CN113486420B - 水库大坝岸坡稳定性监测方法、装置、设备及介质 - Google Patents
水库大坝岸坡稳定性监测方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN113486420B CN113486420B CN202110638189.7A CN202110638189A CN113486420B CN 113486420 B CN113486420 B CN 113486420B CN 202110638189 A CN202110638189 A CN 202110638189A CN 113486420 B CN113486420 B CN 113486420B
- Authority
- CN
- China
- Prior art keywords
- monitoring
- data
- stability
- prediction model
- bank slope
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
-
- 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
- G06N20/00—Machine learning
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Software Systems (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Operations Research (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Computational Linguistics (AREA)
- Educational Administration (AREA)
- Biophysics (AREA)
- Game Theory and Decision Science (AREA)
- Biomedical Technology (AREA)
- Marketing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Architecture (AREA)
- Civil Engineering (AREA)
- Structural Engineering (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
Abstract
本申请公开了一种水库大坝岸坡稳定性监测方法、装置、设备及介质。该方法通过监测系统获取监测数据;监测数据包括扰动数据和位移数据;监测系统中包括有多个监测点,监测点沿水库大坝岸坡分布,每个监测点设置有扰动数据监测装置和位移数据监测装置;将监测数据输入到预测模型,得到稳定性监测结果;其中,预测模型通过以下步骤训练得到:获取批量的监测样本数据和监测样本数据对应的稳定性标签;稳定性标签用于表征水库大坝岸坡是否稳定;将监测样本数据输入到预测模型中进行训练,得到训练好的预测模型。该方法可以有效提高岸坡稳定性的监测精度,有利于及时发现异常,减少险情的发生。本申请可广泛应用于水库技术领域内。
Description
技术领域
本申请涉及水库技术领域,尤其是一种水库大坝岸坡稳定性监测方法、装置、设备及介质。
背景技术
水库岸坡的稳定性监测问题是水库大坝安全运行的重要环节之一,目前常规监测的做法是人工使用全站测量仪或者机器人自动测量获取表面位移信息,采用测斜仪监测获取深层水平位移。但是上述这些方式,难以满足水库岸坡监测的密度、频率要求,对操作人员的要求较高,且部分地方移动测量十分不便,在时间上和空间上存在一定的监测限制,可能无法及时发现水库岸坡稳定状态的突变,导致不必要的事故的发生。综上,相关技术存在的问题亟需得到解决。
发明内容
本申请的目的在于至少一定程度上解决相关技术中存在的技术问题之一。
为此,本申请实施例的一个目的在于提供一种水库大坝岸坡稳定性监测方法,该方法可以有效提高水库大坝岸坡稳定性的监测精度,有利于及时发现异常,减少险情的发生。
本申请实施例的另一个目的在于提供一种水库大坝岸坡稳定性监测装置。
为了达到上述技术目的,本申请实施例所采取的技术方案包括:
第一方面,本申请实施例提供了一种水库大坝岸坡稳定性监测方法,包括以下步骤:
通过监测系统获取监测数据;所述监测数据包括扰动数据和位移数据;所述监测系统中包括有多个监测点,所述监测点沿水库大坝岸坡分布,每个所述监测点设置有扰动数据监测装置和位移数据监测装置;
将所述监测数据输入到预测模型,得到稳定性监测结果;
其中,所述预测模型通过以下步骤训练得到:
获取批量的监测样本数据和所述监测样本数据对应的稳定性标签;所述稳定性标签用于表征所述水库大坝岸坡是否稳定;
将所述监测样本数据输入到所述预测模型中进行训练,得到训练好的预测模型。
另外,根据本申请上述实施例的水库大坝岸坡稳定性监测方法,还可以具有以下附加的技术特征:
进一步地,在本申请的一个实施例中,所述扰动数据监测装置包括MEMS传感器。
进一步地,在本申请的一个实施例中,所述位移数据监测装置包括全站仪、标靶棱镜和测斜仪。
进一步地,在本申请的一个实施例中,所述将所述监测样本数据输入到所述预测模型中进行训练,包括:
将所述监测样本数据输入到所述预测模型,得到预测结果;
根据所述预测结果和所述稳定性标签,确定训练的损失值;
根据所述损失值,对所述预测模型中的参数进行更新。
进一步地,在本申请的一个实施例中,所述根据所述预测结果和所述稳定性标签,确定训练的损失值,包括:
计算所述预测结果和所述稳定性标签之间的均方差;
根据所述均方差确定所述损失值。
进一步地,在本申请的一个实施例中,所述预测模型采用线性回归模型搭建。
进一步地,在本申请的一个实施例中,所述将所述监测样本数据输入到所述预测模型中进行训练,得到训练好的预测模型,包括:
将所述监测样本数据输入到所述预测模型中,通过反向传播算法对所述预测模型的参数进行迭代更新,直至迭代次数达到预设次数,得到训练好的预测模型。
第二方面,本申请实施例提供了一种水库大坝岸坡稳定性监测装置,包括:
获取模块,用于通过监测系统获取监测数据;所述监测数据包括扰动数据和位移数据;所述监测系统中包括有多个监测点,所述监测点沿水库大坝岸坡分布,每个所述监测点设置有扰动数据监测装置和位移数据监测装置;
预测模块,用于将所述监测数据输入到预测模型,得到稳定性监测结果;
其中,所述预测模型通过以下步骤训练得到:
获取批量的监测样本数据和所述监测样本数据对应的稳定性标签;所述稳定性标签用于表征所述水库大坝岸坡是否稳定;
将所述监测样本数据输入到所述预测模型中进行训练,得到训练好的预测模型。
第三方面,本申请实施例提供了一种水库大坝岸坡稳定性监测设备,包括:
至少一个处理器;
至少一个存储器,用于存储至少一个程序;
当所述至少一个程序被所述至少一个处理器执行时,使得所述至少一个处理器实现第一方面所述的水库大坝岸坡稳定性监测方法。
第四方面,本申请实施例还提供了一种计算机可读存储介质,其中存储有处理器可执行的程序,所述处理器可执行的程序在由处理器执行时用于实现第一方面所述的水库大坝岸坡稳定性监测方法。
本申请的优点和有益效果将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本申请的实践了解到:
本申请实施例中提供的水库大坝岸坡稳定性监测方法,通过监测系统获取监测数据;所述监测数据包括扰动数据和位移数据;所述监测系统中包括有多个监测点,所述监测点沿水库大坝岸坡分布,每个所述监测点设置有扰动数据监测装置和位移数据监测装置;将所述监测数据输入到预测模型,得到稳定性监测结果;其中,所述预测模型通过以下步骤训练得到:获取批量的监测样本数据和所述监测样本数据对应的稳定性标签;所述稳定性标签用于表征所述水库大坝岸坡是否稳定;将所述监测样本数据输入到所述预测模型中进行训练,得到训练好的预测模型。该方法可以有效提高水库大坝岸坡稳定性的监测精度,有利于及时发现异常,减少险情的发生。
附图说明
为了更清楚地说明本申请实施例或者现有技术中的技术方案,下面对本申请实施例或者现有技术中的相关技术方案附图作以下介绍,应当理解的是,下面介绍中的附图仅仅为了方便清晰表述本申请的技术方案中的部分实施例,对于本领域的技术人员来说,在无需付出创造性劳动的前提下,还可以根据这些附图获取到其他附图。
图1为本申请一种水库大坝岸坡稳定性监测方法具体实施例的流程示意图;
图2为本申请一种水库大坝岸坡稳定性监测方法中监测系统的示意图;
图3为本申请一种水库大坝岸坡稳定性监测装置具体实施例的结构示意图;
图4为本申请一种水库大坝岸坡稳定性监测设备具体实施例的结构示意图。
具体实施方式
下面详细描述本申请的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本申请,而不能理解为对本申请的限制。对于以下实施例中的步骤编号,其仅为了便于阐述说明而设置,对步骤之间的顺序不做任何限定,实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
相关技术中,水库岸坡的稳定性监测问题是水库大坝安全运行的重要环节之一,目前常规监测的做法是人工使用全站测量仪或者机器人自动测量获取表面位移信息,采用测斜仪监测获取深层水平位移。但是上述这些方式,难以满足水库岸坡监测的密度、频率要求,对操作人员的要求较高,且部分地方移动测量十分不便,在时间上和空间上存在一定的监测限制,可能无法及时发现水库岸坡稳定状态的突变,导致不必要的事故的发生。针对上述水库大坝岸坡监测存在的不足,本申请的目的在于提出一种水库大坝岸坡稳定性监测方法,该方法通过实时监测岸坡的扰动数据,结合多种监测数据分析岸坡的稳定性,可以及时发现异常,有利于避免险情的发生。
