CN112668244A

CN112668244A - 边坡地震稳定性预测方法、装置、设备及可读存储介质

Info

Publication number: CN112668244A
Application number: CN202110010579.XA
Authority: CN
Inventors: 杨长卫; 郭雪岩; 张凯文; 童心豪; 李宗昊
Original assignee: Southwest Jiaotong University
Current assignee: Southwest Jiaotong University
Priority date: 2021-01-06
Filing date: 2021-01-06
Publication date: 2021-04-16
Anticipated expiration: 2041-01-06
Also published as: CN112668244B

Abstract

本发明涉及地震作用下边坡稳定性分析技术领域，具体而言，涉及一种边坡地震稳定性预测方法、装置、设备及可读存储介质。所述方法包括：向振动台发送控制信号；获取第一输出数据和第一输入数据；建立第一BP神经网络模型，获得经过训练后的第二BP神经网络模型；获取第二输入数据；计算得到所述边坡的第一PGA放大系数。本发明通过根据某一特定边坡构建相似比1：10的边坡模型置于振动台上，并在边坡设置加速度监测点，控制不同的边坡参数、土体参数、地震波参数进行多组试验得到不同情况下的PGA放大系数；改善了目前只能针对特定边坡做试验的方法求得特定边坡的PGA放大系数的现状，提高了经济效益，大大降低了求得边坡PGA放大系数的时间和成本。

Description

边坡地震稳定性预测方法、装置、设备及可读存储介质

技术领域

本发明涉及地震作用下边坡稳定性分析技术领域，具体而言，涉及一种边坡地震稳定性预测方法、装置、设备及可读存储介质。

背景技术

近年来，世界各地地震频发，俨然已经进入了一个地震高发期，地震活动愈加剧烈，地震对民生、社会和经济都带来的影响越来越大。

地震作用下边坡稳定性的研究是目前岩土方向的研究重点之一，一旦山区发生强震，极易诱发严重的边坡问题。在地震作用下，边坡会随着地震的震动而震动，然而边坡的震动加速度峰值与实际地震加速度峰值是不同的，存在放大或缩小的关系，如何通过已有的数据预测边坡在不同地震作用下的PGA放大系数，就具有极大的意义。

发明内容

本发明的目的在于提供一种边坡地震稳定性预测方法、装置、设备及可读存储介质，以改善上述问题。

为了实现上述目的，本申请实施例提供了如下技术方案：

一方面，本申请实施例提供了一种边坡地震稳定性预测方法，所述方法包括：

向振动台发送第一控制信号，所述第一控制信号包括控制所述振动台向边坡加载第一地震波的第一命令；

获取第一输出数据和第一输入数据，所述第一输入数据包括第一边坡参数、第一地震波参数和第一土体参数，所述第一输出数据包括设置在所述边坡上的加速度传感器所采集的最大峰值加速度；

建立第一BP神经网络模型，将所述第一输入数据和所述第一输出数据输入所述第一BP神经网络模型中，获得经过训练后的第二BP神经网络模型；

获取第二输入数据，所述第二输入数据包括第二边坡参数、第二地震波参数和第二土体参数；

将所述第二输入数据输入所述第二BP神经网络模型中，得到第二输出数据；根据所述第二地震波参数中的最大峰值加速度数据和所述第二输出数据，计算得到所述边坡的第一PGA放大系数。

可选地，所述获取第一输出数据，包括：

获取第一子输出数据、第二子输出数据和第三子输出数据，所述第一子输出数据包括设置在所述边坡坡顶的第一加速度传感器所采集的最大峰值加速度，所述第二子输出数据包括设置在所述边坡坡面的第二加速度传感器所采集的最大峰值加速度，所述第三子输出数据包括设置在所述边坡坡脚的第三加速度传感器所采集的最大峰值加速度；

将所述获取第一子输出数据、第二子输出数据和第三子输出数据进行排序，选取最大峰值加速度的值最大的数据为所述第一子输出数据。

可选地，所述建立第一BP神经网络模型，包括：

建立3层随机重连型BP神经网络，在所述3层随机重连型BP神经网络中设置多个输入神经元和1个输出层神经元，所述输入神经元的个数与所述第一输入数据中的参数个数相等；

通过公式（1）确定隐藏层神经元数：

（1）

公式（1）中，m为隐藏层神经元数，n为输入层神经元数，l为输出层神经元数，a为0～10的任意常数。

可选地，所述根据所述第二地震波参数中的最大峰值加速度数据和所述第二输出数据，计算得到所述边坡的PGA放大系数后，还包括：

生成多组第三输入数据，每组所述第三输入数据包括第三边坡参数、第三地震波参数和第三土体参数，每组所述第三输入数据互不相同，所述第三输入数据中的每个参数，均为在所述第二输入数据中的每个参数的基础上分别加上一个随机数得到的；

