CN112528507B - 地形结构稳定性预测方法、装置，电子设备及存储介质 - Google Patents

地形结构稳定性预测方法、装置，电子设备及存储介质 Download PDF

Info

Publication number
CN112528507B
CN112528507B CN202011491924.8A CN202011491924A CN112528507B CN 112528507 B CN112528507 B CN 112528507B CN 202011491924 A CN202011491924 A CN 202011491924A CN 112528507 B CN112528507 B CN 112528507B
Authority
CN
China
Prior art keywords
sample
terrain
detection data
data
sample detection
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
CN202011491924.8A
Other languages
English (en)
Other versions
CN112528507A (zh
Inventor
邓冉
况长虹
胡文蓉
吴雨
邓锦山
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.)
Sichuan Jiuzhou Beidou Navigation And Position Service Co ltd
Original Assignee
Sichuan Jiuzhou Beidou Navigation And Position Service Co ltd
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 Sichuan Jiuzhou Beidou Navigation And Position Service Co ltd filed Critical Sichuan Jiuzhou Beidou Navigation And Position Service Co ltd
Priority to CN202011491924.8A priority Critical patent/CN112528507B/zh
Publication of CN112528507A publication Critical patent/CN112528507A/zh
Application granted granted Critical
Publication of CN112528507B publication Critical patent/CN112528507B/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
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/182—Network patterns, e.g. roads or rivers

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Geophysics And Detection Of Objects (AREA)

Abstract

本申请提供一种地形结构稳定性预测方法、装置、电子设备及存储介质。该方法包括：获取待测区域地形的目标检测数据；其中，所述目标检测数据包括地质数据以及环境数据；将所述目标检测数据输入至预设的灰色模型中，得到所述待测区域地形的结构稳定值；其中，所述预设的灰色模型表征地形的检测数据与该地形的结构稳定性的关系。通过上述方式，可以实现对复杂的地质结构的稳定性预测，此外，该方法还综合考虑了环境因素对于结构稳定性的影响，通过该方式进一步提高了预测精度。

