CN113111595A - 一种边坡智能预警方法和装置 - Google Patents
一种边坡智能预警方法和装置 Download PDFInfo
- Publication number
- CN113111595A CN113111595A CN202110658286.2A CN202110658286A CN113111595A CN 113111595 A CN113111595 A CN 113111595A CN 202110658286 A CN202110658286 A CN 202110658286A CN 113111595 A CN113111595 A CN 113111595A
- Authority
- CN
- China
- Prior art keywords
- side slope
- slope
- model
- monitoring point
- prediction result
- 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.)
- Granted
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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
Abstract
本发明提供了一种边坡智能预警方法和装置,方法包括:获取边坡的地质信息、边坡的模型、边坡中各个监测点的水平位移和垂直位移;基于边坡的地质信息,计算边坡的模型中边坡的不同滑面形状信息、边坡的模型中布置的各个监测点的水平位移范围和垂直位移范围;基于内摩擦角范围、粘聚力范围、边坡的模型中边坡的不同滑面形状信息、边坡的模型中布置的各个监测点的水平位移范围和垂直位移范围构建神经网络模型;根据构建好的神经网络模型、边坡中各个监测点的水平位移和垂直位移,得到预测结果,基于预测结果和边坡的土体重度得到边坡的预警等级。本发明不需要大量的历史监测数据即可对现有边坡工程进行预警。
Description
技术领域
本发明涉及山地灾害技术领域,具体而言,涉及一种边坡智能预警方法和装置。
背景技术
现有的预测装置和预测方法不能对边坡滑坡进行较为准确的预测,不仅测量精度不够高,预测提前时间较短,还容易出现误报的情况,反而造成人员恐慌和物资浪费,且过去的预警技术中,少有对于滑面位置的预测,通过神经网络预警模型对滑面位置的预测进而判断预警等级的方法更具有依据和实用性。
发明内容
本发明的目的在于提供一种边坡智能预警方法和装置,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智能预警方法,所述方法包括:
获取边坡的地质信息、所述边坡的模型、所述边坡中各个监测点的水平位移和所述边坡中各个监测点的垂直位移,所述边坡的地质信息包括所述边坡的坐标位置信息、所述边坡的土体重度、所述边坡的土体性质、所述边坡的土体的内摩擦角范围和所述边坡的土体的粘聚力范围;
基于所述边坡的地质信息,计算所述边坡的模型中边坡的不同滑面形状信息、所述边坡的模型中布置的各个监测点的水平位移范围和所述边坡的模型中布置的各个监测点的垂直位移范围;
基于所述内摩擦角范围、所述粘聚力范围、所述边坡的模型中边坡的不同滑面形状信息、所述边坡的模型中布置的各个监测点的水平位移范围和所述边坡的模型中布置的各个监测点的垂直位移范围构建神经网络模型,得到构建好的神经网络模型;
根据所述构建好的神经网络模型、所述边坡中各个监测点的水平位移和所述边坡中各个监测点的垂直位移,得到预测结果,基于所述预测结果和所述边坡的土体重度得到所述边坡的预警等级。
可选的,所述边坡的模型的构建方法,包括:
获取所述边坡周围的地质信息;
基于所述边坡的地质信息和所述边坡周围的地质信息建立一个包括所述边坡且大于所述边坡的体积的三维地质块体;
基于所述边坡的坐标位置信息对所述三维块体进行切除,得到所述边坡的模型。
可选的,所述边坡中各个监测点的位置信息和所述边坡的模型中各个监测点的位置信息的确定方法,包括:
获取所述边坡周围的地质信息,基于所述边坡的地质信息和所述边坡周围的地质信息,判断所述边坡是否存在控制性结构面,若存在则将所述控制性结构面的形状信息定义为所述边坡的滑面的形状信息,若不存在,则根据所述边坡的土体性质确定所述边坡的滑面形状信息;
根据所述边坡的滑面形状信息、所述边坡的地质信息和所述边坡周围的地质信息确定所述边坡中各个监测点的位置信息和所述边坡的模型中各个监测点的位置信息,其中所述边坡中各个监测点的位置和所述边坡的模型中各个监测点的位置均沿着边坡坡面等间距设置。
可选的,所述边坡中各个监测点的水平位移和垂直位移的获取方法,包括:
获取所述边坡周围的地质信息,基于所述边坡的地质信息和所述边坡周围的地质信息,判断所述边坡是否存在控制性结构面,若存在则将所述控制性结构面的形状信息定义为所述边坡的滑面的形状信息,若不存在,则根据所述边坡的土体性质确定所述边坡的滑面形状信息;
根据所述边坡的滑面形状信息、所述边坡的地质信息和所述边坡周围的地质信息确定所述边坡中各个监测点的位置,其中所述边坡中各个监测点的位置沿着边坡坡面等间距设置;
获取设置在所述边坡中各个监测点的浅层位置处的位移监测器的数据,得到所述边坡中各个监测点的水平位移和垂直位移。
可选的,所述基于所述边坡的地质信息,计算所述边坡的模型中边坡的不同滑面形状信息、所述边坡的模型中布置的各个监测点的水平位移范围和所述边坡的模型中布置的各个监测点的垂直位移范围,包括:
基于所述边坡的土体的内摩擦角和粘聚力,利用所述边坡的模型,计算得到所述边坡的模型中边坡的滑面形状信息和所述边坡的模型中边坡的位移场;
基于所述边坡的模型中边坡的位移场计算得到所述边坡的模型中设置的各个监测点的水平位移和垂直位移。
可选的,所述基于所述内摩擦角范围、所述粘聚力范围、所述边坡的模型中边坡的不同滑面形状信息、所述边坡的模型中布置的各个监测点的水平位移范围和所述边坡的模型中布置的各个监测点的垂直位移范围构建神经网络模型,得到构建好的神经网络模型,包括:
将基于所述内摩擦角范围中的一个内摩擦角和所述粘聚力范围中的一个粘聚力计算得到的结果与所述一个内摩擦角和所述一个粘聚力进行集合,形成一个样本,所述结果包括所述边坡的模型中边坡的滑面形状信息和所述边坡的模型中布置的各个监测点的水平位移和垂直位移;
将所有所述样本进行划分,得到训练集和测试集,利用所述训练集和测试集对所述神经网络模型进行训练和测试,得到所述构建好的神经网络模型,其中,将所述样本中所述边坡的模型中布置的各个监测点的水平位移和垂直位移作为所述神经网络模型的输入特征,将所述一个内摩擦角、所述一个粘聚力和所述边坡的模型中边坡的滑面形状信息作为输出标签。
可选的,所述根据所述构建好的神经网络模型、所述边坡中各个监测点的水平位移和所述边坡中各个监测点的垂直位移,得到预测结果,基于所述预测结果和所述边坡的土体重度得到所述边坡的预警等级,包括:
根据所述构建好的神经网络模型和所述边坡中各个监测点的水平位移和垂直位移,对所述边坡的土体的内摩擦角、所述边坡的土体的粘聚力和所述边坡的滑面形状信息进行预测,得到所述边坡的土体的内摩擦角预测结果、所述边坡的土体的粘聚力预测结果和所述边坡的滑面形状信息预测结果;
根据所述边坡的土体的内摩擦角预测结果、所述边坡的土体的粘聚力预测结果和所述边坡的土体重度,按照传递系数法计算边坡安全系数;
