CN113496099B - 一种基于深度学习的边坡永久位移预测模型训练方法 - Google Patents

一种基于深度学习的边坡永久位移预测模型训练方法 Download PDF

Info

Publication number
CN113496099B
CN113496099B CN202110366037.6A CN202110366037A CN113496099B CN 113496099 B CN113496099 B CN 113496099B CN 202110366037 A CN202110366037 A CN 202110366037A CN 113496099 B CN113496099 B CN 113496099B
Authority
CN
China
Prior art keywords
earthquake
slope
database
parameters
deep learning
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
CN202110366037.6A
Other languages
English (en)
Other versions
CN113496099A (zh
Inventor
程印
王建锋
刘同同
张迎宾
何毅
余海洪
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 CN202110366037.6A priority Critical patent/CN113496099B/zh
Publication of CN113496099A publication Critical patent/CN113496099A/zh
Application granted granted Critical
Publication of CN113496099B publication Critical patent/CN113496099B/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
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2465—Query processing support for facilitating data mining operations in structured databases
    • 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
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Tourism & Hospitality (AREA)
  • Databases & Information Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Human Resources & Organizations (AREA)
  • Molecular Biology (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Biophysics (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Biomedical Technology (AREA)
  • Economics (AREA)
  • Computing Systems (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Fuzzy Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Pit Excavations, Shoring, Fill Or Stabilisation Of Slopes (AREA)
  • Geophysics And Detection Of Objects (AREA)

Abstract

本发明属于边坡位移预测技术领域，公开了一种基于深度学习的边坡永久位移预测模型训练方法，包括：获取地震动数据，根据地震动数据构建数据库；根据地震动数据中的地震特征参数，计算得到地震动强度参数，并存放至数据库中的对应位置；根据地震动数据对应场地的土体参数、边坡几何参数和环境参数，计算得到边坡临界加速度，并存放至数据库中的对应位置；根据地震动数据的加速度时程，计算得到Newmark法地震作用下边坡永久位移，并存放至数据库中的对应位置；构建深度学习模型，通过数据库训练深度学习模型，得到调参后的深度学习模型，作为边坡永久位移预测模型。本发明对边坡永久位移的预测准确度高，有利于判断边坡因地震导致滑坡的潜在风险。