Description

地形结构稳定性预测方法、装置，电子设备及存储介质
技术领域
本申请涉及地质勘测领域，具体而言，涉及一种地形结构稳定性预测方法、装置，电子设备及存储介质。
背景技术
结构健康监测技术最早应用于航空航天领域，随着结构健康监测重要性被逐渐认识，20世纪80年代，开始迅速在土木工程领域迅速发展，广泛应用于桥梁健康监测、大坝监测、建筑结构监测等方面。随着GNSS(Global Navigation Satellite System，全球卫星导航系统)高精度定位技术的不断进步，GPS(Global Positioning System，全球定位系统)高精度定位技术已开始逐渐应用于结构监测。而随着北斗卫星导航系统的不断推进建设，北斗高精度GNSS监测仪也开始应用于结构监测，如高速边坡、高铁沉降变形、建筑安全、城市安全等。在监测手段和监测方式越趋丰富的同时，新的技术难题也随之产生，如数据获取与传输，海量数据的存储与管理，监测数据的解读、分析和利用等，均已成为建立长期健康监测系统的关键技术难题。
在现有研究与应用中，关于结构健康监测与预警的理论研究较多，但实际应用较少，且主要集中于单一结构物，如桥梁健康监测、大坝监测、建筑结构监测等方面；而在实际应用中，往往还存在着许多实际困难，如数据量大、数据类型多、数据利用困难，监测点位选择不合理、监测预报准确率有待进一步提高等问题。如高速公路修建范围广泛、地质构造复杂、运营环境差别巨大，涉及结构物(通常包括桥梁、道路、隧道及其周边的山体、排土场等系列结构物)类型众多、状态复杂、条件各异，无法对其结构的稳定性进行实时且准确的预测。
发明内容
本申请实施例的目的在于提供一种地形结构稳定性预测方法、装置，电子设备及存储介质，以改善“目前对于复杂的地质结构无法进行实时且准确的结构稳定性预测”的问题。
本发明是这样实现的：
第一方面，本申请实施例提供一种地形结构稳定性预测方法，包括：获取待测区域地形的目标检测数据；其中，所述目标检测数据包括地质数据以及环境数据；将所述目标检测数据输入至预设的灰色模型中，得到所述待测区域地形的结构稳定值；其中，所述预设的灰色模型表征地形的检测数据与该地形的结构稳定性的关系。
在本申请实施例中，预先构建好表征地形的检测数据与该地形的结构稳定性的关系的灰色模型，使得在对待测区域地形进行预测时，可以直接将获取的待测区域地形的目标检测数据输入至该模型中，便可得到待测区域地形的结构稳定值，由于设置灰色模型可以结合多种数据，因此该模型可以用于实现对复杂的地质结构的稳定性预测，此外，该方法还综合考虑了环境因素对于结构稳定性的影响，通过该方式进一步提高了预测精度。
结合上述第一方面提供的技术方案，在一些可能的实现方式中，通过如下步骤构建所述预设的灰色模型：获取样本检测数据；其中，所述样本检测数据包括样本地形的地质数据以及环境数据；基于所述样本检测数据确定所述样本地形的结构稳定值；基于所述样本地形的结构稳定值以及所述样本检测数据构建所述预设的灰色模型。
在本申请实施例中，基于样本地形的地质数据以及环境数据来确定样本地形的结构稳定值，然后基于样本地形的结构稳定值以及样本检测数据构建所述预设的灰色模型。该方式综合考虑了环境因素对于结构稳定性的影响，进而使得所构建的预设的灰色模型的可靠性更高。
结合上述第一方面提供的技术方案，在一些可能的实现方式中，通过如下步骤确定所述样本地形：获取第一区域地形不同时段的合成孔径雷达影像；基于所述合成孔径雷达影像，计算所述第一区域地形中的形变数值；其中，所述第一区域地形中的形变数值大于预设形变数值的区域为所述样本地形。
在本申请实施例中，通过获取第一区域地形不同时段的合成孔径雷达影像；基于合成孔径雷达影像，计算第一区域地形中的形变数值能够筛选出具有形变特征的地形，将该地形作为样本地形更具有代表性，能够加强后续构建的预设的灰色模型的准确性。
结合上述第一方面提供的技术方案，在一些可能的实现方式中，所述第一区域地形为高速公路地形。
结合上述第一方面提供的技术方案，在一些可能的实现方式中，所述基于所述样本检测数据确定所述样本地形的结构稳定值，包括：对所述样本地形的健康状态以及所述样本检测数据进行回归分析；其中，所述样本地形的健康状态包括良好状态以及破坏状态；所述良好状态以及所述破坏状态对应的数值不同；基于回归分析结果，构建回归分析模型；其中，通过构建的所述回归分析模型确定影响所述样本地形的结果稳定性的目标样本检测数据；基于所述目标样本检测数据确定所述样本地形的结构稳定值；相应的，所述基于所述样本地形的结构稳定值以及所述样本检测数据构建所述预设的灰色模型，包括；基于所述样本地形的结构稳定值以及所述，目标样本检测数据构建所述预设的灰色模型；其中，所述目标检测数据与所述目标样本检测数据的类型相同。
在本申请实施例中，通过筛选出影响样本地形的结果稳定性的目标样本检测数据，再通过目标样本检测数据来确定样本地形的结构稳定值，使得确定出的样本地形的结构稳定值更具有参考价值。