根据所述边坡的滑面形状预测结果计算所述边坡的滑带上部可能发生滑移的土方量,基于所述边坡安全系数和所述边坡的滑带上部可能发生滑移的土方量,得到所述边坡的预警等级。
可选的,所述根据所述边坡的滑面形状预测结果计算所述边坡的滑带上部可能发生滑移的土方量,包括:
所述边坡的滑面形状预测结果包括所述边坡的滑面长度预测结果、所述边坡的滑面宽度预测结果和所述边坡的滑面厚度预测结果,根据所述边坡的滑面长度预测结果、所述边坡的滑面宽度预测结果和所述边坡的滑面厚度预测结果得到所述边坡的滑带上部可能发生滑移的土方量。
第二方面,本申请实施例提供了一种边坡智能预警装置,所述装置包括第一获取模块、计算模块、构建模块和预测模块。
所述第一获取模块,用于获取边坡的地质信息、所述边坡的模型、所述边坡中各个监测点的水平位移和所述边坡中各个监测点的垂直位移,所述边坡的地质信息包括所述边坡的坐标位置信息、所述边坡的土体重度、所述边坡的土体性质、所述边坡的土体的内摩擦角范围和所述边坡的土体的粘聚力范围;
所述计算模块,用于基于所述边坡的地质信息,计算所述边坡的模型中边坡的不同滑面形状信息、所述边坡的模型中布置的各个监测点的水平位移范围和所述边坡的模型中布置的各个监测点的垂直位移范围;
所述构建模块,用于基于所述内摩擦角范围、所述粘聚力范围、所述边坡的模型中边坡的不同滑面形状信息、所述边坡的模型中布置的各个监测点的水平位移范围和所述边坡的模型中布置的各个监测点的垂直位移范围构建神经网络模型,得到构建好的神经网络模型;
所述预测模块,用于根据所述构建好的神经网络模型、所述边坡中各个监测点的水平位移和所述边坡中各个监测点的垂直位移,得到预测结果,基于所述预测结果和所述边坡的土体重度得到所述边坡的预警等级。
可选的,所述装置,还包括:
第二获取模块,用于获取所述边坡周围的地质信息;
建立模块,用于基于所述边坡的地质信息和所述边坡周围的地质信息建立一个包括所述边坡且大于所述边坡的体积的三维地质块体;
切除模块,用于基于所述边坡的坐标位置信息对所述三维块体进行切除,得到所述边坡的模型。
可选的,所述装置,还包括:
第三获取模块,用于获取所述边坡周围的地质信息,基于所述边坡的地质信息和所述边坡周围的地质信息,判断所述边坡是否存在控制性结构面,若存在则将所述控制性结构面的形状信息定义为所述边坡的滑面的形状信息,若不存在,则根据所述边坡的土体性质确定所述边坡的滑面形状信息;
第一确定模块,用于根据所述边坡的滑面形状信息、所述边坡的地质信息和所述边坡周围的地质信息确定所述边坡中各个监测点的位置信息和所述边坡的模型中各个监测点的位置信息,其中所述边坡中各个监测点的位置和所述边坡的模型中各个监测点的位置均沿着边坡坡面等间距设置。
可选的,所述装置,还包括:
第四获取模块,用于获取所述边坡周围的地质信息,基于所述边坡的地质信息和所述边坡周围的地质信息,判断所述边坡是否存在控制性结构面,若存在则将所述控制性结构面的形状信息定义为所述边坡的滑面的形状信息,若不存在,则根据所述边坡的土体性质确定所述边坡的滑面形状信息;
第二确定模块,用于根据所述边坡的滑面形状信息、所述边坡的地质信息和所述边坡周围的地质信息确定所述边坡中各个监测点的位置,其中所述边坡中各个监测点的位置沿着边坡坡面等间距设置;
第五获取模块,用于获取设置在所述边坡中各个监测点的浅层位置处的位移监测器的数据,得到所述边坡中各个监测点的水平位移和垂直位移。
可选的,所述计算模块,包括:
第一计算单元,用于基于所述边坡的土体的内摩擦角和粘聚力,利用所述边坡的模型,计算得到所述边坡的模型中边坡的滑面形状信息和所述边坡的模型中边坡的位移场;
第二计算单元,用于基于所述边坡的模型中边坡的位移场计算得到所述边坡的模型中设置的各个监测点的水平位移和垂直位移。
可选的,所述构建模块,包括:
集合单元,用于将基于所述内摩擦角范围中的一个内摩擦角和所述粘聚力范围中的一个粘聚力计算得到的结果与所述一个内摩擦角和所述一个粘聚力进行集合,形成一个样本,所述结果包括所述边坡的模型中边坡的滑面形状信息和所述边坡的模型中布置的各个监测点的水平位移和垂直位移;
划分单元,用于将所有所述样本进行划分,得到训练集和测试集,利用所述训练集和测试集对所述神经网络模型进行训练和测试,得到所述构建好的神经网络模型,其中,将所述样本中所述边坡的模型中布置的各个监测点的水平位移和垂直位移作为所述神经网络模型的输入特征,将所述一个内摩擦角、所述一个粘聚力和所述边坡的模型中边坡的滑面形状信息作为输出标签。
可选的,所述预测模块,包括:
预测单元,用于根据所述构建好的神经网络模型和所述边坡中各个监测点的水平位移和垂直位移,对所述边坡的土体的内摩擦角、所述边坡的土体的粘聚力和所述边坡的滑面形状信息进行预测,得到所述边坡的土体的内摩擦角预测结果、所述边坡的土体的粘聚力预测结果和所述边坡的滑面形状信息预测结果;
第三计算单元,用于根据所述边坡的土体的内摩擦角预测结果、所述边坡的土体的粘聚力预测结果和所述边坡的土体重度,按照传递系数法计算边坡安全系数;
第四计算单元,用于根据所述边坡的滑面形状预测结果计算所述边坡的滑带上部可能发生滑移的土方量,基于所述边坡安全系数和所述边坡的滑带上部可能发生滑移的土方量,得到所述边坡的预警等级。
可选的,所述第四计算单元,包括:
第一计算子单元,用于所述边坡的滑面形状预测结果包括所述边坡的滑面长度预测结果、所述边坡的滑面宽度预测结果和所述边坡的滑面厚度预测结果,根据所述边坡的滑面长度预测结果、所述边坡的滑面宽度预测结果和所述边坡的滑面厚度预测结果得到所述边坡的滑带上部可能发生滑移的土方量。
第三方面,本申请实施例提供了一种边坡智能预警设备,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智能预警方法的步骤。
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智能预警方法的步骤。
本发明的有益效果为:
本发明过预先建立符合工程实际的边坡模型,通过边坡模型模拟计算得到样本集,再利用神经网络模型,将监测点的水平位移与垂直位移作为输入值,直接预测出内摩擦角、粘聚力以及滑面形状信息,再求解安全系数与滑坡土方量,最终得到边坡的预警等级。其优点体现在不需要大量的历史监测数据即可对现有边坡工程进行预警,并且可提高预警准确性、缩短预警时间、对于预警等级的判断考虑因素更加完善。
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智能预警方法流程示意图;
图2是本发明实施例中所述的一种边坡智能预警装置结构示意图;
图3是本发明实施例中所述的一种边坡智能预警设备结构示意图。
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
如图1所示,本实施例提供了一种边坡智能预警方法,该方法包括步骤S1、步骤S2、步骤S3和步骤S4。
步骤S1、获取边坡的地质信息、所述边坡的模型、所述边坡中各个监测点的水平位移和所述边坡中各个监测点的垂直位移,所述边坡的地质信息包括所述边坡的坐标位置信息、所述边坡的土体重度、所述边坡的土体性质、所述边坡的土体的内摩擦角范围和所述边坡的土体的粘聚力范围;
步骤S2、基于所述边坡的地质信息,计算所述边坡的模型中边坡的不同滑面形状信息、所述边坡的模型中布置的各个监测点的水平位移范围和所述边坡的模型中布置的各个监测点的垂直位移范围;