具体地,本申请实施例中提供的水库大坝岸坡稳定性监测方法,可应用于终端中,也可应用于服务器中,还可以是运行于终端或服务器中的软件等。终端可以是平板电脑、笔记本电脑、台式计算机等,但并不局限于此。服务器可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式系统,还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN、以及大数据和人工智能平台等基础云计算服务的云服务器。参照图1,该方法主要包括以下步骤:
步骤110、通过监测系统获取监测数据;所述监测数据包括扰动数据和位移数据;所述监测系统中包括有多个监测点,所述监测点沿水库大坝岸坡分布,每个所述监测点设置有扰动数据监测装置和位移数据监测装置;
参照图2,下面首先对本申请实施例中的监测系统进行说明,该监测系统包括:
监测网,监测网包括有多个监测点10,监测点10沿水库大坝岸坡分布,每个监测点10设置有MEMS传感器、标靶棱镜、测斜仪、电源模块和通讯模块;
数据采集终端20,数据采集终端20与一个或者多个监测网中的监测点10通讯连接;
后台系统30,后台系统30与数据采集终端20通讯连接。
本申请实施例中提供的水库大坝岸坡稳定性监测系统,主要包括三个部分,第一部分是布置在岸坡处的监测网,第二部分是数据采集终端,第三部分是后台系统。该监测网可以包括多个监测点,各个监测点均沿着水库大坝岸坡分布设置。例如,可以根据岸坡的形状、地形地貌特征及其他相关要求,确定沿岸的监测点,将多个监测点布设成线或者网状;在一些实施例中,还可以根据经验将岸坡情况分为稳定区、相对稳定区以及不稳定区,在不稳定区适当加密布置监测点,一般来说监测点之间的间距可以为50m~100m,加密区中监测点的间距应不大于50m。
对于各个监测点来说,可以设置有MEMS传感器、全站仪、标靶棱镜、测斜仪、电源模块和通讯模块。其中,MEMS传感器用于实时收集外界因素造成的扰动数据;全站仪用于测量岸坡的表面位移,标靶棱镜可以为全站仪提供标靶,使得测量的结果更为准确;测斜仪用于测量岸坡的深层水平位移;即全站仪、标靶棱镜、测斜仪用于实时测量位移数据,可以记为位移数据监测装置。MEMS传感器、全站仪、测斜仪均和通讯模块连接,可以通过通讯模块将测得的数据传输出去。
本申请实施例中的电源模块可以采用太阳能电池,由于一般各个监测点均位于环境较为复杂室外,更换、补充电池殊为不易,且一旦电池电量用光对于系统的监测影响很大,所以电池模块可以采用较为可靠、能够通过太阳能自动补充电力的太阳能电池。
对于本申请实施例中的通讯模块来说,其用于和数据采集终端进行通信,通过数据采集终端将采集到的数据发送到后台系统。具体地,由于在本系统中数据采集终端从各个监测点获取的数据总量不大,因此为了降低系统的搭建成本,可以采用窄带宽频的信号传输,即通讯模块可以基于窄带射频芯片搭建。在一些实施例中,通讯模块可以包括LoRa射频芯片。
本申请实施例中,通过数据采集终端可以获取一个或者多个监测网中的监测点数据,并且可以将这些数据传输给后台系统,此处的传输方式不作限制。例如两者可以通过无线网络或有线网络通讯连接,该网络使用标准通信技术和/或协议,网络可以设置为因特网,也可以是其它任何网络,例如包括但不限于局域网(Local Area Network,LAN)、城域网(Metropolitan Area Network,MAN)、广域网(Wide Area Network,WAN)、移动、有线或者无线网络、专用网络或者虚拟专用网络的任何组合。本申请实施例中,通过数据采集终端采集监测点处的数据,可以减小监测点处通讯性能的需求限制,用户可以通过数据采集终端在需要监测的水库周边轻松采集到相关数据,并传输给远方的后台系统进行分析,由于数据采集终端与监测网的距离较近,可以有效降低监测点的通信模块的建设成本。
本申请实施例中,可以通过上述的监测系统实时获取监测数据。
步骤120、将所述监测数据输入到预测模型,得到稳定性监测结果;
本申请实施例中,当训练好一个预测模型后,对于待识别的监测数据,可以将其输入到得到的预测模型中,即可得到稳定性监测结果。具体地,岸坡的稳定性情况可以分为稳定、临界稳定和不稳定三种状态,对于预测模型来说,这是一个分类任务,根据前述获取的扰动数据和位移数据,可以得到预测模型的输出。例如,在一些实施例中,预测模型的输出可以是具体的数值,比如说输出-1代表处于不稳定的状态;输出1处于稳定的状态;输出0处于临界稳定的状态。当然,对于不同架构的模型,其输出采用的数据格式可以根据需要灵活设定,在此不作限制。例如,在一些实施例中,本申请中的预测模型可以采用深度学习算法搭建,在一些实施例中,本申请实施例中的预测模块也可以采用逻辑回归模型搭建。