第二方面，本申请实施例提供一种灰色模型的构建方法，包括：获取样本检测数据；其中，所述样本检测数据包括样本地形的地质数据以及环境数据；基于所述样本检测数据确定所述样本地形的结构稳定值；基于所述样本地形的结构稳定值以及所述样本检测数据构建灰色模型。
第三方面，本申请实施例提供一种地形结构稳定性预测装置，包括：获取模块，用于获取待测区域地形的目标检测数据；其中，所述目标检测数据包括地质数据以及环境数据；预测模块，用于将所述目标检测数据输入至预设的灰色模型中，得到所述待测区域地形的结构稳定值；其中，所述预设的灰色模型表征地形的检测数据与该地形的结构稳定性的关系。
第四方面，本申请实施例提供一种灰色模型的构建装置，包括：获取模块，用于获取样本检测数据；其中，所述样本检测数据包括样本地形的地质数据以及环境数据；确定模块，用于基于所述样本检测数据确定所述样本地形的结构稳定值；构建模块，用于基于所述样本地形的结构稳定值以及所述样本检测数据构建灰色模型。
第五方面，本申请实施例提供一种电子设备，包括：处理器和存储器，所述处理器和所述存储器连接；所述存储器用于存储程序；所述处理器用于调用存储在所述存储器中的程序，执行如上述第一方面实施例和/或执行如上述第二方面实施例提供的方法。
第六方面，本申请实施例提供一种存储介质，其上存储有计算机程序，所述计算机程序在被处理器运行时执行如上述第一方面实施例和/或执行如上述第二方面实施例提供的方法。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请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申请的某些实施例，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为本申请实施例提供的一种电子设备的结构示意图。
图2为本申请实施例提供的一种地形结构稳定性预测方法的步骤流程图。
图3为本申请实施例提供的构建预设的灰色模型的步骤流程图。
图4为本申请实施例提供的一种地形结构稳定性预测装置的模块框图。
图5为本申请实施例提供的一种灰色模型的构建装置的模块框图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述。
鉴于目前无法对于复杂的地质结构无法进行实时且准确的结构稳定性预测，本申请发明人经过研究探索，提出以下实施例以解决上述问题。
请参阅图1，本申请实施例提供的一种应用地形结构稳定性预测方法及灰色模型的构建方法的电子设备100的示意性结构框图。本申请实施例中，电子设备100可以是，但不限于个人计算机(Personal Computer，PC)、平板电脑、个人数字助理(Personal DigitalAssistant，PDA)、移动上网设备(Mobile Internet Device，MID)等。在结构上，电子设备100可以包括处理器110和存储器120。
处理器110与存储器120直接或间接地电性连接，以实现数据的传输或交互，例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。地形结构稳定性预测装置和/或灰色模型的构建装置包括至少一个可以软件或固件(Firmware)的形式存储在存储器120中或固化在电子设备100的操作系统(Operating System，OS)中的软件模块。处理器110用于执行存储器120中存储的可执行模块，例如，地形结构稳定性预测装置所包括的软件功能模块及计算机程序等，以实现地形结构稳定性预测方法。处理器110可以在接收到执行指令后，执行计算机程序。
其中，处理器110可以是一种集成电路芯片，具有信号处理能力。处理器110也可以是通用处理器，例如，可以是中央处理器(Central Processing Unit，CPU)、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific IntegratedCircuit，ASIC)、分立门或晶体管逻辑器件、分立硬件组件，可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。此外，通用处理器可以是微处理器或者任何常规处理器等。
存储器120可以是，但不限于，随机存取存储器(Random Access Memory，RAM)、只读存储器(Read Only Memory，ROM)、可编程只读存储器(Programmable Read-OnlyMemory，PROM)、可擦可编程序只读存储器(Erasable Programmable Read-Only Memory，EPROM)，以及电可擦编程只读存储器(Electric Erasable Programmable Read-OnlyMemory，EEPROM)。存储器120用于存储程序，处理器110在接收到执行指令后，执行该程序。