步骤S3、基于所述内摩擦角范围、所述粘聚力范围、所述边坡的模型中边坡的不同滑面形状信息、所述边坡的模型中布置的各个监测点的水平位移范围和所述边坡的模型中布置的各个监测点的垂直位移范围构建神经网络模型,得到构建好的神经网络模型;
步骤S4、根据所述构建好的神经网络模型、所述边坡中各个监测点的水平位移和所述边坡中各个监测点的垂直位移,得到预测结果,基于所述预测结果和所述边坡的土体重度得到所述边坡的预警等级。
本实施例通过预先建立符合工程实际的边坡模型,通过边坡模型模拟计算得到样本集,再利用神经网络模型,将监测点的水平位移与垂直位移作为输入值,直接预测出内摩擦角、粘聚力以及滑面形状信息,再求解安全系数与滑坡土方量,最终得到边坡的预警等级。其优点体现在不需要大量的历史监测数据即可对现有边坡工程进行预警,并且可提高预警准确性、缩短预警时间、对于预警等级的判断考虑因素更加完善。
在本公开的一种具体实施方式中,所述方法,还可以包括步骤S5、步骤S6和步骤S7。
步骤S5、获取所述边坡周围的地质信息;
步骤S6、基于所述边坡的地质信息和所述边坡周围的地质信息建立一个包括所述边坡且大于所述边坡的体积的三维地质块体;
步骤S7、基于所述边坡的坐标位置信息对所述三维块体进行切除,得到所述边坡的模型。
本实施例中,按照YS/T 5230-2019 边坡工程勘察规范里面的要求获取所述边坡周围的地质信息,利用3DEC软件建立符合工程实际的边坡模型。
在本公开的一种具体实施方式中,所述方法,还可以包括步骤S8和步骤S9。
步骤S8、获取所述边坡周围的地质信息,判断所述边坡是否存在控制性结构面,若存在则将所述控制性结构面的形状信息定义为所述边坡的滑面的形状信息,若不存在,则根据所述边坡的土体性质确定所述边坡的滑面形状信息;
步骤S9、根据所述边坡的滑面形状信息、所述边坡的地质信息和所述边坡周围的地质信息确定所述边坡中各个监测点的位置信息和所述边坡的模型中各个监测点的位置信息,其中所述边坡中各个监测点的位置和所述边坡的模型中各个监测点的位置均沿着边坡坡面等间距设置。
本实施例中,所述边坡的土体性质为黏性则所述边坡的滑面形状确定为圆弧形,所述边坡的土体性质为砂性则所述边坡的滑面形状确定为折线形,所述边坡的土体性质为混合类土体(比如包括黏性和砂性土体则为混合类土体)则所述边坡的滑面形状确定为多段折线型。
在本实施例中,所述边坡中监测点的数量和所述边坡的模型中监测点的数量均设置为10-20个,通过此种布置方法,可以保证数据采集的准确性。
在本公开的一种具体实施方式中,所述方法,还可以包括步骤S10、步骤S11和步骤S12。
步骤S10、获取所述边坡周围的地质信息,基于所述边坡的地质信息和所述边坡周围的地质信息,判断所述边坡是否存在控制性结构面,若存在则将所述控制性结构面的形状信息定义为所述边坡的滑面的形状信息,若不存在,则根据所述边坡的土体性质确定所述边坡的滑面形状信息;
步骤S11、根据所述边坡的滑面形状信息、所述边坡的地质信息和所述边坡周围的地质信息确定所述边坡中各个监测点的位置,其中所述边坡中各个监测点的位置沿着边坡坡面等间距设置;
步骤S12、获取设置在所述边坡中各个监测点的浅层位置处的位移监测器的数据,得到所述边坡中各个监测点的水平位移和垂直位移。
本实施例中,所述边坡中监测点的数量设置为10-20个,所述边坡中各个监测点沿着边坡坡面等间距设置,每个监测点上安装有所述位移监测器,所述位移监测器可以为位移传感器,所述位移传感器安装在各个监测点的浅层位置处,安装方向按照所述位移传感器的使用要求进行安装。通过此种安装方式,可以保证位移检测器采集到的数据的准确性。
在本公开的一种具体实施方式中,所述步骤S2,还可以包括步骤S21和步骤S22。
步骤S21、基于所述边坡的土体的内摩擦角和粘聚力,利用所述边坡的模型,计算得到所述边坡的模型中边坡的滑面形状信息和所述边坡的模型中边坡的位移场;
步骤S22、基于所述边坡的模型中边坡的位移场计算得到所述边坡的模型中设置的各个监测点的水平位移和垂直位移。
在本公开的一种具体实施方式中,所述步骤S3,还可以包括步骤S31和步骤S32。
步骤S31、将基于所述内摩擦角范围中的一个内摩擦角和所述粘聚力范围中的一个粘聚力计算得到的结果与所述一个内摩擦角和所述一个粘聚力进行集合,形成一个样本,所述结果包括所述边坡的模型中边坡的滑面形状信息和所述边坡的模型中布置的各个监测点的水平位移和垂直位移;
步骤S32、将所有所述样本进行划分,得到训练集和测试集,利用所述训练集和测试集对所述神经网络模型进行训练和测试,得到所述构建好的神经网络模型,其中,将所述样本中所述边坡的模型中布置的各个监测点的水平位移和垂直位移作为所述神经网络模型的输入特征,将所述一个内摩擦角、所述一个粘聚力和所述边坡的模型中边坡的滑面形状信息作为输出标签。
在本实施例中,将所有样本按照4:1的比例进行划分,即80%的样本用于训练,20%的样本用于预测,通过将样本划分为训练集和测试集可以提高模型的预测准确性,使模型具有较高的预测能力和较好的适用性。
在本公开的一种具体实施方式中,所述步骤S4,还可以包括步骤S41、步骤S42和步骤S43。
步骤S41、根据所述构建好的神经网络模型和所述边坡中各个监测点的水平位移和垂直位移,对所述边坡的土体的内摩擦角、所述边坡的土体的粘聚力和所述边坡的滑面形状信息进行预测,得到所述边坡的土体的内摩擦角预测结果、所述边坡的土体的粘聚力预测结果和所述边坡的滑面形状信息预测结果;
步骤S42、根据所述边坡的土体的内摩擦角预测结果、所述边坡的土体的粘聚力预测结果和所述边坡的土体重度,按照传递系数法计算边坡安全系数;
步骤S43、根据所述边坡的滑面形状预测结果计算所述边坡的滑带上部可能发生滑移的土方量,基于所述边坡安全系数和所述边坡的滑带上部可能发生滑移的土方量,得到所述边坡的预警等级。
在本实施例中,提供了预警等级划分标准,如表1-表3所示:
表1 安全系数及其安全等级分类
安全系数K(V≥3000m³) | 安全等级 |
K≥1.3 | 安全 |
1.2≤K<1.3 | 较危险 |
1.0≤K<1.2 | 危险 |
K<1.0 | 高危险 |
表1中,V代表土方量,表1表示所述边坡的滑带上部可能发生滑移的土方量在V≥3000m³情况下的划分标准,也就是说在这种情况下,安全系数K≥1.3则为安全,1.2≤K<1.3则为较危险的状态,依次类推。
表2 安全系数及其安全等级分类
安全系数K(3000m³>V>1500m³) | 安全等级 |
K≥1.3 | 安全 |
1.2≤K<1.3 | 较安全 |
1.0≤K<1.2 | 较危险 |
K<1.0 | 危险 |
表2中,V代表土方量,表2表示所述边坡的滑带上部可能发生滑移的土方量在3000m³>V>1500m³情况下的划分标准,也就是说在这种情况下,安全系数K≥1.3则为安全,1.2≤K<1.3则为较安全的状态,依次类推。
表3 安全系数及其安全等级分类
安全系数K(V≤1500m³) | 安全等级 |
K≥1.3 | 安全 |
1.2≤K<1.3 | 安全 |
1.0≤K<1.2 | 较危险 |
K<1.0 | 危险 |
表3中,V代表土方量,表3表示所述边坡的滑带上部可能发生滑移的土方量在V≤1500m³情况下的判断标准,也就是说在这种情况下,安全系数K≥1.3则为安全,1.2≤K<1.3也为安全的状态,依次类推。