分别将每个所述第三输入数据输入所述第二BP神经网络模型中，得到多个第三输出数据；根据所述每个第三输入数据和每个所述第三输出数据计算得到多个对应的第二PGA放大系数；

获取预设的PGA放大系数的阈值，将每个所述第二PGA放大系数与所述PGA放大系数的阈值进行比较，筛选出小于所述PGA放大系数的阈值的第二PGA放大系数，将筛选出的第二PGA放大系数和所述筛选出的第二PGA放大系数对应的第三输入数据输出。

第二方面，本申请实施例提供了一种边坡地震稳定性预测系统，所述系统包括：

发送模块，用于向振动台发送控制信号，所述控制信号包括控制所述振动台向边坡加载第一地震波的命令；

第一获取模块，用于获取第一输出数据和第一输入数据，所述第一输入数据包括第一边坡参数、第一地震波参数和第一土体参数，所述第一输出数据包括设置在所述边坡上的加速度传感器所采集的最大峰值加速度；

第一计算模块，用于建立第一BP神经网络模型，将所述第一输入数据和所述第一输出数据输入所述第一BP神经网络模型中，获得经过训练后的第二BP神经网络模型；

第二获取模块，用于获取第二输入数据，所述第二输入数据包括第二边坡参数、第二地震波参数和第二土体参数；

第二计算模块，用于将所述第二输入数据输入所述第二BP神经网络模型中，得到第二输出数据；根据所述第二地震波参数中的最大峰值加速度数据和所述第二输出数据，计算得到所述边坡的第一PGA放大系数。

可选地，所述第一获取模块包括：

第一获取单元，用于获取第一子输出数据、第二子输出数据和第三子输出数据，所述第一子输出数据包括设置在所述边坡坡顶的第一加速度传感器所采集的最大峰值加速度，所述第二子输出数据包括设置在所述边坡坡面的第二加速度传感器所采集的最大峰值加速度，所述第三子输出数据包括设置在所述边坡坡脚的第三加速度传感器所采集的最大峰值加速度；

第一计算单元，用于将所述获取第一子输出数据、第二子输出数据和第三子输出数据进行排序，选取最大峰值加速度的值最大的数据为所述第一子输出数据。

可选地，所述第一计算模块包括：

第二计算单元，用于建立3层随机重连型BP神经网络，在所述3层随机重连型BP神经网络中设置多个输入神经元和1个输出层神经元，所述输入神经元的个数与所述第一输入数据中的参数个数相等；

第三计算单元，用于通过公式（1）确定隐藏层神经元数：

（1）

可选地，所述系统还包括：

第三计算模块，用于生成多组第三输入数据，每组所述第三输入数据包括第三边坡参数、第三地震波参数和第三土体参数，每组所述第三输入数据互不相同，所述第三输入数据中的每个参数，均为在所述第二输入数据中的每个参数的基础上分别加上一个随机数得到的；

第四计算模块，用于分别将每个所述第三输入数据输入所述第二BP神经网络模型中，得到多个第三输出数据；根据所述每个第三输入数据和每个所述第三输出数据计算得到多个对应的第二PGA放大系数；

第五计算模块，用于获取预设的PGA放大系数的阈值，将每个所述第二PGA放大系数与所述PGA放大系数的阈值进行比较，筛选出小于所述PGA放大系数的阈值的第二PGA放大系数，将筛选出的第二PGA放大系数和所述筛选出的第二PGA放大系数对应的第三输入数据输出。

第三方面，本申请实施例提供了一种边坡地震稳定性预测设备，所述设备包括存储器和处理器。存储器用于存储计算机程序；处理器用于执行所述计算机程序时实现上述边坡地震稳定性预测方法的步骤。

第四方面，本申请实施例提供了一种可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述边坡地震稳定性预测方法的步骤。

本发明的有益效果为：

本发明通过根据某一特定边坡构建相似比1：10的边坡模型置于振动台上，并在边坡设置加速度监测点，控制不同的边坡参数、土体参数、地震波参数进行多组试验得到不同情况下的PGA放大系数；改善了目前只能针对特定边坡做试验的方法求得特定边坡的PGA放大系数的现状，提高了经济效益，大大降低了求得边坡PGA放大系数的时间和成本。