应当理解，图1所示的结构仅为示意，本申请实施例提供的电子设备100还可以具有比图1更少或更多的组件，或是具有与图1所示不同的配置。此外，图1所示的各组件可以通过软件、硬件或其组合实现。
请参阅图2，图2为本申请实施例提供的地形结构稳定性预测方法的流程示意图，该方法应用于图1所示的电子设备100。该方法包括：步骤S101-步骤S102：
步骤S101：获取待测区域地形的目标检测数据；其中，所述目标检测数据包括地质数据以及环境数据。
步骤S102：将所述目标检测数据输入至预设的灰色模型中，得到所述待测区域地形的结构稳定值；其中，所述预设的灰色模型表征地形的检测数据与该地形的结构稳定性的关系。
需要说明的是，在确定需要检测的待测区域地形后，需要在待测区域地形处设置各类检测装置以检测待测区域地形的目标检测数据。其中检测装置可以包括北斗位移监测终端、北斗环境监测终端、安全监测仪器。北斗位移监测终端主要用于获取待测区域地形的地理数据、北斗环境监测终端主要用于获取待测区域地形的降水值、温度值、风速值、风向值。安全检测仪器主要用于获取待测区域地形的裂缝宽度、拉力值，沉降量。其中目标检测数据还可以是基于合成孔径雷达(Synthetic Aperture Radar，SAR)影像所计算得到的待测区域地形的形变数值。其中，北斗位移监测终端、安全监测仪器以及合成孔径雷达所采集的数据即为待测区域地形的地质数据；北斗环境监测终端所采集的数据即为待测区域地形的环境数据。也即，本申请实施例所提供的方法在预测时综合地质本身的属性以及环境的影响因素。
需要说明的是，获取的待测区域地形的目标检测数据与构建的预设的灰色模型中所使用的检测数据为相同类型的数据。比如，构建的预设的灰色模型中所使用的检测数据为风速值、裂缝宽度和形变数值。则在实际的测量时，仅需获取待测区域的风速值、裂缝宽度和形变数值即可。
在本申请实施例中，预先构建好表征地形的检测数据与该地形的结构稳定性的关系的灰色模型，使得在对待测区域地形进行预测时，可以直接将获取的待测区域地形的目标检测数据输入至该模型中，便可得到待测区域地形的结构稳定值，由于设置灰色模型可以结合多种数据，因此该模型可以用于实现对复杂的地质结构的稳定性预测，此外，该方法还综合考虑了环境因素对于结构稳定性的影响，通过该方式进一步提高了预测精度。
下面对预设的灰色模型的构建方法进行说明，请参阅图3，该方法包括：步骤S201-步骤S203。
步骤S201：获取样本检测数据；其中，所述样本检测数据包括样本地形的地质数据以及环境数据。
在构建预设的灰色模型时，首先先确定出样本地形。作为一种可选的实施方式，通过如下步骤确定出样本地形：获取第一区域地形不同时段的合成孔径雷达影像；基于合成孔径雷达影像，计算第一区域地形中的形变数值。其中，第一区域地形中的形变数值大于预设形变数值的区域为样本地形。
也即，于本申请实施例中，通过获取第一区域地形不同时间段的SAR影像，采用SBAS-InSAR(小基线集)技术，以多主影像的干涉对为基础，基于高相干点恢复研究的时间序列形变信息，以探测地表位移变化，识别第一区域地形的地表形变区域。
具体的，SBAS-InSAR技术是基于一定时间基线和空间基线阈值，组合时间序列干涉图集以克服时空去相关现象；对集合内干涉对差分干涉，最小而成获取集合内相位信息，选取差分干涉图中的高相干点，基于高相干点滤波以去除大气相位、地形误差、噪声相位等影响；利用最小费用流算法相位解缠，将单个差分干涉的形变结果作为观测值；然后利用去奇异值分解法(SVD)将多个小基线集联合求解，获得该时间段内的形变时间序列，最后基于形变时间序列探测地表变化。上述的形变数值即为形变时间序列。预设形变数值可以根据实际情况而定，本申请不作限定。可以理解的是，由于SBAS-InSAR技术为本领域技术人员所熟知的技术，因此，本申请实施例中不作过多阐述。
上述的第一区域地形可以为高速公路地形，也可以是山路地形等等。也即本申请实施例所提供的地形结构稳定性预测方法可以根据不同的地形构建针对性的预设的灰色模型。比如，预测高速公路地形的结构稳定性时，样本地形主要为高速公路中的某一段地形，对此，本申请不作限定。
需要说明的是，通过上述方式能够筛选出具有形变特征的地形，将该地形作为样本地形更具有代表性，能够加强后续构建的预设的灰色模型的准确性。
在其他实施例中，样本地形也可以根据地质人员现场考察的勘测数据、地质调查和文献调查所确定出的地形。
在确定好样本地形后，需要获取样本地形的样本检测数据。可选地，于本申请实施例中，在获取样本地形后，确定出样本地形的监测点。比如可以结合无人机航测获取的DEM(数字高程模型)数据、地质调查和文献调查，选择样本地形中存在潜在结构风险的脆弱区域作为主要监测点。在确定监测点后，在监测点部署北斗位移监测终端、北斗环境监测终端、安全监测仪器。北斗位移监测终端主要用于获取样本地形的地理数据、北斗环境监测终端主要用于获取样本地形的降水值、温度值、风速值、风向值。安全检测仪器主要用于获取样本地形的裂缝宽度、拉力值，沉降量。其中，样本检测数据还可以是基于合成孔径雷达影像所计算得到的待测区域地形的形变数值。其中，北斗位移监测终端、安全监测仪器以及合成孔径雷达所采集的数据即为样本地形的地质数据；北斗环境监测终端所采集的数据即为样本地形的环境数据。也即，在构建预设的灰色模型时综合样本地形本身的地质属性以及环境的影响因素。