本实施例综合安全系数和所述边坡的滑带上部可能发生滑移的土方量对边坡的预警等级进行确定,通过这种方式可以使得到的预警等级更加准确。
在本公开的一种具体实施方式中,所述步骤S43,还可以包括步骤S431。
步骤S431、所述边坡的滑面形状预测结果包括所述边坡的滑面长度预测结果、所述边坡的滑面宽度预测结果和所述边坡的滑面厚度预测结果,根据所述边坡的滑面长度预测结果、所述边坡的滑面宽度预测结果和所述边坡的滑面厚度预测结果得到所述边坡的滑带上部可能发生滑移的土方量。
在本实施例中,将所述边坡的滑面长度预测结果、所述边坡的滑面宽度预测结果和所述边坡的滑面厚度预测结果相乘得到所述边坡的滑面体积预测结果,所述边坡的滑面体积预测结果即为所述边坡的滑带上部可能发生滑移的土方量。
实施例2
如图2所示,本实施例提供了一种边坡智能预警装置,所述装置包括第一获取模块701、计算模块702、构建模块703和预测模块704。
所述第一获取模块701,用于获取边坡的地质信息、所述边坡的模型、所述边坡中各个监测点的水平位移和所述边坡中各个监测点的垂直位移,所述边坡的地质信息包括所述边坡的坐标位置信息、所述边坡的土体重度、所述边坡的土体性质、所述边坡的土体的内摩擦角范围和所述边坡的土体的粘聚力范围;
所述计算模块702,用于基于所述边坡的地质信息,计算所述边坡的模型中边坡的不同滑面形状信息、所述边坡的模型中布置的各个监测点的水平位移范围和所述边坡的模型中布置的各个监测点的垂直位移范围;
所述构建模块703,用于基于所述内摩擦角范围、所述粘聚力范围、所述边坡的模型中边坡的不同滑面形状信息、所述边坡的模型中布置的各个监测点的水平位移范围和所述边坡的模型中布置的各个监测点的垂直位移范围构建神经网络模型,得到构建好的神经网络模型;
所述预测模块704,用于根据所述构建好的神经网络模型、所述边坡中各个监测点的水平位移和所述边坡中各个监测点的垂直位移,得到预测结果,基于所述预测结果和所述边坡的土体重度得到所述边坡的预警等级。
本实施例通过预先建立符合工程实际的边坡模型,通过边坡模型模拟计算得到样本集,再利用神经网络模型,将监测点的水平位移与垂直位移作为输入值,直接预测出内摩擦角、粘聚力以及滑面形状信息,再求解安全系数与滑坡土方量,最终得到边坡的预警等级。其优点体现在不需要大量的历史监测数据即可对现有边坡工程进行预警,并且可提高预警准确性、缩短预警时间、对于预警等级的判断考虑因素更加完善。
在本公开的一种具体实施方式中,所述装置,还包括第二获取模块705、建立模块706和切除模块707。
所述第二获取模块705,用于获取所述边坡周围的地质信息;
所述建立模块706,用于基于所述边坡的地质信息和所述边坡周围的地质信息建立一个包括所述边坡且大于所述边坡的体积的三维地质块体;
所述切除模块707,用于基于所述边坡的坐标位置信息对所述三维块体进行切除,得到所述边坡的模型。
在本公开的一种具体实施方式中,所述装置,还包括第三获取模块708和第一确定模块709。
所述第三获取模块708,用于获取所述边坡周围的地质信息,基于所述边坡的地质信息和所述边坡周围的地质信息,判断所述边坡是否存在控制性结构面,若存在则将所述控制性结构面的形状信息定义为所述边坡的滑面的形状信息,若不存在,则根据所述边坡的土体性质确定所述边坡的滑面形状信息;
所述第一确定模块709,用于根据所述边坡的滑面形状信息、所述边坡的地质信息和所述边坡周围的地质信息确定所述边坡中各个监测点的位置信息和所述边坡的模型中各个监测点的位置信息,其中所述边坡中各个监测点的位置和所述边坡的模型中各个监测点的位置均沿着边坡坡面等间距设置。
在本公开的一种具体实施方式中,所述装置,还包括第四获取模块710、第二确定模块711和第五获取模块712。
所述第四获取模块710,用于获取所述边坡周围的地质信息,基于所述边坡的地质信息和所述边坡周围的地质信息,判断所述边坡是否存在控制性结构面,若存在则将所述控制性结构面的形状信息定义为所述边坡的滑面的形状信息,若不存在,则根据所述边坡的土体性质确定所述边坡的滑面形状信息;
所述第二确定模块711,用于根据所述边坡的滑面形状信息、所述边坡的地质信息和所述边坡周围的地质信息确定所述边坡中各个监测点的位置,其中所述边坡中各个监测点的位置沿着边坡坡面等间距设置;
所述第五获取模块712,用于获取设置在所述边坡中各个监测点的浅层位置处的位移监测器的数据,得到所述边坡中各个监测点的水平位移和垂直位移。
在本公开的一种具体实施方式中,所述计算模块702包括第一计算单元7021和第二计算单元7022。
所述第一计算单元7021,用于基于所述边坡的土体的内摩擦角和粘聚力,利用所述边坡的模型,计算得到所述边坡的模型中边坡的滑面形状信息和所述边坡的模型中边坡的位移场;
所述第二计算单元7022,用于基于所述边坡的模型中边坡的位移场计算得到所述边坡的模型中设置的各个监测点的水平位移和垂直位移。
在本公开的一种具体实施方式中,所述构建模块703包括集合单元7031和划分单元7032。
所述集合单元7031,用于将基于所述内摩擦角范围中的一个内摩擦角和所述粘聚力范围中的一个粘聚力计算得到的结果与所述一个内摩擦角和所述一个粘聚力进行集合,形成一个样本,所述结果包括所述边坡的模型中边坡的滑面形状信息和所述边坡的模型中布置的各个监测点的水平位移和垂直位移;
所述划分单元7032,用于将所有所述样本进行划分,得到训练集和测试集,利用所述训练集和测试集对所述神经网络模型进行训练和测试,得到所述构建好的神经网络模型,其中,将所述样本中所述边坡的模型中布置的各个监测点的水平位移和垂直位移作为所述神经网络模型的输入特征,将所述一个内摩擦角、所述一个粘聚力和所述边坡的模型中边坡的滑面形状信息作为输出标签。
在本公开的一种具体实施方式中,所述预测模块704包括预测单元7041、第三计算单元7042和第四计算单元7043。
所述预测单元7041,用于根据所述构建好的神经网络模型和所述边坡中各个监测点的水平位移和垂直位移,对所述边坡的土体的内摩擦角、所述边坡的土体的粘聚力和所述边坡的滑面形状信息进行预测,得到所述边坡的土体的内摩擦角预测结果、所述边坡的土体的粘聚力预测结果和所述边坡的滑面形状信息预测结果;
所述第三计算单元7042,用于根据所述边坡的土体的内摩擦角预测结果、所述边坡的土体的粘聚力预测结果和所述边坡的土体重度,按照传递系数法计算边坡安全系数;
所述第四计算单元7043,用于根据所述边坡的滑面形状预测结果计算所述边坡的滑带上部可能发生滑移的土方量,基于所述边坡安全系数和所述边坡的滑带上部可能发生滑移的土方量,得到所述边坡的预警等级。
在本公开的一种具体实施方式中,所述第四计算单元7043包括第一计算子单元70431。
所述第一计算子单元70431,用于所述边坡的滑面形状预测结果包括所述边坡的滑面长度预测结果、所述边坡的滑面宽度预测结果和所述边坡的滑面厚度预测结果,根据所述边坡的滑面长度预测结果、所述边坡的滑面宽度预测结果和所述边坡的滑面厚度预测结果得到所述边坡的滑带上部可能发生滑移的土方量。