本发明的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明实施例了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对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发明的某些实施例，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是本发明实施例中所述的一种边坡地震稳定性预测方法流程示意图；

图2是本发明实施例中所述的一种边坡地震稳定性预测系统结构示意图；

图3是本发明实施例中所述的一种边坡地震稳定性预测设备结构示意图；

图4是本发明实施例中所述的设置于振动台内的相似模型边坡的结构示意图；

图5是本发明实施例中所述模型的相似比；

图6是本发明实施例中所述的一种边坡地震稳定性预测方法的预测准确性验证表；

图7是本发明实施例中所述的随机重连型BP神经网络示意图。

图中标记：1、堆积体；2、软弱夹层；3、基岩；800、边坡地震稳定性预测设备；801、处理器；802、存储器；803、多媒体组件；804、I/O接口；805、通信组件。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中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。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作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。

应注意到：相似的标号或字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本发明的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

实施例1

本实施例中，申请人根据相似原理构建相似模型边坡，模型按照1：10的比例来构造，模型主要相似比如图5所示。其相似理论的主要内容是：

相似现象的相似准则相等，相似指标为1，单独参数也近似为1；

在相似现象满足的情况下，实现现象的参数关系可以转换为相似准则的函数关系，且与相似现象的函数式相同，也称π定理，即：

f(α₁,α₂,……α_k,α_k+1,α_k+2,……,α_n)=0 （3）

F(π₁,π₂,……,π_n-k)=0 （4）

公式（3）中，α₁,α₂,……α_k为基本量，α_k+1,α_k+2,……,α_n为导出量。

在现象及相似现象能被同函数表达、单独参数相似且相似准则相等的情况下，两者可视为相似。

所述相似模型边坡的结构如图4所示，所述相似模型边坡包括基岩3，基岩3的上方设置有堆积体1，所述基岩3与所述堆积体1之间设置有软弱夹层2。所述堆积体1坡面的顶部设置有第一加速度传感器DH1，所述堆积体1坡面的中部设置有第二加速度传感器DH2，所述堆积体1坡面的底部设置有第三加速度传感器DH3。

如图1所示，本实施例提供了一种边坡地震稳定性预测方法，该方法包括步骤S100、步骤S200、步骤S300、步骤S400和步骤S500。

步骤S100.向振动台发送控制信号，所述控制信号包括控制所述振动台向边坡加载第一地震波的命令；

步骤S200.获取第一输出数据和第一输入数据，所述第一输入数据包括第一边坡参数、第一地震波参数和第一土体参数，所述第一输出数据包括设置在所述边坡上的加速度传感器所采集的最大峰值加速度；

所述第一边坡参数可以包括坡角，以及滑体与基岩的体积比；所述第一地震波参数包括震波波型和地震波最大峰值加速度；所述第一土体参数包括密度、粘聚力和内摩擦角。第一输入数据和第二输入数据的数据类型相同；

在步骤S200中，可以调整通过调整第一输入数据中的数据，获得多个不同的第一输入数据，比如，可以设置边坡坡角分別为40°、45°、50°、55°、60°，每组试验的土体密度、粘聚力、内摩擦角均不相同；输入地震波波形可以设置为三种：汶川卧龙地震波、Kobe地震波以及EL Centro地震波；输入地震波的峰值加速度可以从0.1g-1.0g依次从小到大输入。由此，可以获得多组数据，数据量越多，预测结果越准确。同时，还可以把获得的多组数据中的一部分作为建模组，另一部分作为验证组，通过验证组来验证预测的准确率。通过本发明所述的方法，预测的准确率如图6所示，从图6中可以看出，预测误差均低于10%；

步骤S300.建立第一BP神经网络模型，将所述第一输入数据和所述第一输出数据输入所述第一BP神经网络模型中，获得经过训练后的第二BP神经网络模型；

步骤S400.获取第二输入数据，所述第二输入数据包括第二边坡参数、第二地震波参数和第二土体参数；

步骤S500.将所述第二输入数据输入所述第二BP神经网络模型中，得到第二输出数据；根据所述第二地震波参数中的最大峰值加速度数据和所述第二输出数据，计算得到所述边坡的第一PGA放大系数。