步骤S202：基于所述样本检测数据确定所述样本地形的结构稳定值。
在获取到样本检测数据后，根据样本检测数据来确定样本地形的结构稳定值。在确定样本地形的结构稳定值之前，首先需要对各类数据进行预处理，根据不同数据特征，进行数据预处理。数据预处理主要包括缺失值的填充、基于离群点分析的数据噪声去除、基于Min－Max(最小-最大)标准化法的数据标准化、基于主成分分析法的特征降维以及部分变量离散化，进而实现数据的整合。需要说明的是，上述预处理方式均为本领域技术人员所熟知，对此，本申请不作过多阐述。
作为一种可选的实施方式，可以基于样本检测数据对于样本地形的结构稳定的影响程度来确定结构稳定值。该方法包括：对样本地形的健康状态以及样本检测数据进行回归分析；其中，样本地形的健康状态包括良好状态以及破坏状态；良好状态以及破坏状态对应的数值不同；基于回归分析结果，构建回归分析模型；其中，通过构建的回归分析模型确定影响所述样本地形的结果稳定性的目标样本检测数据；基于目标样本检测数据确定样本地形的结构稳定值。
下面举例进行说明，将样本地形的健康状态作为因变量(比如，良好状态为0，破坏状态为1)，样本检测数据作为自变量(根据样本检测数据类型，自变量数据可为离散变量，也可为连续变量)进行回归分析(如二元逻辑(logistic)回归分析)；根据回归分析结果，分析整体构建情况。
需要解释的是，logistic回归是一种广义线性回归(generalized linearmodel)。通过logistic回归分析，可以得到自变量的权重，从而了解到自变量对于因变量的影响程度。需要说明的是，在进行回归分析时，主要分析的是logistic回归中的P(即显著性)值和OR(即优势比)值。于本申请实施例中，P值小于在0.05的因子(即在0.05水平显著的因子)表示对健康状态有显著影响的因子，则将其作为影响样本地形健康状态的因素；回归系数即模型中因子系数，在P值小于0.05时有意义。OR值用于与1作比较，越接近1时影响程度越小，反之则影响程度越大。
此外，模型伪R平方值，表示模型整体情况，其具体数值则表示所有变量能解释的因变量变化原因的比重，高于0.2则认为模型具有较好的拟合优度。
根据上述回归分析结果，构建回归模型，如下所示：
Figure BDA0002840872930000101
式(1)中，Y表示结构稳定值，Z1、Z2…Zn表示目标样本检测数据、β0为常数、β1、β2…βn表示变量系数。
也即，通过构建的回归模型即可得到影响样本地形的结果稳定性的目标样本检测数据Z1、Z2…Zn，然后再通过公式(1)即可确定出样本地形的结构稳定值。
在本申请实施例中，通过筛选出影响样本地形的结果稳定性的目标样本检测数据，再通过目标样本检测数据来确定样本地形的结构稳定值，使得确定出的样本地形的结构稳定值更具有参考价值。
需要说明的是，上述过程采用的是二元logistic回归分析，在其他实施例中，还可以采用其它的回归分析方式，比如Linear Regression(线性回归)。此外，健康状态作为因变量时也可以是良好状态为1，破坏状态为0，本申请均不作限定。
在其他实施例中，也可以直接根据样本检测数据来计算该样本地形的结构稳定值，相应的对公式(1)进行改动，β1、β2…βn所表示的变量系数可以相同，也即，默认所有检测数据对应样本地形的结构稳定值的影响程度相同。
步骤S203：基于所述样本地形的结构稳定值以及所述样本检测数据构建所述预设的灰色模型。
最后，基于样本地形的结构稳定值以及样本检测数据构建预设的灰色模型。当步骤S202中基于目标样本检测数据确定样本地形的结构稳定值时，该步骤则对应为基于样本地形的结构稳定值以及目标样本检测数据构建所述预设的灰色模型。
需要说明的是，如果一个系统具有层次、结构关系的模糊性，动态变化的随机性，指标数据的不完备或不确定性，则称这些特性为灰色性。具有灰色性的系统称为灰色系统。对灰色系统建立的预测模型称为灰色模型(Grey Model)，简称GM(1，N)模型，它揭示了系统内部事物连续发展变化的过程。GM(1，N)模型表示1阶，N个变量的微分方程模型。
因此，于本申请实施例中，构建GM(1，N)模型来实现对地形的结构稳定性的预测。具体构建过程如下：
设
Figure BDA0002840872930000121
为系统特征数据序列；其中，系统特征数据序列中的每一项代表一个样本地形的结构稳定值。
相应的，
Figure BDA0002840872930000122
Figure BDA0002840872930000123
······
Figure BDA0002840872930000124
则表示相关因素数据序列(也即样本检测数据序列)。
令
Figure BDA0002840872930000125
