~80%的数据进行模型训练,剩下20~30%的数据作为测试数据进行模型测试,执行S42;
S42:计算训练数据均值和方差,将数据进行标准化处理,以便提高后续模型训练速率。
具体实施前,数据集需要进行预处理。首先进行乱序,提高训练的泛化性。并将乱序后的数据集,进行标准化处理,由于原始数据的单位和属性单位不统一,为了实现同质化分析,需要计算训练数据集的各因子均值和方差,将原始数据进行标准化处理,以便让深度学习模型看到的不同样本彼此之间更加相似,有助于模型的学习与对新数据的泛化,并且对于文本型数据,例如是否饱和,应当进行顺序编码,转换为数值型数据,以便模型读取信息。标准化计算公式为:
本实施例中,在安全区域选取了150个正样本点,在坍塌地区选取了150个负样本点,总共300个样本点数据作为模型的样本数据。从数据中心库中,调取这300个样本数据的影响因子,并进行之前的预处理,对于是否饱和顺序编码,1代表饱和,0代表非饱和。
由于目前国内外对于训练样本与测试样本的比例选取大多采用二八原则,即训练样本取样本数据的80%,测试样本取样本数据的20%,故本例亦遵循此原则,因此将300组样本数据划分为240训练样本数据和60组测试样本数据。
按照上述步骤,本实施例利用python语言和keras深度学习库,构建多层感知器深度学习模型。
步骤S5还包括以下步骤:
S51:指定模型优化算法为适应性矩估计算法,损失函数为均方误差,衡量指标为平均绝对误差,执行S52;
S52:根据正样本数据和负样本数据所占比例,指定损失函数的损失敏感权值比例,执行S53。
S53:通过测值与测试数据的平均绝对误差,返回优化算法执行速率、过拟合层超参数、敏感权值比例和隐藏层单元数,直至满足精度要求。
本实施例中,对于模型的编译,采用适应性矩估计算法,它对超参数的选择具有相当的鲁棒性,学习速率初始采用0.001,而后根据结果进行增大或减小;由于对于弃渣场安全稳定系数的预测,实质上为多元回归分析,因此损失函数使用均方误差MSE,用来检测模型的预测值和真实值之间的偏差,其计算公式为其中M为样本数据总数,ym为预测数据,为测试样本数据均值;对于多元线性回归问题衡量指标选择平均绝对误差MAE,用来监控数据预测的正确性,其计算公式为其中M为样本数据总数,ym为预测数据,y'm为测试样本数据。如若不符合精度要求,调整深度学习模型的层数、优化算法的学习率、每层隐藏单元的个数、Dropout层的超参数和训练所需要的时期。
如图3所示,最终该实例经过交叉验证的模型的平均绝对误差下降至0.12左右,精度满足监测要求。
将此模型保存至弃渣场危险性预警系统当中,系统数据中心库存储历史和实时弃渣场水土参数、水文数据、预警区间和响应方案,根据实时数据利用深度学习模型模块预测弃渣场稳定系数,并调取该区域预警区间和预警方案,发出相应的危险性预警信号于工作人员手机和/或电脑。
本专利不局限于上述最佳实施方式,任何人在本专利的启示下都可以得出其它各种形式的基于深度学习的弃渣场危险性预警方法及系统,凡依本发明申请专利范围所做的均等变化与修饰,皆应属本专利的涵盖范围。
Claims (8)
1.一种基于深度学习的弃渣场危险性预警方法,其特征在于,包括以下步骤:
步骤S1:获取弃渣场坍塌危险影响因子原始数据;
步骤S2:将所述弃渣场危险影响因子原始数据进行正交试验处理,计算各组试验的抗滑稳定系数,并划分该区域预警区间;
步骤S3:构建深度学习模型;所述深度学习模型为多层感知器结构,包含输入层、隐藏单元层、抑制过拟合层、批标准化层和输出层;
步骤S4:通过历史弃渣场稳定系数选取样本数据构建数据集,所述样本数据包含坍塌地区样本数据和安全地区样本数据,所述安全区域样本数据为样本点为正样本点,所述坍塌地区样本数据为负样本点;
步骤S5:将所述样本数据划分为训练样本数据和测试样本数据,输入所述深度学习模型中训练,并在测试样本数据上测试,通过误差优化模型超参数;
步骤S6:通过交叉验证多个模型,取模型精度最高的权重,构建弃渣场危险性评价模型,将待测样本特征值输入模型进行计算,输出其对应的稳定系数;
步骤S7:根据所述稳定系数,关联并输出分级预警信号以及防护措施。
2.根据权利要求1所述的基于深度学习的弃渣场危险性预警方法,其特征在于:所述弃渣场坍塌危险影响因子包括:土壤粘聚力、土壤内摩擦角、土壤重度、弃渣场坡度、土层厚度、区域降雨强度、降雨历时和渗透系数。
4.根据权利要求1所述的基于深度学习的弃渣场危险性预警方法,其特征在于:对步骤S4中的数据集进行以下步骤的处理:
步骤S41:从数据集中选取70%~80%的数据进行模型训练,剩下20~30%的数据作为测试数据进行模型测试,执行S42;
步骤S42:计算训练数据均值和方差,将数据进行标准化处理。
5.根据权利要求1所述的基于深度学习的弃渣场危险性预警方法,其特征在于:步骤S5中,模型优化算法为适应性矩估计算法,损失函数为均方误差,衡量指标为平均绝对误差,并执行以下步骤:
步骤S52:根据正样本数据和负样本数据所占比例,指定损失函数的损失敏感权值比例;
步骤S52:通过测值与测试数据的平均绝对误差,返回优化算法执行速率、过拟合层超参数、敏感权值比例和隐藏层单元数,直至满足精度要求。
6.根据权利要求1所述的基于深度学习的弃渣场危险性预警方法,其特征在于:在步骤S7中,稳定系数与分级预警信号以及防护措施的关联性由历史和实时弃渣场水土参数、水文数据、预警区间和响应方案与稳定系数的对应关系获得。