所述第一PGA放大系数的计算公式为：

C_PGA=V₂÷V₁ （2）

公式（2）中，C_PGA为PGA放大系数，V₁为所述第二地震波参数中的最大峰值加速度值，V₂为所述第二输出数据中的最大峰值加速度值。

在本公开的一种具体实施方式中，所述步骤S200中，还可以包括步骤S210和步骤S220。

步骤S210.获取第一子输出数据、第二子输出数据和第三子输出数据，所述第一子输出数据包括设置在所述边坡坡顶的第一加速度传感器所采集的最大峰值加速度，所述第二子输出数据包括设置在所述边坡坡面的第二加速度传感器所采集的最大峰值加速度，所述第三子输出数据包括设置在所述边坡坡脚的第三加速度传感器所采集的最大峰值加速度；

步骤S220.将所述获取第一子输出数据、第二子输出数据和第三子输出数据进行排序，选取最大峰值加速度的值最大的数据为所述第一子输出数据。

在本公开的一种具体实施方式中，所述步骤S300中，还可以包括步骤S310和步骤S320。

步骤S310.建立3层随机重连型BP神经网络，如图7所示，在所述3层随机重连型BP神经网络中设置多个输入神经元和1个输出层神经元，所述输入神经元的个数与所述第一输入数据中的参数个数相等；其中，输入神经元设置为7个；

步骤S320.通过公式（1）确定隐藏层神经元数：

（1）

所述随机重连型BP神经网络的原理如下：

（a）隐含层节点输出为：

（b）输出层节点输出为：

（c）实际输出与期望输出间的均方误差函数：

（d）误差函数对隐含层与输出层节点间的权值求导：

E是Z_k1≤k≤n的函数，但是只有Z_l与V_lj有关，z_i与z_j(i≠j;i,j=1,2,…,n)间相互独立，则：

（e）设输出层节点误差为：

误差函数对输入层与隐含层节点间的权值求导

E是Z_l(1≤l≤n)的函数，某一个w_ji对应于一个y_j，它与所有的Z_l (1≤l≤n)有关，则：

（f）设隐含层节点误差为：

由于权值的修正比

、

于误差函数沿梯度下降，故隐含层与输出层节点间的权值变化为：

隐含层与输出层节点间的权值修正：

输入层与隐含层节点间的权值变化为：

输入层与隐含层节点间的权值修正：

由上式可知，隐含层节点误差4中的

。表示输出节点Z_l的误差

通过权值v_lj向节点y_j反向传播成为隐含层节点的误差。

在调整权值的同时，阈值也会调整，其原理与权值相同。

误差函数对输出节点阈值求导：

阈值调整：

误差函数对隐含层节点阈值求导：

阈值调整：

其中，x_i为输入节点，y_j为隐含层节点，z_l为输出节点，Z_k表示输出期望节点。w_ji为输入节点与隐含层节点间的连接权值，v_lj为隐含层节点与输出节点间的连接权值。θ_j为隐含层各神经元的阈值，θ_l为输出层各神经元的阈值。f为隐含层和输出层的激励函数。t_l为输出节点的期望。

在本公开的一种具体实施方式中，所述步骤S500之后，还可以包括步骤S600、步骤S700和步骤S800。

步骤S600.生成多组第三输入数据，每组所述第三输入数据包括第三边坡参数、第三地震波参数和第三土体参数，每组所述第三输入数据互不相同，所述第三输入数据中的每个参数，均为在所述第二输入数据中的每个参数的基础上分别加上一个随机数得到的；

步骤S700.分别将每个所述第三输入数据输入所述第二BP神经网络模型中，得到多个第三输出数据；根据所述每个第三输入数据和每个所述第三输出数据计算得到多个对应的第二PGA放大系数；

步骤S800.获取预设的PGA放大系数的阈值，将每个所述第二PGA放大系数与所述PGA放大系数的阈值进行比较，筛选出小于所述PGA放大系数的阈值的第二PGA放大系数，将筛选出的第二PGA放大系数和所述筛选出的第二PGA放大系数对应的第三输入数据输出。

在本公开的一种具体实施方式中，所述步骤S800之后，还可以包括步骤S900。

步骤S900.将所述筛选出的第二PGA放大系数按照从小到大的顺序进行排序。

当预测出的第一PGA放大系数后，获取PGA放大系数的阈值，判断所述第一PGA放大系数与所述PGA放大系数的阈值的大小关系，若所述第一PGA放大系数大于所述PGA放大系数的阈值时，则进行步骤S600至步骤S800步骤。通过上述步骤，可以很方便的得出使得边坡的PGA放大系数小于阈值的第三输入数据，通过该第三输入数据中的值，可以对现有的边坡进行针对性的整改。比如，通过上述步骤，得到使得述PGA放大系数小于述PGA放大系数阈值的参数中，坡角小于现有的坡角，则将现有的坡角调整至所述第三输入数据中的坡角，即可针对性的对边坡的参数进行修改，提高边坡的安全性。