本申请实施例中,预测模型可以通过以下步骤训练得到:
获取批量的监测样本数据和所述监测样本数据对应的稳定性标签;所述稳定性标签用于表征所述水库大坝岸坡是否稳定;
在训练预测模型时,首先需要获取批量的监测样本数据和所述监测样本数据对应的稳定性标签;所述稳定性标签用于表征所述水库大坝岸坡是否稳定;这些监测数据可以从历史数据中获取并打上标签。并且,当获取的数据量过大时,可以采用采样算法对数据进行筛选,例如进行随机采样(Random Sampling),从而得到适量的监测样本数据组成训练数据集。当然,采样的方式有多种,例如可以采用FPS(Fatthest Point Samping)、IDIS(Inverse Density Importance Sam-pling)、GS(Generator-based Sampling)、CRS(Continuous Relaxation based Sampling)或者PGS(Policy Gradient based Sampling)等的任意一种。
将所述监测样本数据输入到所述预测模型中进行训练,得到训练好的预测模型。
本申请实施例中,在通过监测样本数据组成训练数据集后,可以将训练数据集输入到初始化后的预测模型中进行训练。具体地,将训练数据集中的数据输入到预测模型后,可以得到模型输出的预测结果,可以根据预测结果和前述的稳定性标签来评估预测模型预测的准确性,从而对模型的参数进行更新。
对于预测模型来说,模型预测结果的准确性可以通过损失函数(Loss Function)来衡量,损失函数是定义在单个训练数据上的,用于衡量一个训练数据的预测误差,具体是通过单个训练数据的标签和模型对该训练数据的预测结果确定该训练数据的损失值。而实际训练时,一个训练数据集有很多训练数据,因此一般采用代价函数(Cost Function)来衡量训练数据集的整体误差,代价函数是定义在整个训练数据集上的,用于计算所有训练数据的预测误差的平均值,能够更好地衡量出模型的预测效果。对于一般的机器学习模型来说,基于前述的代价函数,再加上衡量模型复杂度的正则项即可作为训练的目标函数,基于该目标函数便能求出整个训练数据集的损失值。常用的损失函数种类有很多,例如0-1损失函数、均方差损失函数、绝对损失函数、对数损失函数、交叉熵损失函数等均可以作为机器学习模型的损失函数,在此不再一一阐述。本申请实施例中,可以从中任选一种损失函数来确定训练的损失值,例如可以计算预测结果和稳定性标签之间的均方差,将该均方差确定为损失值。
基于训练的损失值,采用反向传播算法对模型的参数进行更新,迭代几轮即可得到训练好的预测模型。具体地迭代轮数可以预先设定,当迭代次数达到预设次数时可以认为训练完成。
下面参照附图详细描述根据本申请实施例提出的水库大坝岸坡稳定性监测系统。
参照图3,本申请实施例中提出的水库大坝岸坡稳定性监测系统,包括:
获取模块101,用于通过监测系统获取监测数据;所述监测数据包括扰动数据和位移数据;所述监测系统中包括有多个监测点,所述监测点沿水库大坝岸坡分布,每个所述监测点设置有扰动数据监测装置和位移数据监测装置;
预测模块102,用于将所述监测数据输入到预测模型,得到稳定性监测结果;
其中,所述预测模型通过以下步骤训练得到:
获取批量的监测样本数据和所述监测样本数据对应的稳定性标签;所述稳定性标签用于表征所述水库大坝岸坡是否稳定;
将所述监测样本数据输入到所述预测模型中进行训练,得到训练好的预测模型。
可以理解的是,上述水库大坝岸坡稳定性监测方法实施例中的内容均适用于本装置实施例中,本装置实施例所具体实现的功能与上述水库大坝岸坡稳定性监测方法实施例相同,并且达到的有益效果与上述水库大坝岸坡稳定性监测方法实施例所达到的有益效果也相同。
参照图4,本申请实施例提供了水库大坝岸坡稳定性监测装置,包括:
至少一个处理器201;
至少一个存储器202,用于存储至少一个程序;
当至少一个程序被至少一个处理器201执行时,使得至少一个处理器201实现的水库大坝岸坡稳定性监测方法。
同理,上述水库大坝岸坡稳定性监测方法实施例中的内容均适用于本水库大坝岸坡稳定性监测装置实施例中,本水库大坝岸坡稳定性监测装置实施例所具体实现的功能与上述水库大坝岸坡稳定性监测方法实施例相同,并且达到的有益效果与上述水库大坝岸坡稳定性监测方法实施例所达到的有益效果也相同。
本申请实施例还提供了一种计算机可读存储介质,其中存储有处理器201可执行的程序,处理器201可执行的程序在由处理器201执行时用于执行上述的水库大坝岸坡稳定性监测方法。
同理,上述的水库大坝岸坡稳定性监测方法实施例中的内容均适用于本计算机可读存储介质实施例中,本计算机可读存储介质实施例所具体实现的功能与上述的水库大坝岸坡稳定性监测方法实施例相同,并且达到的有益效果与上述的水库大坝岸坡稳定性监测方法实施例所达到的有益效果也相同。