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智能预警设备,下文描述的一种边坡智能预警设备与上文描述的一种边坡智能预警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智能预警设备800的框图。如图3所示,该边坡智能预警设备800可以包括:处理器801,存储器802。该边坡智能预警设备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用于控制该边坡智能预警设备800的整体操作,以完成上述的边坡智能预警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智能预警设备800的操作,这些数据例如可以包括用于在该边坡智能预警设备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 Random Access Memory,简称SRAM),电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory,简称EEPROM),可擦除可编程只读存储器(Erasable Programmable 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用于该边坡智能预警设备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 FieldCommunication,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,该边坡智能预警设备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(DigitalSignal 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智能预警方法。
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智能预警方法的步骤。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,上述程序指令可由该边坡智能预警设备800的处理器801执行以完成上述的边坡智能预警方法。
实施例4
相应于上面的方法实施例,本公开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智能预警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智能预警方法的步骤。
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 (16)
1.一种边坡智能预警方法,其特征在于,包括:
获取边坡的地质信息、所述边坡的模型、所述边坡中各个监测点的水平位移和所述边坡中各个监测点的垂直位移,所述边坡的地质信息包括所述边坡的坐标位置信息、所述边坡的土体重度、所述边坡的土体性质、所述边坡的土体的内摩擦角范围和所述边坡的土体的粘聚力范围;
基于所述边坡的地质信息,计算所述边坡的模型中边坡的不同滑面形状信息、所述边坡的模型中布置的各个监测点的水平位移范围和所述边坡的模型中布置的各个监测点的垂直位移范围;
基于所述内摩擦角范围、所述粘聚力范围、所述边坡的模型中边坡的不同滑面形状信息、所述边坡的模型中布置的各个监测点的水平位移范围和所述边坡的模型中布置的各个监测点的垂直位移范围构建神经网络模型,得到构建好的神经网络模型;
根据所述构建好的神经网络模型、所述边坡中各个监测点的水平位移和所述边坡中各个监测点的垂直位移,得到预测结果,基于所述预测结果和所述边坡的土体重度得到所述边坡的预警等级。
2.根据权利要求1所述的边坡智能预警方法,其特征在于,所述边坡的模型的构建方法,包括:
获取所述边坡周围的地质信息;
基于所述边坡的地质信息和所述边坡周围的地质信息建立一个包括所述边坡且大于所述边坡的体积的三维地质块体;
基于所述边坡的坐标位置信息对所述三维块体进行切除,得到所述边坡的模型。
3.根据权利要求1所述的边坡智能预警方法,其特征在于,所述边坡中各个监测点的位置信息和所述边坡的模型中各个监测点的位置信息的确定方法,包括:
获取所述边坡周围的地质信息,基于所述边坡的地质信息和所述边坡周围的地质信息,判断所述边坡是否存在控制性结构面,若存在则将所述控制性结构面的形状信息定义为所述边坡的滑面的形状信息,若不存在,则根据所述边坡的土体性质确定所述边坡的滑面形状信息;
根据所述边坡的滑面形状信息、所述边坡的地质信息和所述边坡周围的地质信息确定所述边坡中各个监测点的位置信息和所述边坡的模型中各个监测点的位置信息,其中所述边坡中各个监测点的位置和所述边坡的模型中各个监测点的位置均沿着边坡坡面等间距设置。
4.根据权利要求1所述的边坡智能预警方法,其特征在于,所述边坡中各个监测点的水平位移和垂直位移的获取方法,包括:
获取所述边坡周围的地质信息,基于所述边坡的地质信息和所述边坡周围的地质信息,判断所述边坡是否存在控制性结构面,若存在则将所述控制性结构面的形状信息定义为所述边坡的滑面的形状信息,若不存在,则根据所述边坡的土体性质确定所述边坡的滑面形状信息;
根据所述边坡的滑面形状信息、所述边坡的地质信息和所述边坡周围的地质信息确定所述边坡中各个监测点的位置,其中所述边坡中各个监测点的位置沿着边坡坡面等间距设置;
获取设置在所述边坡中各个监测点的浅层位置处的位移监测器的数据,得到所述边坡中各个监测点的水平位移和垂直位移。
5.根据权利要求1所述的边坡智能预警方法,其特征在于,所述基于所述边坡的地质信息,计算所述边坡的模型中边坡的不同滑面形状信息、所述边坡的模型中布置的各个监测点的水平位移范围和所述边坡的模型中布置的各个监测点的垂直位移范围,包括:
基于所述边坡的土体的内摩擦角和粘聚力,利用所述边坡的模型,计算得到所述边坡的模型中边坡的滑面形状信息和所述边坡的模型中边坡的位移场;
基于所述边坡的模型中边坡的位移场计算得到所述边坡的模型中设置的各个监测点的水平位移和垂直位移。
6.根据权利要求1所述的边坡智能预警方法,其特征在于,所述基于所述内摩擦角范围、所述粘聚力范围、所述边坡的模型中边坡的不同滑面形状信息、所述边坡的模型中布置的各个监测点的水平位移范围和所述边坡的模型中布置的各个监测点的垂直位移范围构建神经网络模型,得到构建好的神经网络模型,包括:
将基于所述内摩擦角范围中的一个内摩擦角和所述粘聚力范围中的一个粘聚力计算得到的结果与所述一个内摩擦角和所述一个粘聚力进行集合,形成一个样本,所述结果包括所述边坡的模型中边坡的滑面形状信息和所述边坡的模型中布置的各个监测点的水平位移和垂直位移;
将所有所述样本进行划分,得到训练集和测试集,利用所述训练集和测试集对所述神经网络模型进行训练和测试,得到所述构建好的神经网络模型,其中,将所述样本中所述边坡的模型中布置的各个监测点的水平位移和垂直位移作为所述神经网络模型的输入特征,将所述一个内摩擦角、所述一个粘聚力和所述边坡的模型中边坡的滑面形状信息作为输出标签。
7.根据权利要求1所述的边坡智能预警方法,其特征在于,所述根据所述构建好的神经网络模型、所述边坡中各个监测点的水平位移和所述边坡中各个监测点的垂直位移,得到预测结果,基于所述预测结果和所述边坡的土体重度得到所述边坡的预警等级,包括:
根据所述构建好的神经网络模型和所述边坡中各个监测点的水平位移和垂直位移,对所述边坡的土体的内摩擦角、所述边坡的土体的粘聚力和所述边坡的滑面形状信息进行预测,得到所述边坡的土体的内摩擦角预测结果、所述边坡的土体的粘聚力预测结果和所述边坡的滑面形状信息预测结果;