Description

一种基于深度学习的边坡永久位移预测模型训练方法
技术领域
本发明涉及边坡位移预测技术领域，尤其涉及一种基于深度学习的边坡永久 位移预测模型训练方法。
背景技术
区域地震滑坡危险性分析是指潜在地震情况下，分析其地震诱发滑坡的空间 分布概率，提供滑坡具体的位置、体量等危险性描述要素。当前进行区域地震滑 坡危险性分析的主要步骤为：边坡参数信息获取、Newmark边坡永久位移预测模 型建立和区域地震滑坡危险性评价。其中Newmark永久位移预测模型建立，目前 专家主要采用简单回归方法进行建立，取地震动样本充分性存在不足，预测精度 和效果有待提升。使用多参数进行回归分析时，采取传统回归模型方法也较为困难。
发明内容
本发明意在提供一种基于深度学习的边坡永久位移预测模型训练方法，以解 决现有技术中的永久位移预测模型预测精度差的问题。
为达到上述目的，本发明提供如下技术方案：
一种基于深度学习的边坡永久位移预测模型训练方法，所述训练方法包括：
获取地震动数据，根据地震动数据构建数据库；
根据地震动数据中的地震特征参数，计算得到地震动强度参数，并存放至数 据库中的对应位置；
根据地震动数据对应场地的土体参数、边坡几何参数和环境参数，计算得到 边坡临界加速度，并存放至数据库中的对应位置；
根据地震动数据的加速度时程，计算得到Newmark法地震作用下边坡永久位 移，并存放至数据库中的对应位置；
构建深度学习模型，通过数据库训练深度学习模型，得到调参后的深度学习 模型，作为边坡永久位移预测模型。
优选地，获取地震动数据，包括：访问全球已有的地震动数据库，采用如下 标准挑选出浅层地壳地震动记录：矩震级Mw≥4；断层距Rrup≤300km；地面峰值 加速度PGA≥0.001g。
优选地，所述地震特征参数包括震级、距离与场地类别，所述地震动强度参 数包括地震峰值加速度、地震峰值速度和阿里亚斯强度。
优选地，采用式(1)至(3)分别计算地震峰值加速度、地震峰值速度和阿 里亚斯强度：
Figure BDA0003007478640000021
Figure BDA0003007478640000022
Figure BDA0003007478640000023
式(1)至(3)中，M为震级，R为距离。
优选地，所述土体参数包括土体有效粘聚力、土体重度和有效内摩擦角；所 述边坡集合参数包括坡角，所述环境参数包括地下水位系数。
优选地，采用式(4)计算边坡临界加速度：
Figure BDA0003007478640000031
式(4)中，ac为边坡临界加速度值，c'为土体有效粘聚力，γ为土体重度， γw为水重度，α为坡角，
Figure BDA0003007478640000032
为土体有效内摩擦角，m为地下水位系数，t为垂直 于破坏面土的厚度。
优选地，采用式(5)计算Newmark法地震作用下边坡永久位移：
Figure BDA0003007478640000033
式(2)中，ah、av分别为地震动加速度水平、竖向分量。
优选地，所述构建深度学习模型，通过数据库训练深度学习模型，具体为： 以数据库中的地震特征参数、地震动强度参数和边坡临界加速度为输入，以对应 的Newmark边坡永久位移为输出，建立深度神经网络模型并进行训练。
采用上述技术方案，本发明具有如下有益技术效果：
(1)当前已有永久位移预测模型中，样本充分性存在不足，本方案选取全 球地震动数据库中大量地震动数据，充分利用大样本数据，进行大容量样本训练， 弥补上述不足；
(2)当前已有永久位移预测模型主要采用简单回归方法，预测精度和泛化 能力有待提升，本方法基于深度神经网络，在大体积样本训练的基础上拥有精度 高、泛化能力强、预测效果好、误差小等优点；
(3)以往的地震作用下边坡永久位移预测模型，要么只考虑了地震动强度 参数没有考虑地震特征参数，要么只考虑了部分地震特征参数没有考虑场地类别， 但本发明申请所建立的预测模型，考虑了足够充分的地震特征参数(震级、震距、 场地类别)、地震动强度参数和边坡本身特性参数三大类参数，该三大参数对边 坡永久位移的准确预测至关重要。该模型在地震滑坡危险性评估中可以得到充分 利用，可以使地震滑坡危险性评估更加准确，更加准确地判断边坡因地震导致滑 坡的潜在风险。
附图说明
图1为本发明实施例提供的一种基于深度学习的边坡永久位移预测模型训 练方法流程图；
图2为本发明实施例提供的一种基于深度学习的边坡永久位移预测模型训 练方法的神经网络示意图；
图3为本发明实施例提供的一种基于深度学习的边坡永久位移预测模型训 练方法的边坡示意图。
具体实施方式
下面结合附图和实施方式对本发明作进一步的详细说明：
如图1所示的，一种基于深度学习的边坡永久位移预测模型训练方法，包括：
步骤1：获取地震动数据，根据地震动数据构建数据库；
具体的，访问全球已有的地震动数据库，包括NGA-west2数据库、Kik-net 数据库等，收集地震动数据，排除低质量、不可靠、记录不完整、余震和非自由 场的地震动记录，采用如下标准挑选出浅层地壳地震动记录：矩震级Mw≥4；断 层距Rrup≤300km；地面峰值加速度PGA≥0.001g。用Matlab程序，对所有挑选 出的地震记录采用统一标准进行整理，并构建数据库。
步骤2：根据地震动数据中的地震特征参数，计算得到地震动强度参数，并 存放至数据库中的对应位置；
具体的，地震特征参数包括震级、距离与场地类别，可通过地震动数据获取。 地震动强度参数包括地震峰值加速度、地震峰值速度和阿里亚斯强度，可采用式 (1)至(3)分别计算地震峰值加速度、地震峰值速度和阿里亚斯强度：
Figure BDA0003007478640000041
Figure BDA0003007478640000051
Figure BDA0003007478640000052
式(1)至(3)中，M为震级，R为断层距。
由于每一个地震动记录有两个水平分量和一个竖直分量，所以计算出的地震 动强度参数是两个水平分量的几何平均值。
步骤3：根据地震动数据对应场地的土体参数、边坡几何参数和环境参数， 计算得到边坡临界加速度，并存放至数据库中的对应位置。
具体的，土体参数包括土体有效粘聚力、土体重度和有效内摩擦角；边坡集 合参数包括坡角，环境参数包括地下水位系数。
采用式(4)计算边坡临界加速度：
Figure BDA0003007478640000053
式(4)中，ac为边坡临界加速度值，c'为土体有效粘聚力，γ为土体重度， γw为水重度，α为坡角，
Figure BDA0003007478640000054
为土体有效内摩擦角，m为地下水位系数，t为垂直 于破坏面土的厚度。
步骤4：根据地震动数据的加速度时程，计算得到Newmark法地震作用下边 坡永久位移，并存放至数据库中的对应位置；
具体的，采用式(5)计算Newmark法地震作用下边坡永久位移：
Figure BDA0003007478640000055
式(5)中，ah、av分别为地震动加速度水平、竖向分量。
步骤5：构建深度学习模型，通过数据库训练深度学习模型，得到调参后的 深度学习模型，作为边坡永久位移预测模型。
具体的，参考图2，构建深度学习模型，通过数据库训练深度学习模型，具 体为：以数据库中的地震特征参数、地震动强度为输入，以对应的Newmark边坡 永久位移为输出，建立并进行训练。
下面采用一地震动数据，根据其具体震级、震距信息，采用不同地震动衰减 关系，即采用式(1)、式(2)和式(3)，预测得到PGA，PGV和AI等地震动 强度参数，根据图3所示边坡，代入所建立的基于深度学习的边坡永久位移预测 模型，最终获得永久位移模型预测值。
该地震动数据，以及对应场地的土体参数、边坡几何参数和环境参数包括： M＝7，R＝30km；c'＝5kPa，
Figure BDA0003007478640000061
γ＝24kN/m3，γw＝10kN/m3，α＝30°，t＝2m， m＝0.4；使用式(1)、式(2)和式(3)计算得到PGA＝0.221g；PGV＝35.69cm/s2； AI＝0.908m/s；使用公式(4)计算边坡临界加速度值ac＝0.0208g，代入所建立 的模型得出永久位移预测值为66.02cm，标准差为：2.528。
以上所述的仅是本发明的实施例，方案中公知的具体技术方案和/或特性等 常识在此未作过多描述。应当指出，对于本领域的技术人员来说，在不脱离本发 明技术方案的前提下，还可以作出若干变形和改进，这些也应该视为本发明的保 护范围，这些都不会影响本发明实施的效果和专利的实用性。本申请要求的保护 范围应当以其权利要求的内容为准，说明书中的具体实施方式等记载可以用于解 释权利要求的内容。