在一些可选择的实施例中,在方框图中提到的功能/操作可以不按照操作示图提到的顺序发生。例如,取决于所涉及的功能/操作,连续示出的两个方框实际上可以被大体上同时地执行或方框有时能以相反顺序被执行。此外,在本申请的流程图中所呈现和描述的实施例以示例的方式被提供,目的在于提供对技术更全面的理解。所公开的方法不限于本文所呈现的操作和逻辑流程。可选择的实施例是可预期的,其中各种操作的顺序被改变以及其中被描述为较大操作的一部分的子操作被独立地执行。
此外,虽然在功能性模块的背景下描述了本申请,但应当理解的是,除非另有相反说明,功能和/或特征中的一个或多个可以被集成在单个物理装置和/或软件模块中,或者一个或多个功能和/或特征可以在单独的物理装置或软件模块中被实现。还可以理解的是,有关每个模块的实际实现的详细讨论对于理解本申请是不必要的。更确切地说,考虑到在本文中公开的装置中各种功能模块的属性、功能和内部关系的情况下,在工程师的常规技术内将会了解该模块的实际实现。因此,本领域技术人员运用普通技术就能够在无需过度试验的情况下实现在权利要求书中所阐明的本申请。还可以理解的是,所公开的特定概念仅仅是说明性的,并不意在限制本申请的范围,本申请的范围由所附权利要求书及其等同方案的全部范围来决定。
功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得程序,然后将其存储在计算机存储器中。
应当理解,本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
在本说明书的上述描述中,参考术语“一个实施方式/实施例”、“另一实施方式/实施例”或“某些实施方式/实施例”等的描述意指结合实施方式或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施方式或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施方式或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施方式或示例中以合适的方式结合。
尽管已经示出和描述了本申请的实施方式,本领域的普通技术人员可以理解:在不脱离本申请的原理和宗旨的情况下可以对这些实施方式进行多种变化、修改、替换和变型,本申请的范围由权利要求及其等同物限定。
以上是对本申请的较佳实施进行了具体说明,但本申请并不限于实施例,熟悉本领域的技术人员在不违背本申请精神的前提下可做作出种种的等同变形或替换,这些等同的变形或替换均包含在本申请权利要求所限定的范围内。
Claims (8)
1.一种水库大坝岸坡稳定性监测方法,其特征在于,包括以下步骤:
通过监测系统获取监测数据;所述监测数据包括扰动数据和位移数据;所述监测系统中包括有多个监测点,所述监测点沿水库大坝岸坡分布,每个所述监测点设置有扰动数据监测装置和位移数据监测装置;所述扰动数据监测装置包括MEMS传感器;所述位移数据监测装置包括全站仪、标靶棱镜和测斜仪;
将所述监测数据输入到预测模型,得到稳定性监测结果;
其中,所述预测模型通过以下步骤训练得到:
获取批量的监测样本数据和所述监测样本数据对应的稳定性标签;所述稳定性标签用于表征所述水库大坝岸坡是否稳定;
将所述监测样本数据输入到所述预测模型中进行训练,得到训练好的预测模型。
2.根据权利要求1所述的水库大坝岸坡稳定性监测方法,其特征在于,所述将所述监测样本数据输入到所述预测模型中进行训练,包括:
将所述监测样本数据输入到所述预测模型,得到预测结果;
根据所述预测结果和所述稳定性标签,确定训练的损失值;
根据所述损失值,对所述预测模型中的参数进行更新。
3.根据权利要求2所述的水库大坝岸坡稳定性监测方法,其特征在于,所述根据所述预测结果和所述稳定性标签,确定训练的损失值,包括:
计算所述预测结果和所述稳定性标签之间的均方差;
根据所述均方差确定所述损失值。
4.根据权利要求3所述的水库大坝岸坡稳定性监测方法,其特征在于,所述预测模型采用线性回归模型搭建。
5.根据权利要求1所述的水库大坝岸坡稳定性监测方法,其特征在于,所述将所述监测样本数据输入到所述预测模型中进行训练,得到训练好的预测模型,包括:
将所述监测样本数据输入到所述预测模型中,通过反向传播算法对所述预测模型的参数进行迭代更新,直至迭代次数达到预设次数,得到训练好的预测模型。
6.一种水库大坝岸坡稳定性监测装置,其特征在于,包括:
获取模块,用于通过监测系统获取监测数据;所述监测数据包括扰动数据和位移数据;所述监测系统中包括有多个监测点,所述监测点沿水库大坝岸坡分布,每个所述监测点设置有扰动数据监测装置和位移数据监测装置;所述扰动数据监测装置包括MEMS传感器;所述位移数据监测装置包括全站仪、标靶棱镜和测斜仪;