根据所述边坡的土体的内摩擦角预测结果、所述边坡的土体的粘聚力预测结果和所述边坡的土体重度,按照传递系数法计算边坡安全系数;
根据所述边坡的滑面形状预测结果计算所述边坡的滑带上部可能发生滑移的土方量,基于所述边坡安全系数和所述边坡的滑带上部可能发生滑移的土方量,得到所述边坡的预警等级。
8.根据权利要求7所述的边坡智能预警方法,其特征在于,所述根据所述边坡的滑面形状预测结果计算所述边坡的滑带上部可能发生滑移的土方量,包括:
所述边坡的滑面形状预测结果包括所述边坡的滑面长度预测结果、所述边坡的滑面宽度预测结果和所述边坡的滑面厚度预测结果,根据所述边坡的滑面长度预测结果、所述边坡的滑面宽度预测结果和所述边坡的滑面厚度预测结果得到所述边坡的滑带上部可能发生滑移的土方量。
9.一种边坡智能预警装置,其特征在于,包括:
第一获取模块,用于获取边坡的地质信息、所述边坡的模型、所述边坡中各个监测点的水平位移和所述边坡中各个监测点的垂直位移,所述边坡的地质信息包括所述边坡的坐标位置信息、所述边坡的土体重度、所述边坡的土体性质、所述边坡的土体的内摩擦角范围和所述边坡的土体的粘聚力范围;
计算模块,用于基于所述边坡的地质信息,计算所述边坡的模型中边坡的不同滑面形状信息、所述边坡的模型中布置的各个监测点的水平位移范围和所述边坡的模型中布置的各个监测点的垂直位移范围;
构建模块,用于基于所述内摩擦角范围、所述粘聚力范围、所述边坡的模型中边坡的不同滑面形状信息、所述边坡的模型中布置的各个监测点的水平位移范围和所述边坡的模型中布置的各个监测点的垂直位移范围构建神经网络模型,得到构建好的神经网络模型;
预测模块,用于根据所述构建好的神经网络模型、所述边坡中各个监测点的水平位移和所述边坡中各个监测点的垂直位移,得到预测结果,基于所述预测结果和所述边坡的土体重度得到所述边坡的预警等级。
10.根据权利要求9所述的边坡智能预警装置,其特征在于,所述装置,还包括:
第二获取模块,用于获取所述边坡周围的地质信息;
建立模块,用于基于所述边坡的地质信息和所述边坡周围的地质信息建立一个包括所述边坡且大于所述边坡的体积的三维地质块体;
切除模块,用于基于所述边坡的坐标位置信息对所述三维块体进行切除,得到所述边坡的模型。
11.根据权利要求9所述的边坡智能预警装置,其特征在于,所述装置,还包括:
第三获取模块,用于获取所述边坡周围的地质信息,基于所述边坡的地质信息和所述边坡周围的地质信息,判断所述边坡是否存在控制性结构面,若存在则将所述控制性结构面的形状信息定义为所述边坡的滑面的形状信息,若不存在,则根据所述边坡的土体性质确定所述边坡的滑面形状信息;
第一确定模块,用于根据所述边坡的滑面形状信息、所述边坡的地质信息和所述边坡周围的地质信息确定所述边坡中各个监测点的位置信息和所述边坡的模型中各个监测点的位置信息,其中所述边坡中各个监测点的位置和所述边坡的模型中各个监测点的位置均沿着边坡坡面等间距设置。
12.根据权利要求9所述的边坡智能预警装置,其特征在于,所述装置,还包括:
第四获取模块,用于获取所述边坡周围的地质信息,基于所述边坡的地质信息和所述边坡周围的地质信息,判断所述边坡是否存在控制性结构面,若存在则将所述控制性结构面的形状信息定义为所述边坡的滑面的形状信息,若不存在,则根据所述边坡的土体性质确定所述边坡的滑面形状信息;
第二确定模块,用于根据所述边坡的滑面形状信息、所述边坡的地质信息和所述边坡周围的地质信息确定所述边坡中各个监测点的位置,其中所述边坡中各个监测点的位置沿着边坡坡面等间距设置;
第五获取模块,用于获取设置在所述边坡中各个监测点的浅层位置处的位移监测器的数据,得到所述边坡中各个监测点的水平位移和垂直位移。
13.根据权利要求9所述的边坡智能预警装置,其特征在于,所述计算模块,包括:
第一计算单元,用于基于所述边坡的土体的内摩擦角和粘聚力,利用所述边坡的模型,计算得到所述边坡的模型中边坡的滑面形状信息和所述边坡的模型中边坡的位移场;
第二计算单元,用于基于所述边坡的模型中边坡的位移场计算得到所述边坡的模型中设置的各个监测点的水平位移和垂直位移。
14.根据权利要求9所述的边坡智能预警装置,其特征在于,所述构建模块,包括:
集合单元,用于将基于所述内摩擦角范围中的一个内摩擦角和所述粘聚力范围中的一个粘聚力计算得到的结果与所述一个内摩擦角和所述一个粘聚力进行集合,形成一个样本,所述结果包括所述边坡的模型中边坡的滑面形状信息和所述边坡的模型中布置的各个监测点的水平位移和垂直位移;
划分单元,用于将所有所述样本进行划分,得到训练集和测试集,利用所述训练集和测试集对所述神经网络模型进行训练和测试,得到所述构建好的神经网络模型,其中,将所述样本中所述边坡的模型中布置的各个监测点的水平位移和垂直位移作为所述神经网络模型的输入特征,将所述一个内摩擦角、所述一个粘聚力和所述边坡的模型中边坡的滑面形状信息作为输出标签。
15.根据权利要求9所述的边坡智能预警装置,其特征在于,所述预测模块,包括:
预测单元,用于根据所述构建好的神经网络模型和所述边坡中各个监测点的水平位移和垂直位移,对所述边坡的土体的内摩擦角、所述边坡的土体的粘聚力和所述边坡的滑面形状信息进行预测,得到所述边坡的土体的内摩擦角预测结果、所述边坡的土体的粘聚力预测结果和所述边坡的滑面形状信息预测结果;
第三计算单元,用于根据所述边坡的土体的内摩擦角预测结果、所述边坡的土体的粘聚力预测结果和所述边坡的土体重度,按照传递系数法计算边坡安全系数;
第四计算单元,用于根据所述边坡的滑面形状预测结果计算所述边坡的滑带上部可能发生滑移的土方量,基于所述边坡安全系数和所述边坡的滑带上部可能发生滑移的土方量,得到所述边坡的预警等级。
16.根据权利要求15所述的边坡智能预警装置,其特征在于,所述第四计算单元,包括:
第一计算子单元,用于所述边坡的滑面形状预测结果包括所述边坡的滑面长度预测结果、所述边坡的滑面宽度预测结果和所述边坡的滑面厚度预测结果,根据所述边坡的滑面长度预测结果、所述边坡的滑面宽度预测结果和所述边坡的滑面厚度预测结果得到所述边坡的滑带上部可能发生滑移的土方量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110658286.2A CN113111595B (zh) | 2021-06-15 | 2021-06-15 | 一种边坡智能预警方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110658286.2A CN113111595B (zh) | 2021-06-15 | 2021-06-15 | 一种边坡智能预警方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113111595A true CN113111595A (zh) | 2021-07-13 |
CN113111595B CN113111595B (zh) | 2021-08-31 |
Family
ID=76723474