为
Figure BDA0002840872930000126
的一阶累加序列，
Figure BDA0002840872930000127
为
Figure BDA0002840872930000128
的紧邻均值生成序列，则得到以下公式：
Figure BDA0002840872930000129
式(2)中，
Figure BDA00028408729300001210
a为系统发展系数，
Figure BDA00028408729300001211
为驱动项，bi为驱动系数。
假设a＝[a,b2,b3,...,bn]T为参数列，
Figure BDA00028408729300001212
则有
Figure BDA00028408729300001213
根据最小二乘法，则有
Figure BDA00028408729300001214
计算可得
Figure BDA00028408729300001215
则构建的预设的灰色模型的表达式为：
Figure BDA00028408729300001216
通过上述步骤即可得到完成对预设的灰色模型的构建。
可选地，在构建完成灰色模型后，还可以对模型的精度进行检验。具体的，由上述(4)即可得到
Figure BDA0002840872930000131
的预测值
Figure BDA0002840872930000132
代入公式(4)即可得到：
Figure BDA0002840872930000133
还原求出
Figure BDA0002840872930000134
的预测值
Figure BDA0002840872930000135
则有：
Figure BDA0002840872930000136
通过公式(6)进而求得：
Figure BDA0002840872930000137
其中，
Figure BDA0002840872930000138
即为对应样本地形所预测的结构稳定值。通过预测的稳定值与系统特征数据序列进行比对，则可以完成对模型的精度进行检验。
在本申请实施例中，基于样本地形的地质数据以及环境数据来确定样本地形的结构稳定值，然后基于样本地形的结构稳定值以及样本检测数据构建所述预设的灰色模型。该方式综合考虑了环境因素对于结构稳定性的影响，进而使得所构建的预设的灰色模型的可靠性更高。
基于同一发明构思，本申请实施例还提供一种灰色模型的构建方法，该方法可单独应用于图1所示的电子设备100中。该方法包括：获取样本检测数据；其中，所述样本检测数据包括样本地形的地质数据以及环境数据；基于所述样本检测数据确定所述样本地形的结构稳定值；基于所述样本地形的结构稳定值以及所述样本检测数据构建灰色模型。
需要说明的是，本申请实施例提供的灰色模型的构建方法与前述实施例中预设的灰色模型的构建方法相同，因此，对于灰色模型的构建方法的具体过程可以参考前述实施例中对于预设的灰色模型的构建方法的具体过程，为了避免累赘，此处不作重复阐述。
请参阅图4，基于同一发明构思，本申请实施例还提供一种地形结构稳定性预测装置200，包括：获取模块201以及预测模块202。
其中，获取模块201用于获取待测区域地形的目标检测数据；其中，所述目标检测数据包括地质数据以及环境数据。
预测模块202用于将所述目标检测数据输入至预设的灰色模型中，得到所述待测区域地形的结构稳定值；其中，所述预设的灰色模型表征地形的检测数据与该地形的结构稳定性的关系。
请参阅图5，基于同一发明构思，本申请实施例还提供一种灰色模型的构建装置300，包括：获取模块301、确定模块302以及构建模块303。
获取模块301，用于获取样本检测数据；其中，所述样本检测数据包括样本地形的地质数据以及环境数据。
确定模块302用于基于所述样本检测数据确定所述样本地形的结构稳定值。
构建模块303用于基于所述样本地形的结构稳定值以及所述样本检测数据构建灰色模型。
需要说明的是，由于所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
基于同一发明构思，本申请实施例还提供一种存储介质，其上存储有计算机程序，计算机程序在被运行时执行上述实施例中提供的方法。
该存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
在本申请所提供的实施例中，应该理解到，所揭露装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
另外，作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
再者，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
以上所述仅为本申请的实施例而已，并不用于限制本申请的保护范围，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (8)