7.根据权利要求6所述的基于深度学习的弃渣场危险性预警方法的预警系统,其特征在于,包括:存储有历史和实时弃渣场水土参数、水文数据、预警区间和响应方案的数据中心库;所述数据中心库根据步骤S1-步骤S6获得的稳定系数调取对应的区域预警区间和预警方案,发出相应的危险性预警信号至终端设备。
8.根据权利要求7所述的基于深度学习的弃渣场危险性预警方法的预警系统,其特征在于:所述终端设备为手机或电脑。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010486831.XA CN111639813A (zh) | 2020-06-01 | 2020-06-01 | 基于深度学习的弃渣场危险性预警方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010486831.XA CN111639813A (zh) | 2020-06-01 | 2020-06-01 | 基于深度学习的弃渣场危险性预警方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111639813A true CN111639813A (zh) | 2020-09-08 |
Family
ID=72329532
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010486831.XA Pending CN111639813A (zh) | 2020-06-01 | 2020-06-01 | 基于深度学习的弃渣场危险性预警方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111639813A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112927480A (zh) * | 2021-01-29 | 2021-06-08 | 盐城墨韵电子科技有限公司 | 基于物联网和大数据协同分析的地质灾害监测方法及预警管理平台 |
CN116245283A (zh) * | 2023-03-08 | 2023-06-09 | 北京七兆科技有限公司 | 弃渣场次生灾害风险评估方法、装置、设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102009056777A1 (de) * | 2009-12-03 | 2011-06-09 | Deutsches Zentrum für Luft- und Raumfahrt e.V. | System und Verfahren zum Segmentieren einer Zielregion in räumliche Warneinheiten eines sensorgestützten Frühwarnsystems |
CN106372352A (zh) * | 2016-09-13 | 2017-02-01 | 江苏大学 | 一种滑坡区域检测装置及方法 |
CN109063247A (zh) * | 2018-06-26 | 2018-12-21 | 西安工程大学 | 基于深度信念网络的滑坡灾害预报方法 |
CN109146144A (zh) * | 2018-07-26 | 2019-01-04 | 西安工程大学 | 基于改进贝叶斯网络的滑坡灾害预测方法 |
CN109558971A (zh) * | 2018-11-09 | 2019-04-02 | 河海大学 | 基于lstm长短期记忆网络的智能滑坡监测装置与方法 |
CN110362949A (zh) * | 2019-07-23 | 2019-10-22 | 电子科技大学 | 一种基于神经网络的滑坡敏感性评估方法 |
-
2020
- 2020-06-01 CN CN202010486831.XA patent/CN111639813A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102009056777A1 (de) * | 2009-12-03 | 2011-06-09 | Deutsches Zentrum für Luft- und Raumfahrt e.V. | System und Verfahren zum Segmentieren einer Zielregion in räumliche Warneinheiten eines sensorgestützten Frühwarnsystems |
CN106372352A (zh) * | 2016-09-13 | 2017-02-01 | 江苏大学 | 一种滑坡区域检测装置及方法 |
CN109063247A (zh) * | 2018-06-26 | 2018-12-21 | 西安工程大学 | 基于深度信念网络的滑坡灾害预报方法 |
CN109146144A (zh) * | 2018-07-26 | 2019-01-04 | 西安工程大学 | 基于改进贝叶斯网络的滑坡灾害预测方法 |