预测模块,用于将所述监测数据输入到预测模型,得到稳定性监测结果;
其中,所述预测模型通过以下步骤训练得到:
获取批量的监测样本数据和所述监测样本数据对应的稳定性标签;所述稳定性标签用于表征所述水库大坝岸坡是否稳定;
将所述监测样本数据输入到所述预测模型中进行训练,得到训练好的预测模型。
7.一种水库大坝岸坡稳定性监测设备,其特征在于,包括:
至少一个处理器;
至少一个存储器,用于存储至少一个程序;
当所述至少一个程序被所述至少一个处理器执行,使得所述至少一个处理器实现如权利要求1-5中任一项所述的水库大坝岸坡稳定性监测方法。
8.一种计算机可读存储介质,其中存储有处理器可执行的程序,其特征在于:所述处理器可执行的程序在由处理器执行时用于实现如权利要求1-5任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110638189.7A CN113486420B (zh) | 2021-06-08 | 2021-06-08 | 水库大坝岸坡稳定性监测方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110638189.7A CN113486420B (zh) | 2021-06-08 | 2021-06-08 | 水库大坝岸坡稳定性监测方法、装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113486420A CN113486420A (zh) | 2021-10-08 |
CN113486420B true CN113486420B (zh) | 2022-07-01 |
Family
ID=77935040
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110638189.7A Active CN113486420B (zh) | 2021-06-08 | 2021-06-08 | 水库大坝岸坡稳定性监测方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113486420B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114357912B (zh) * | 2022-01-11 | 2022-09-16 | 湖南工程学院 | 一种河岸岸坡的稳定性分析系统 |
CN114623799B (zh) * | 2022-02-10 | 2024-03-08 | 广州大铁锐威科技有限公司 | 结构健康监测数据异常预警方法、系统、装置及存储介质 |
CN114757395B (zh) * | 2022-03-22 | 2023-06-16 | 欧亚高科数字技术有限公司 | 一种基于智能物联网的危房监测方法 |
CN115456331B (zh) * | 2022-08-03 | 2024-02-02 | 南京河海南自水电自动化有限公司 | 多维多测点模型在线监控算法在监测分析系统平台的应用 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019001016A1 (zh) * | 2017-06-26 | 2019-01-03 | 大连理工大学 | 一种基于温度与位移关系模型的桥梁伸缩缝性能预警方法 |
CN111695177A (zh) * | 2020-05-14 | 2020-09-22 | 河海大学 | 基于位移场监测数据的大坝力学参数随机反演方法及系统 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040119793A1 (en) * | 2000-09-25 | 2004-06-24 | Mutz Mitchell W. | Acoustic assessment of fluids in a plurality of reservoirs |
CN109269556A (zh) * | 2018-09-06 | 2019-01-25 | 深圳市中电数通智慧安全科技股份有限公司 | 一种设备风险预警方法、装置、终端设备及存储介质 |
CN112381309B (zh) * | 2020-11-23 | 2022-04-12 | 珠江水利委员会珠江水利科学研究院 | 水库大坝安全监测预警方法、装置、系统及存储介质 |
-
2021
- 2021-06-08 CN CN202110638189.7A patent/CN113486420B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019001016A1 (zh) * | 2017-06-26 | 2019-01-03 | 大连理工大学 | 一种基于温度与位移关系模型的桥梁伸缩缝性能预警方法 |