1.一种地形结构稳定性预测方法，其特征在于，包括：
获取待测区域地形的目标检测数据；其中，所述目标检测数据包括地质数据以及环境数据；
将所述目标检测数据输入至预设的灰色模型中，得到所述待测区域地形的结构稳定值；其中，所述预设的灰色模型表征地形的检测数据与该地形的结构稳定性的关系；
通过如下步骤构建所述预设的灰色模型：获取样本检测数据；其中，所述样本检测数据包括样本地形的地质数据以及环境数据；基于所述样本检测数据确定所述样本地形的结构稳定值；基于所述样本地形的结构稳定值以及所述样本检测数据构建所述预设的灰色模型；
所述基于所述样本检测数据确定所述样本地形的结构稳定值，包括：对所述样本地形的健康状态以及所述样本检测数据进行回归分析；其中，所述样本地形的健康状态包括良好状态以及破坏状态；所述良好状态以及所述破坏状态对应的数值不同；基于回归分析结果，构建回归分析模型；其中，通过构建的所述回归分析模型确定影响所述样本地形的结果稳定性的目标样本检测数据；基于所述目标样本检测数据确定所述样本地形的结构稳定值；相应的，所述基于所述样本地形的结构稳定值以及所述样本检测数据构建所述预设的灰色模型，包括：基于所述样本地形的结构稳定值以及所述目标样本检测数据构建所述预设的灰色模型；其中，所述目标检测数据与所述目标样本检测数据的类型相同。
2.根据权利要求1所述的方法，其特征在于，通过如下步骤确定所述样本地形：
获取第一区域地形不同时段的合成孔径雷达影像；
基于所述合成孔径雷达影像，计算所述第一区域地形中的形变数值；其中，所述第一区域地形中的形变数值大于预设形变数值的区域为所述样本地形。
3.根据权利要求2所述的方法，其特征在于，所述第一区域地形为高速公路地形。
4.一种灰色模型的构建方法，其特征在于，包括：
获取样本检测数据；其中，所述样本检测数据包括样本地形的地质数据以及环境数据；
基于所述样本检测数据确定所述样本地形的结构稳定值；
基于所述样本地形的结构稳定值以及所述样本检测数据构建灰色模型；
所述基于所述样本检测数据确定所述样本地形的结构稳定值，包括：对所述样本地形的健康状态以及所述样本检测数据进行回归分析；其中，所述样本地形的健康状态包括良好状态以及破坏状态；所述良好状态以及所述破坏状态对应的数值不同；基于回归分析结果，构建回归分析模型；其中，通过构建的所述回归分析模型确定影响所述样本地形的结果稳定性的目标样本检测数据；基于所述目标样本检测数据确定所述样本地形的结构稳定值；相应的，所述基于所述样本地形的结构稳定值以及所述样本检测数据构建所述灰色模型，包括：基于所述样本地形的结构稳定值以及所述目标样本检测数据构建所述灰色模型。
5.一种地形结构稳定性预测装置，其特征在于，包括：
获取模块，用于获取待测区域地形的目标检测数据；其中，所述目标检测数据包括地质数据以及环境数据；
预测模块，用于将所述目标检测数据输入至预设的灰色模型中，得到所述待测区域地形的结构稳定值；其中，所述预设的灰色模型表征地形的检测数据与该地形的结构稳定性的关系；
其中，预测模块还用于获取样本检测数据；其中，所述样本检测数据包括样本地形的地质数据以及环境数据；基于所述样本检测数据确定所述样本地形的结构稳定值；基于所述样本地形的结构稳定值以及所述样本检测数据构建所述预设的灰色模型；
所述预测模块还用于对所述样本地形的健康状态以及所述样本检测数据进行回归分析；其中，所述样本地形的健康状态包括良好状态以及破坏状态；所述良好状态以及所述破坏状态对应的数值不同；基于回归分析结果，构建回归分析模型；其中，通过构建的所述回归分析模型确定影响所述样本地形的结果稳定性的目标样本检测数据；基于所述目标样本检测数据确定所述样本地形的结构稳定值；基于所述样本地形的结构稳定值以及所述目标样本检测数据构建所述预设的灰色模型；其中，所述目标检测数据与所述目标样本检测数据的类型相同。
6.一种灰色模型的构建装置，其特征在于，包括：
获取模块，用于获取样本检测数据；其中，所述样本检测数据包括样本地形的地质数据以及环境数据；
确定模块，用于基于所述样本检测数据确定所述样本地形的结构稳定值；
构建模块，用于基于所述样本地形的结构稳定值以及所述样本检测数据构建灰色模型；
所述确定模块，还具体用于对所述样本地形的健康状态以及所述样本检测数据进行回归分析；其中，所述样本地形的健康状态包括良好状态以及破坏状态；所述良好状态以及所述破坏状态对应的数值不同；基于回归分析结果，构建回归分析模型；其中，通过构建的所述回归分析模型确定影响所述样本地形的结果稳定性的目标样本检测数据；基于所述目标样本检测数据确定所述样本地形的结构稳定值；
所述构建模块，还具体用于基于所述样本地形的结构稳定值以及所述目标样本检测数据构建所述灰色模型。
7.一种电子设备，其特征在于，包括：处理器和存储器，所述处理器和所述存储器连接；
所述存储器用于存储程序；
所述处理器用于运行存储在所述存储器中的程序，执行如权利要求1-3中任一项所述的方法，和/或执行如权利要求4所述的方法。
8.一种存储介质，其特征在于，其上存储有计算机程序，所述计算机程序在被计算机运行时执行如权利要求1-3中任一项所述的方法，和/或执行如权利要求4所述的方法。
CN202011491924.8A 2020-12-17 2020-12-17 地形结构稳定性预测方法、装置，电子设备及存储介质 Active CN112528507B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011491924.8A CN112528507B (zh) 2020-12-17 2020-12-17 地形结构稳定性预测方法、装置，电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011491924.8A CN112528507B (zh) 2020-12-17 2020-12-17 地形结构稳定性预测方法、装置，电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN112528507A CN112528507A (zh) 2021-03-19
CN112528507B true CN112528507B (zh) 2022-10-28