Claims (4)

1.一种基于深度学习的地震作用下边坡永久位移预测方法，其特征在于，训练方法包括：
获取地震动数据，根据地震动数据构建数据库；
根据地震动数据中的地震特征参数，计算得到地震动强度参数，并存放至数据库中的对应位置，所述地震特征参数包括震级、距离与场地类别，所述地震动强度参数包括地震峰值加速度、地震峰值速度和阿里亚斯强度，采用式(1)至(3)分别计算地震峰值加速度、地震峰值速度和阿里亚斯强度：
Figure FDA0003550397500000011
Figure FDA0003550397500000012
Figure FDA0003550397500000013
式(1)至(3)中，M为震级，R为距离；
根据地震动数据对应场地的土体参数、边坡几何参数和环境参数，计算得到边坡临界加速度，并存放至数据库中的对应位置，采用式(4)计算边坡临界加速度：
Figure FDA0003550397500000014
式(4)中，ac为边坡临界加速度值，c'为土体有效粘聚力，γ为土体重度，γw为水重度，α为坡角，
Figure FDA0003550397500000015
为土体有效内摩擦角，m为地下水位系数，t为垂直于破坏面土的厚度；
根据地震动数据的加速度时程，计算得到Newmark法地震作用下边坡永久位移，并存放至数据库中的对应位置，采用式(5)计算Newmark法地震作用下边坡永久位移：
Figure FDA0003550397500000016
式(5)中，ah、av分别为地震动加速度水平、竖向分量；
构建深度学习模型，通过数据库训练深度学习模型，得到调参后的深度学习模型，作为边坡永久位移预测模型。
2.根据权利要求1所述的一种基于深度学习的地震作用下边坡永久位移预测方法，其特征在于，获取地震动数据，包括：访问全球已有的地震动数据库，采用如下标准挑选出浅层地壳地震动记录：矩震级Mw≥4；断层距Rrup≤300km；地面峰值加速度PGA≥0.001g。
3.根据权利要求1所述的一种基于深度学习的地震作用下边坡永久位移预测方法，其特征在于，所述土体参数包括土体有效粘聚力、土体重度和有效内摩擦角；所述边坡几何参数包括坡角，所述环境参数包括地下水位系数。
4.根据权利要求1所述的一种基于深度学习的地震作用下边坡永久位移预测方法，其特征在于，所述构建深度学习模型，通过数据库训练深度学习模型，具体为：以数据库中的地震特征参数、地震动强度参数和边坡临界加速度为输入，以对应的Newmark边坡永久位移为输出，建立深度神经网络模型并进行训练。
CN202110366037.6A 2021-04-06 2021-04-06 一种基于深度学习的边坡永久位移预测模型训练方法 Active CN113496099B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110366037.6A CN113496099B (zh) 2021-04-06 2021-04-06 一种基于深度学习的边坡永久位移预测模型训练方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110366037.6A CN113496099B (zh) 2021-04-06 2021-04-06 一种基于深度学习的边坡永久位移预测模型训练方法