CN111695177A (zh) * | 2020-05-14 | 2020-09-22 | 河海大学 | 基于位移场监测数据的大坝力学参数随机反演方法及系统 |
Non-Patent Citations (1)
Title |
---|
林智艳.基于BP神经网络的土石坝变形预测模型研究.《人民珠江》.2020,(第06期), * |
Also Published As
Publication number | Publication date |
---|---|
CN113486420A (zh) | 2021-10-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113486420B (zh) | 水库大坝岸坡稳定性监测方法、装置、设备及介质 | |
Jouin et al. | Prognostics of PEM fuel cell in a particle filtering framework | |
CN115578015B (zh) | 基于物联网的污水处理全过程监管方法、系统及存储介质 | |
Pandit et al. | Comparative assessments of binned and support vector regression-based blade pitch curve of a wind turbine for the purpose of condition monitoring | |
US10396375B2 (en) | System and method for condition monitoring of redox flow batteries using data analytics | |
CN114742183B (zh) | 基于深度学习的水污染预警方法、系统、设备及存储介质 | |
CN110059894A (zh) | 设备状态评估方法、装置、系统及存储介质 | |
CN110457821A (zh) | 风功率曲线多目标综合评价方法、装置及服务器 | |
CN114742363A (zh) | 风电机组的能效状态评价方法、系统及介质 | |
CN116754022B (zh) | 电缆隧道的在线检测应急预警方法及系统 | |
CN114623799B (zh) | 结构健康监测数据异常预警方法、系统、装置及存储介质 | |
Xu et al. | A composite quantile regression long short-term memory network with group lasso for wind turbine anomaly detection | |
CN115081677B (zh) | 一种风速预测方法、装置、电子设备及可读存储介质 | |
CN113808015B (zh) | 输电线路区域气象参数的空间插值方法、装置及设备 | |
CN113642248B (zh) | 定位设备剩余使用时间的评估方法及装置 | |
US20220283242A1 (en) | Method and device for managing battery data | |
CN113111729B (zh) | 人员识别模型的训练方法、识别方法、系统、装置及介质 | |
CN115932704A (zh) | 一种基于模型和数据双驱动的cvt误差测量方法及系统 | |
Sun et al. | A data-driven framework for tunnel infrastructure maintenance | |
CN112926801A (zh) | 一种基于分位数回归的负荷曲线组合预测方法及装置 | |
Huu et al. | Development of warning and predicting system for quality of air in smart cities using RNN | |
CN111611117A (zh) | 硬盘故障的预测方法、装置、设备及计算机可读存储介质 | |
CN113780689B (zh) | 一种基于人工智能的能量路由器寿命预测方法和装置 | |
CN116736173B (zh) | 一种储能电池模型构建和储能电池状态判定方法、装置 | |
Li et al. | Power plant fan fault warning based on bidirectional feature compression and state estimation |
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 |