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110658286.2A Active CN113111595B (zh) | 2021-06-15 | 2021-06-15 | 一种边坡智能预警方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113111595B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113642941A (zh) * | 2021-10-14 | 2021-11-12 | 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 |
CN113791195A (zh) * | 2021-11-16 | 2021-12-14 | 西南交通大学 | 一种获取滑坡支挡结构试验数据的装置及方法 |
CN114330144A (zh) * | 2022-02-15 | 2022-04-12 | 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 |
CN114676646A (zh) * | 2022-05-30 | 2022-06-28 | 西南交通大学 | 用于边坡的智能预警方法、装置、设备及可读存储介质 |
CN115116202A (zh) * | 2022-08-29 | 2022-09-27 | 西南交通大学 | 一种滑坡灾害预警方法、装置、设备及可读存储介质 |
CN115860265A (zh) * | 2023-02-08 | 2023-03-28 | 西南交通大学 | 渐变型滑坡滑面预测方法、装置、设备及可读存储介质 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101075338A (zh) * | 2007-02-12 | 2007-11-21 | 肖盛燮 | 公路环境灾变可视监控治理一体化技术 |
CN103424099A (zh) * | 2013-08-26 | 2013-12-04 | 招商局重庆交通科研设计院有限公司 | 基于变形数据的边坡监测预警系统及方法 |
CN105139585A (zh) * | 2015-07-29 | 2015-12-09 | 同济大学 | 一种土质边坡险情智能预警预报方法 |
CN108571932A (zh) * | 2018-06-12 | 2018-09-25 | 西南交通大学 | 一种边坡综合监测系统及监测方法 |
CN110288700A (zh) * | 2019-06-26 | 2019-09-27 | 东北大学 | 一种岩质边坡结构面自动分组及位移预测方法 |
US20200026570A1 (en) * | 2018-07-20 | 2020-01-23 | EMC IP Holding Company LLC | Predicting Time-To-Finish of a Workflow Using Deep Neural Network With Biangular Activation Functions |
CN111504268A (zh) * | 2020-04-22 | 2020-08-07 | 深圳市地质局 | 一种土质边坡险情智能预警预报方法 |
WO2020243550A1 (en) * | 2019-05-31 | 2020-12-03 | PAIGE.AI, Inc. | Systems and methods for processing images of slides to automatically prioritize the processed images of slides for digital pathology |
CN112085921A (zh) * | 2020-08-20 | 2020-12-15 | 青岛地质工程勘察院(青岛地质勘查开发局) | 一种基于位移与动力多参数的滑坡综合监测预警方法 |
CN112095596A (zh) * | 2020-11-03 | 2020-12-18 | 成都诺比侃科技有限公司 | 基于云平台的边坡预应力锚杆智能化监测预警系统及方法 |
CN112862965A (zh) * | 2021-02-19 | 2021-05-28 | 武汉理工大学 | 一种边坡开挖智能监控方法及系统 |
-
2021
- 2021-06-15 CN CN202110658286.2A patent/CN113111595B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101075338A (zh) * | 2007-02-12 | 2007-11-21 | 肖盛燮 | 公路环境灾变可视监控治理一体化技术 |
CN103424099A (zh) * | 2013-08-26 | 2013-12-04 | 招商局重庆交通科研设计院有限公司 | 基于变形数据的边坡监测预警系统及方法 |
CN105139585A (zh) * | 2015-07-29 | 2015-12-09 | 同济大学 | 一种土质边坡险情智能预警预报方法 |
CN108571932A (zh) * | 2018-06-12 | 2018-09-25 | 西南交通大学 | 一种边坡综合监测系统及监测方法 |
US20200026570A1 (en) * | 2018-07-20 | 2020-01-23 | EMC IP Holding Company LLC | Predicting Time-To-Finish of a Workflow Using Deep Neural Network With Biangular Activation Functions |
WO2020243550A1 (en) * | 2019-05-31 | 2020-12-03 | PAIGE.AI, Inc. | Systems and methods for processing images of slides to automatically prioritize the processed images of slides for digital pathology |
CN110288700A (zh) * | 2019-06-26 | 2019-09-27 | 东北大学 | 一种岩质边坡结构面自动分组及位移预测方法 |
CN111504268A (zh) * | 2020-04-22 | 2020-08-07 | 深圳市地质局 | 一种土质边坡险情智能预警预报方法 |
CN112085921A (zh) * | 2020-08-20 | 2020-12-15 | 青岛地质工程勘察院(青岛地质勘查开发局) | 一种基于位移与动力多参数的滑坡综合监测预警方法 |
CN112095596A (zh) * | 2020-11-03 | 2020-12-18 | 成都诺比侃科技有限公司 | 基于云平台的边坡预应力锚杆智能化监测预警系统及方法 |
CN112862965A (zh) * | 2021-02-19 | 2021-05-28 | 武汉理工大学 | 一种边坡开挖智能监控方法及系统 |
Non-Patent Citations (5)
Title |
---|
X. AI ET AL: ""Stability assessment of homogeneous slopes loaded with mobile tracked cranes—An artificial neural network approach"", 《COGENT ENGINEERING》 * |
