CN112668244B - 边坡地震稳定性预测方法、装置、设备及可读存储介质 - Google Patents

边坡地震稳定性预测方法、装置、设备及可读存储介质 Download PDF

Info

Publication number
CN112668244B
CN112668244B CN202110010579.XA CN202110010579A CN112668244B CN 112668244 B CN112668244 B CN 112668244B CN 202110010579 A CN202110010579 A CN 202110010579A CN 112668244 B CN112668244 B CN 112668244B
Authority
CN
China
Prior art keywords
slope
output data
input data
sub
pga
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
CN202110010579.XA
Other languages
English (en)
Other versions
CN112668244A (zh
Inventor
杨长卫
郭雪岩
张凯文
童心豪
李宗昊
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.)
Southwest Jiaotong University
Original Assignee
Southwest Jiaotong University
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 Southwest Jiaotong University filed Critical Southwest Jiaotong University
Priority to CN202110010579.XA priority Critical patent/CN112668244B/zh
Publication of CN112668244A publication Critical patent/CN112668244A/zh
Application granted granted Critical
Publication of CN112668244B publication Critical patent/CN112668244B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Geophysics And Detection Of Objects (AREA)

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：
Figure 515194DEST_PATH_IMAGE002
（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：
Figure 25810DEST_PATH_IMAGE003
（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,……αk,αk+1,αk+2,……,αn)=0 （3）
F(π1,π2,……,πn-k)=0 （4）
公式（3）中，α1,α2,……αk为基本量，αk+1,αk+2,……,αn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：
CPGA=V2÷V1 （2）
公式（2）中，CPGA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：
Figure 274389DEST_PATH_IMAGE004
（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。
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：
Figure 748226DEST_PATH_IMAGE006
（b）输出层节点输出为：
Figure 31440DEST_PATH_IMAGE008
（c）实际输出与期望输出间的均方误差函数：
Figure 447378DEST_PATH_IMAGE010
（d）误差函数对隐含层与输出层节点间的权值求导：
Figure 979991DEST_PATH_IMAGE012
E是Zk1≤k≤n的函数，但是只有Zl与Vlj有关，zi与zj(i≠j;i,j=1,2,…,n)间相互独立，则：
Figure 647732DEST_PATH_IMAGE014
（e）设输出层节点误差为：
Figure 415747DEST_PATH_IMAGE016
误差函数对输入层与隐含层节点间的权值求导
Figure 877953DEST_PATH_IMAGE018
E是Zl(1≤l≤n)的函数，某一个wji对应于一个yj，它与所有的Zl (1≤l≤n)有关，则：
Figure 897861DEST_PATH_IMAGE020
（f）设隐含层节点误差为：
Figure 228348DEST_PATH_IMAGE022
由于权值的修正比
Figure 954996DEST_PATH_IMAGE024
、
Figure 729048DEST_PATH_IMAGE026
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：
Figure 439515DEST_PATH_IMAGE028
隐含层与输出层节点间的权值修正：
Figure 980218DEST_PATH_IMAGE030
输入层与隐含层节点间的权值变化为：
Figure 217164DEST_PATH_IMAGE032
输入层与隐含层节点间的权值修正：
Figure 755593DEST_PATH_IMAGE034
由上式可知，隐含层节点误差4中的
Figure 828722DEST_PATH_IMAGE036
。表示输出节点Zl的误差
Figure 376378DEST_PATH_IMAGE038
通过 权值vlj向节点yj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：
Figure 139935DEST_PATH_IMAGE040
阈值调整：
Figure DEST_PATH_IMAGE042
Figure DEST_PATH_IMAGE044
误差函数对隐含层节点阈值求导：
Figure 52527DEST_PATH_IMAGE046
阈值调整：
Figure 472007DEST_PATH_IMAGE048
Figure 620092DEST_PATH_IMAGE050
其中，xi为输入节点，yj为隐含层节点，zl为输出节点，Zk表示输出期望节点。wji为输入节点与隐含层节点间的连接权值，vlj为隐含层节点与输出节点间的连接权值。θj为隐含层各神经元的阈值，θl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。tl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：
Figure 566051DEST_PATH_IMAGE052
（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。
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 (10)

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；
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；
其中，所述第一PGA放大系数的计算公式为：
CPGA=V2÷V1 （2）
公式（2）中，CPGA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。
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：
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。
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：
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：
Figure 614742DEST_PATH_IMAGE002
（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。
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：
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。
5.一种边坡地震稳定性预测系统，其特征在于，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；
其中，所述第一PGA放大系数的计算公式为：
CPGA=V2÷V1 （2）
公式（2）中，CPGA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。
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：
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。
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：
Figure 203987DEST_PATH_IMAGE002
（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。
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：
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。
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。
CN202110010579.XA 2021-01-06 2021-01-06 边坡地震稳定性预测方法、装置、设备及可读存储介质 Active CN112668244B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110010579.XA CN112668244B (zh) 2021-01-06 2021-01-06 边坡地震稳定性预测方法、装置、设备及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110010579.XA CN112668244B (zh) 2021-01-06 2021-01-06 边坡地震稳定性预测方法、装置、设备及可读存储介质

Publications (2)

Publication Number Publication Date
CN112668244A CN112668244A (zh) 2021-04-16
CN112668244B true CN112668244B (zh) 2022-04-22

Family

ID=75413078

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110010579.XA Active CN112668244B (zh) 2021-01-06 2021-01-06 边坡地震稳定性预测方法、装置、设备及可读存储介质

Country Status (1)