实施例2

如图2所示，本实施例提供了一种边坡地震稳定性预测系统，所述系统包括发送模块701、第一获取模块702、第一计算模块703、第二获取模块704和第二计算模块705。

发送模块701，用于向振动台发送控制信号，所述控制信号包括控制所述振动台向边坡加载第一地震波的命令；

第一获取模块702，用于获取第一输出数据和第一输入数据，所述第一输入数据包括第一边坡参数、第一地震波参数和第一土体参数，所述第一输出数据包括设置在所述边坡上的加速度传感器所采集的最大峰值加速度；

第一计算模块703，用于建立第一BP神经网络模型，将所述第一输入数据和所述第一输出数据输入所述第一BP神经网络模型中，获得经过训练后的第二BP神经网络模型；

第二获取模块704，用于获取第二输入数据，所述第二输入数据包括第二边坡参数、第二地震波参数和第二土体参数；

第二计算模块705，用于将所述第二输入数据输入所述第二BP神经网络模型中，得到第二输出数据；根据所述第二地震波参数中的最大峰值加速度数据和所述第二输出数据，计算得到所述边坡的第一PGA放大系数。

在本公开的一种具体实施方式中，所述第一获取模块702，还可以包括第一获取单元7021和第一计算单元7022。

第一获取单元7021，用于获取第一子输出数据、第二子输出数据和第三子输出数据，所述第一子输出数据包括设置在所述边坡坡顶的第一加速度传感器所采集的最大峰值加速度，所述第二子输出数据包括设置在所述边坡坡面的第二加速度传感器所采集的最大峰值加速度，所述第三子输出数据包括设置在所述边坡坡脚的第三加速度传感器所采集的最大峰值加速度；

第一计算单元7022，用于将所述获取第一子输出数据、第二子输出数据和第三子输出数据进行排序，选取最大峰值加速度的值最大的数据为所述第一子输出数据。

在本公开的一种具体实施方式中，所述第一计算模块703，还可以包括第二计算单元7031和第三计算单元7032。

第二计算单元7031，用于建立3层随机重连型BP神经网络，在所述3层随机重连型BP神经网络中设置多个输入神经元和1个输出层神经元，所述输入神经元的个数与所述第一输入数据中的参数个数相等；

第三计算单元7032，用于通过公式（1）确定隐藏层神经元数：

（1）

在本公开的一种具体实施方式中，所述系统还可以包括第三计算模块706、第四计算模块707和第五计算模块708。

第三计算模块706，用于生成多组第三输入数据，每组所述第三输入数据包括第三边坡参数、第三地震波参数和第三土体参数，每组所述第三输入数据互不相同，所述第三输入数据中的每个参数，均为在所述第二输入数据中的每个参数的基础上分别加上一个随机数得到的；

第四计算模块707，用于分别将每个所述第三输入数据输入所述第二BP神经网络模型中，得到多个第三输出数据；根据所述每个第三输入数据和每个所述第三输出数据计算得到多个对应的第二PGA放大系数；

第五计算模块708，用于获取预设的PGA放大系数的阈值，将每个所述第二PGA放大系数与所述PGA放大系数的阈值进行比较，筛选出小于所述PGA放大系数的阈值的第二PGA放大系数，将筛选出的第二PGA放大系数和所述筛选出的第二PGA放大系数对应的第三输入数据输出。

在本公开的一种具体实施方式中，所述系统还可以包括第六计算模块709。

第六计算模块709，用于将所述筛选出的第二PGA放大系数按照从小到大的顺序进行排序。

需要说明的是，关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

实施例3

相应于上面的方法实施例，本公开实施例还提供了一种边坡地震稳定性预测设备，下文描述的一种边坡地震稳定性预测设备与上文描述的一种边坡地震稳定性预测方法可相互对应参照。

图3是根据一示例性实施例示出的一种边坡地震稳定性预测设备800的框图。如图3所示，该边坡地震稳定性预测设备800可以包括：处理器801，存储器802。该边坡地震稳定性预测设备800还可以包括多媒体组件803，输入/输出(I/O)接口804，以及通信组件805中的一者或多者。