Family

ID=75001088

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011491924.8A Active CN112528507B (zh) 2020-12-17 2020-12-17 地形结构稳定性预测方法、装置，电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN112528507B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113138978B (zh) * 2021-04-22 2023-07-04 深圳大学 面向城市差异性沉降监测的北斗数据填充与变形预测方法
CN115600510B (zh) * 2022-11-28 2023-06-20 华北科技学院(中国煤矿安全技术培训中心) 露天矿排土场土石混合体边坡的稳定性评估方法和系统

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108446417A (zh) * 2018-01-05 2018-08-24 石家庄铁道大学 严寒地区高速铁路路基稳定性在线交互式评估方法及装置

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
NO327688B1 (no) * 2007-09-07 2009-09-14 Abb As Fremgangsmåte og system for forutsigelse i et olje-/gassproduksjonssystem
CN108537379B (zh) * 2018-04-04 2021-11-16 北京科东电力控制系统有限责任公司 自适应变权重组合负荷预测方法及装置

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108446417A (zh) * 2018-01-05 2018-08-24 石家庄铁道大学 严寒地区高速铁路路基稳定性在线交互式评估方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
边坡变形预测的灰色理论研究与应用;赵静波等;《岩石力学与工程学报》;20051130;第24卷;第5799-5802页 *

Also Published As

Publication number Publication date
CN112528507A (zh) 2021-03-19

Similar Documents

Publication Publication Date Title
CN111623722B (zh) 一种基于多传感器的边坡变形立体监测系统和方法
US8482453B2 (en) Identification and analysis of persistent scatterers in series of SAR images
Guzman-Acevedo et al. GPS, Accelerometer, and Smartphone Fused Smart Sensor for SHM on Real‐Scale Bridges
CN112528507B (zh) 地形结构稳定性预测方法、装置，电子设备及存储介质
Omidalizarandi et al. A validated robust and automatic procedure for vibration analysis of bridge structures using MEMS accelerometers
CN115855399A (zh) 一种基于人工智能的大型桥梁健康监测方法
Kulsoom et al. SBAS-InSAR based validated landslide susceptibility mapping along the Karakoram Highway: a case study of Gilgit-Baltistan, Pakistan
Chiaia et al. Customised active monitoring system for structural control and maintenance optimisation
Wang et al. Analysis and prediction of regional land subsidence with InSAR technology and machine learning algorithm
Sorkhabi et al. Coseismic displacement of Ahar–Varzegan earthquakes based on GPS observations and deep learning
Liu et al. Turning telecommunication fiber‐optic cables into distributed acoustic sensors for vibration‐based bridge health monitoring
Shi et al. Data-driven sequential development of geological cross-sections along tunnel trajectory
Wei et al. Bridge damage localization using axle weight time history data obtained through a bridge weigh-in-motion system
Ponzo et al. DInSAR–SBAS satellite monitoring of infrastructures: how temperature affects the “Ponte della Musica” case study
Zhou et al. Pinpointing early signs of impending slope failures from space
Roberts et al. Measurement and correlation of displacements on the Severn Suspension Bridge using GPS
Qu et al. Outlier Detection and Forecasting for Bridge Health Monitoring Based on Time Series Intervention Analysis.
CN113884054A (zh) 一种杆塔位移沉降监测方法及系统
Hu et al. Combined detection of surface changes and deformation anomalies using amplitude-augmented recursive inSAR time series
CN114330442A (zh) 一种基于k-近邻法的管道应变特征分类计算方法及系统
Ponzo et al. An advanced approach to the long term SHM of structures and transport infrastructures
Tremper et al. Spatial interpolation of air quality data with multidimensional Gaussian processes
CN117648873B (zh) 地面沉降预测方法、训练方法、装置、设备
Nguyen et al. Application of Artificial Neural Network for Recovering GPS—RTK Data in the Monitoring of Cable-Stayed Bridge Deformation
Pirotti et al. Micro-scale landslide displacements detection using Bayesian methods applied to GNSS data

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