Country Link
CN (1) CN112668244B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113034499B (zh) * 2021-05-24 2021-09-21 西南交通大学 边坡坡面危险区预测方法、装置、设备及可读存储介质
CN113642941B (zh) * 2021-10-14 2022-01-07 西南交通大学 一种边坡安全状态分析方法、装置、设备及可读存储介质
CN114330144B (zh) * 2022-02-15 2022-05-20 西南交通大学 一种边坡危石预警方法、装置、设备及可读存储介质
CN114896548B (zh) * 2022-05-20 2023-04-07 西南交通大学 一种边坡稳定性判断方法、装置、设备及可读存储介质
CN115329249B (zh) * 2022-10-12 2023-02-28 西南交通大学 顺层边坡稳定性耦合判断方法、装置、设备及介质
CN116956046B (zh) * 2023-09-07 2023-12-29 西南交通大学 一种基于循环神经网络的地震滑坡危险性分析方法及装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018018661A1 (zh) * 2016-07-29 2018-02-01 深圳朝伟达科技有限公司 岩质边坡交互式稳定显示系统的显示方法
CN107784191A (zh) * 2017-12-12 2018-03-09 中国地质大学（武汉） 基于神经网络模型的异性结构面峰值抗剪强度预测方法
CN108062448A (zh) * 2017-12-25 2018-05-22 济南大学 预测边坡稳定性的建模及分析方法、设备和存储介质
CN110427680A (zh) * 2019-07-26 2019-11-08 中国水利水电科学研究院 获取地震波斜入射作用下边坡地震动力放大效应的方法
CN112100927A (zh) * 2020-09-24 2020-12-18 湖南工业大学 一种基于ga-bp神经网络的边坡变形及软土地基沉降预测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018018661A1 (zh) * 2016-07-29 2018-02-01 深圳朝伟达科技有限公司 岩质边坡交互式稳定显示系统的显示方法
CN107784191A (zh) * 2017-12-12 2018-03-09 中国地质大学（武汉） 基于神经网络模型的异性结构面峰值抗剪强度预测方法
CN108062448A (zh) * 2017-12-25 2018-05-22 济南大学 预测边坡稳定性的建模及分析方法、设备和存储介质
CN110427680A (zh) * 2019-07-26 2019-11-08 中国水利水电科学研究院 获取地震波斜入射作用下边坡地震动力放大效应的方法
CN112100927A (zh) * 2020-09-24 2020-12-18 湖南工业大学 一种基于ga-bp神经网络的边坡变形及软土地基沉降预测方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
A particle-based optimization of artificial neural network for earthquake-induced landslide assessment in Ludian county, China;Wenfei Xi等;《Geomatics, Natural Hazards and Risk》;20190710;第10卷(第1期);第1750-1771页 *
Application of BP Neural Network Model in Risk Evaluation of Railway Construction;Yang Changwei等;《Complexity》;20190602;第2019卷;第1-13页 *
Prediction of seismic slope stability through combination of particle swarm optimization and neural network;Behrouz Gordan等;《Engineering with Computers》;20150218;第1-13页 *
Shaking Table Test on Dynamic Response of Bedding Rock Slopes With Weak Structural Plane Under Earthquake;Changwei Yang等;《frontiers in Physics》;20201201;第8卷;第1-10页 *
含顺层断续节理岩质边坡地震作用下的破坏模式与动力响应研究;卞康 等;《岩土力学》;20180831;第39卷(第8期);第3029-3037页 *
地震作用下有砟轨道路基动力响应规律振动台试验;杨长卫 等;《岩土力学》;20200731;第41卷(第7期);第2215-2223页 *

Also Published As

Publication number Publication date
CN112668244A (zh) 2021-04-16

Similar Documents

Publication Publication Date Title
CN112668244B (zh) 边坡地震稳定性预测方法、装置、设备及可读存储介质
JP6386107B2 (ja) グローバルモデルからの局所化された学習
CN110832511B (zh) 具有数据相关可用性的分布式设备上学习的系统和方法
JP4697670B2 (ja) 識別用データ学習システム、学習装置、識別装置及び学習方法
CN110472363B (zh) 适用于高速铁路隧道的围岩变形等级预测方法及系统
EA004907B1 (ru) Прогнозирование формы сейсмоприемной косы с помощью нейронной сети
CN112581265A (zh) 一种基于AdaBoost的互联网金融客户申请欺诈检测方法
Abraham et al. Real time conversion of sign language to speech and prediction of gestures using Artificial Neural Network
CN113642652A (zh) 生成融合模型的方法、装置和设备
CN113295842A (zh) 一种矿山边坡岩体工程稳定性精准评价系统
KR102320958B1 (ko) 데이터 증강 기반 인공지능을 이용한 n치 예측 장치 및 방법
Das et al. Evaluation of liquefaction potential of soil using genetic programming
Kundu et al. Deep learning-based metamodeling technique for nonlinear seismic response quantification
CN111984514B (zh) 基于Prophet-bLSTM-DTW的日志异常检测方法
CN112734305A (zh) 一种路基压实质量评判方法、装置、设备及可读存储介质
CN115578845A (zh) 一种边坡后缘裂缝预警方法、装置、设备及可读存储介质
CN114371504B (zh) 一种地震震中位置确定方法、装置、设备及可读存储介质
CN115546433A (zh) 一种边坡软化区域预测方法、系统、设备及可读存储介质
CN114238062A (zh) 板卡烧录装置性能分析方法、装置、设备及可读存储介质
US20210150595A1 (en) Experience Sensing Engine
Łęczycki et al. Extended sensor reliability evaluation method in multi-sensor control systems
Xie et al. The application of neural network model in earthquake prediction in East China
Ahamed et al. Application of machine learning techniques to predict rupture propagation and arrest in 2-D dynamic earthquake simulations
Jahner et al. Interpretable and predictive models to harness the life science data revolution
JP2021149845A (ja) 被害状況推定装置及びコンピュータプログラム

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