CN109558971A (zh) * | 2018-11-09 | 2019-04-02 | 河海大学 | 基于lstm长短期记忆网络的智能滑坡监测装置与方法 |
CN110362949A (zh) * | 2019-07-23 | 2019-10-22 | 电子科技大学 | 一种基于神经网络的滑坡敏感性评估方法 |
Non-Patent Citations (1)
Title |
---|
刘林通: "基于TRIGRS模型的降雨型浅表层滑坡易发性评价-以秦州区教场坝沟为例", 《中国优秀硕士学位论文全文数据库基础科学辑》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112927480A (zh) * | 2021-01-29 | 2021-06-08 | 盐城墨韵电子科技有限公司 | 基于物联网和大数据协同分析的地质灾害监测方法及预警管理平台 |
CN112927480B (zh) * | 2021-01-29 | 2022-11-11 | 中交华南勘察测绘科技有限公司 | 基于物联网和大数据协同分析的地质灾害监测方法及预警管理平台 |
CN116245283A (zh) * | 2023-03-08 | 2023-06-09 | 北京七兆科技有限公司 | 弃渣场次生灾害风险评估方法、装置、设备及存储介质 |
CN116245283B (zh) * | 2023-03-08 | 2024-05-07 | 北京七兆科技有限公司 | 弃渣场次生灾害风险评估方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111508216B (zh) | 一种大坝安全监测数据智能预警方法 | |
CN103559551A (zh) | 一种面向生产企业的安全隐患风险定量评估及预警系统 | |
CN108665119B (zh) | 一种供水管网异常工况预警方法 | |
CN111639813A (zh) | 基于深度学习的弃渣场危险性预警方法及系统 | |
CN104156615A (zh) | 基于ls-svm的传感器检测数据点异常检测方法 | |
CN114492980B (zh) | 一种城镇燃气埋地管道腐蚀风险的智能预测方法 | |
CN115994248B (zh) | 阀门故障的数据检测方法及系统 | |
CN109783967A (zh) | 一种滑坡预测方法及系统 | |
CN111199313A (zh) | 基于神经网络对滑坡累积位移趋势进行预测的方法及系统 | |
CN111827982A (zh) | 钻井溢流漏失工况预测方法及装置 | |
CN116934262B (zh) | 一种基于人工智能的施工安全监管系统及方法 | |
CN115660407A (zh) | 污染场地风险等级预测模型的训练方法和训练装置 | |
Yang et al. | An intelligent singular value diagnostic method for concrete dam deformation monitoring | |
CN104063609B (zh) | 一种利用神经网络辅助判定污染源监测数据有效性的方法 | |
Liu et al. | A dynamic quantitative risk assessment method for drilling well control by integrating multi types of risk factors | |
CN114757365A (zh) | 一种基于深度学习的高速铁路路基沉降预测及预警方法 | |
CN107942383A (zh) | 煤层顶板砂岩富水性等级预测方法 | |
CN103134433A (zh) | 一种利用位移监测鉴别边坡失稳致滑因子的方法 | |
CN105722129A (zh) | 一种基于fsax-markov模型的无线传感网事件检测方法及系统 | |
CN117191147A (zh) | 一种泄洪大坝水位监测预警方法及系统 | |
Du et al. | Environmental evaluation of coal mines based on generalized linear model and nonlinear fuzzy analytic hierarchy | |
CN113486575A (zh) | 一种地表变形破坏预测预警方法、装置及存储介质 | |
CN115879760A (zh) | 基坑安全判断方法、装置、电子设备及可读存储介质 | |
CN110658316A (zh) | 一种水质在线监测方法及系统 | |
Yang et al. | Hydraulic metal structure health diagnosis based on data mining technology |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200908 |
|
RJ01 | Rejection of invention patent application after publication |