其中，处理器801用于控制该边坡地震稳定性预测设备800的整体操作，以完成上述的边坡地震稳定性预测方法中的全部或部分步骤。存储器802用于存储各种类型的数据以支持在该边坡地震稳定性预测设备800的操作，这些数据例如可以包括用于在该边坡地震稳定性预测设备800上操作的任何应用程序或方法的指令，以及应用程序相关的数据，例如联系人数据、收发的消息、图片、音频、视频等等。该存储器802可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，例如静态随机存取存储器(Static RandomAccess Memory，简称SRAM)，电可擦除可编程只读存储器(Electrically ErasableProgrammable Read-Only Memory，简称EEPROM)，可擦除可编程只读存储器(ErasableProgrammable Read-Only Memory，简称EPROM)，可编程只读存储器(Programmable Read-Only Memory，简称PROM)，只读存储器(Read-Only Memory，简称ROM)，磁存储器，快闪存储器，磁盘或光盘。多媒体组件803可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏，音频组件用于输出和/或输入音频信号。例如，音频组件可以包括一个麦克风，麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器802或通过通信组件805发送。音频组件还包括至少一个扬声器，用于输出音频信号。I/O接口804为处理器801和其他接口模块之间提供接口，上述其他接口模块可以是键盘，鼠标，按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件805用于该边坡地震稳定性预测设备800与其他设备之间进行有线或无线通信。无线通信，例如Wi-Fi，蓝牙，近场通信(Near Field Communication，简称NFC)，2G、3G或4G，或它们中的一种或几种的组合，因此相应的该通信组件805可以包括：Wi-Fi模块，蓝牙模块，NFC模块。

在一示例性实施例中，边坡地震稳定性预测设备800可以被一个或多个应用专用集成电路(Application Specific Integrated Circuit，简称ASIC)、数字信号处理器(Digital Signal Processor，简称DSP)、数字信号处理设备(Digital Signal ProcessingDevice，简称DSPD)、可编程逻辑器件(Programmable Logic Device，简称PLD)、现场可编程门阵列(Field Programmable Gate Array，简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述的边坡地震稳定性预测方法。

在另一示例性实施例中，还提供了一种包括程序指令的计算机可读存储介质，该程序指令被处理器执行时实现上述的边坡地震稳定性预测方法的步骤。例如，该计算机可读存储介质可以为上述包括程序指令的存储器802，上述程序指令可由边坡地震稳定性预测设备800的处理器801执行以完成上述的边坡地震稳定性预测方法。

实施例4

相应于上面的方法实施例，本实施例还提供了一种可读存储介质，下文描述的一种可读存储介质与上文描述的一种边坡地震稳定性预测方法可相互对应参照。

一种可读存储介质，可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现上述方法实施例的边坡地震稳定性预测方法的步骤。

该可读存储介质具体可以为U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可存储程序代码的可读存储介质。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。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

1.一种边坡地震稳定性预测方法，其特征在于，包括：

向振动台发送控制信号，所述控制信号包括控制所述振动台向边坡加载第一地震波的命令；

2.根据权利要求1所述的边坡地震稳定性预测方法，其特征在于，所述获取第一输出数据，包括：

3.根据权利要求1所述的边坡地震稳定性预测方法，其特征在于，所述建立第一BP神经网络模型，包括：

通过公式（1）确定隐藏层神经元数：

（1）

4.根据权利要求1所述的边坡地震稳定性预测方法，其特征在于，所述根据所述第二地震波参数中的最大峰值加速度数据和所述第二输出数据，计算得到所述边坡的PGA放大系数后，还包括：

5.一种边坡地震稳定性预测系统，其特征在于，包括：

6.根据权利要求5所述的边坡地震稳定性预测系统，其特征在于，所述第一获取模块包括：

7.根据权利要求5所述的边坡地震稳定性预测系统，其特征在于，所述第一计算模块包括：

第三计算单元，用于通过公式（1）确定隐藏层神经元数：

（1）

8.根据权利要求5所述的边坡地震稳定性预测系统，其特征在于，所述系统还包括：

9.一种边坡地震稳定性预测设备，其特征在于，包括：

存储器，用于存储计算机程序；

处理器，用于执行所述计算机程序时实现如权利要求1至4任一项所述边坡地震稳定性预测方法的步骤。

10.一种可读存储介质，其特征在于：所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至4任一项所述边坡地震稳定性预测方法的步骤。