孔德镨: ""基于BP神经网络法的岩质边坡稳定性评价"", 《中国优秀硕士学位论文全文数据库 工程科技II辑》 * |
张伟: ""基于现场检测的边坡安全评价指标研究"", 《中国优秀硕士学位论文全文数据库 工程科技II辑》 * |
杨涛 等: ""滑坡稳定性分析点安全系数法的应用条件"", 《西南交通大学学报》 * |
袁颖 等: ""岩制边坡稳定性预测模型的评价指标处理方法研究"", 《自然灾害学报》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113642941A (zh) * | 2021-10-14 | 2021-11-12 | 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 |
CN113791195A (zh) * | 2021-11-16 | 2021-12-14 | 西南交通大学 | 一种获取滑坡支挡结构试验数据的装置及方法 |
CN113791195B (zh) * | 2021-11-16 | 2022-02-08 | 西南交通大学 | 一种获取滑坡支挡结构试验数据的装置及方法 |
CN114330144A (zh) * | 2022-02-15 | 2022-04-12 | 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 |
CN114676646A (zh) * | 2022-05-30 | 2022-06-28 | 西南交通大学 | 用于边坡的智能预警方法、装置、设备及可读存储介质 |
CN114676646B (zh) * | 2022-05-30 | 2022-08-02 | 西南交通大学 | 用于边坡的智能预警方法、装置、设备及可读存储介质 |
CN115116202A (zh) * | 2022-08-29 | 2022-09-27 | 西南交通大学 | 一种滑坡灾害预警方法、装置、设备及可读存储介质 |
CN115116202B (zh) * | 2022-08-29 | 2022-11-15 | 西南交通大学 | 一种滑坡灾害预警方法、装置、设备及可读存储介质 |
CN115860265A (zh) * | 2023-02-08 | 2023-03-28 | 西南交通大学 | 渐变型滑坡滑面预测方法、装置、设备及可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113111595B (zh) | 2021-08-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113111595B (zh) | 一种边坡智能预警方法和装置 | |
Mirus et al. | Integrating real-time subsurface hydrologic monitoring with empirical rainfall thresholds to improve landslide early warning | |
CN115116202B (zh) | 一种滑坡灾害预警方法、装置、设备及可读存储介质 | |
Carlà et al. | Guidelines on the use of inverse velocity method as a tool for setting alarm thresholds and forecasting landslides and structure collapses | |
Holmes et al. | Error in a USGS 30-meter digital elevation model and its impact on terrain modeling | |
Zhang et al. | An earthquake early warning system in Fujian, China | |
Hantz et al. | An historical, geomechanical and probabilistic approach to rock-fall hazard assessment | |
CN114021487B (zh) | 一种山坡崩塌的预警方法、装置、设备及可读存储介质 | |
CN111210073A (zh) | 一种滑坡灾害预测方法及装置 | |
Cuéllar et al. | A fast earthquake early warning algorithm based on the first 3 s of the P‐wave coda | |
CN114333249A (zh) | 滑坡预警方法和装置 | |
CN114330144B (zh) | 一种边坡危石预警方法、装置、设备及可读存储介质 | |
CN112053093A (zh) | 一种基于大数据的地质灾害滑坡实时监测管理系统 | |
Li et al. | Chasing a complete understanding of the failure mechanisms and potential hazards of the slow moving Liangshuijing landslide | |
CN106295040B (zh) | 滑坡灾害监测预警地表测斜仪阈值判定方法 | |
CN111815471A (zh) | 一种基于大数据的煤矿资源开采区地质灾害监测预警管理系统 | |
CN115374528A (zh) | 一种边坡安全性分析方法、系统、设备及可读存储介质 | |
CN110519125A (zh) | 一种基于web的形变可视化实时监测预警系统 | |
CN207571497U (zh) | 储罐状态的确定系统 | |
Gutiérrez-Martín et al. | Development and validation of the terrain stability model for assessing landslide instability during heavy rain infiltration | |
Sahagian et al. | Paleoelevation measurement on the basis of vesicular basalts | |
Sharifi et al. | Algorithms to enhance detection of landslide acceleration moment and time-to-failure forecast using time-series displacements | |
CN115546433B (zh) | 一种边坡软化区域预测方法、系统、设备及可读存储介质 | |
CN204143506U (zh) | 巡检仪 | |
CN113125635A (zh) | 一种大气污染预警方法、装置及可读存储介质 |
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 |