Publications (2)

Publication Number Publication Date
CN113496099A CN113496099A (zh) 2021-10-12
CN113496099B true CN113496099B (zh) 2022-05-06

Family

ID=77997496

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110366037.6A Active CN113496099B (zh) 2021-04-06 2021-04-06 一种基于深度学习的边坡永久位移预测模型训练方法

Country Status (1)

Country Link
CN (1) CN113496099B (zh)

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113987632B (zh) * 2021-10-19 2023-07-21 武汉大学 预测场地液化横向位移的方法
CN114675325A (zh) * 2022-03-13 2022-06-28 中国地震台网中心 基于Mindlin解的地震地表破裂永久位移的估计方法
CN115390134A (zh) * 2022-07-26 2022-11-25 中国地震局工程力学研究所 基于断层物理模型和脉冲函数的跨断层桥梁空间变异性输入地震动模拟方法
CN115182398B (zh) * 2022-08-25 2024-05-07 沈阳工业大学 一种地震预警区域的地下水位及地表沉降预测方法
CN115659586B (zh) * 2022-09-15 2023-08-15 四川大学 一种基于随机凹凸坡面的地震边坡永久位移计算方法
CN115310371B (zh) * 2022-10-09 2022-12-30 西南交通大学 一种基于耦合机器学习算法的边坡稳定性分析方法
CN116203619B (zh) * 2022-12-08 2024-03-15 西南交通大学 基于空间互相关多地震动参数的区域地震滑坡模拟方法
CN116609823B (zh) * 2023-04-13 2024-01-30 西南交通大学 考虑断层和地震动特性的概率性地震滑坡危险性评价方法
CN117057217A (zh) * 2023-07-13 2023-11-14 西南交通大学 基于迁移学习的降雨地震耦合作用边坡响应预测方法
CN117075192B (zh) * 2023-07-19 2024-04-12 西南交通大学 一种基于多参数的地震边坡永久位移预测模型建立方法
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 (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110257974A1 (en) * 2010-04-14 2011-10-20 Google Inc. Geotagged environmental audio for enhanced speech recognition accuracy
CN110378055A (zh) * 2019-07-25 2019-10-25 西南交通大学 一种地震边坡永久位移计算方法
CN111191880A (zh) * 2019-12-13 2020-05-22 华能澜沧江水电股份有限公司 一种基于数字化映射的边坡全生命周期安全管理方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110257974A1 (en) * 2010-04-14 2011-10-20 Google Inc. Geotagged environmental audio for enhanced speech recognition accuracy
CN110378055A (zh) * 2019-07-25 2019-10-25 西南交通大学 一种地震边坡永久位移计算方法
CN111191880A (zh) * 2019-12-13 2020-05-22 华能澜沧江水电股份有限公司 一种基于数字化映射的边坡全生命周期安全管理方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
考虑动态临界加速度的地震边坡永久位移预测模型研究;刘爱娟等;《地震工程学报》;20210331;全文 *

Also Published As

Publication number Publication date
CN113496099A (zh) 2021-10-12

Similar Documents

Publication Publication Date Title
CN113496099B (zh) 一种基于深度学习的边坡永久位移预测模型训练方法
He et al. Transition probability‐based stochastic geological modeling using airborne geophysical data and borehole data
Douglas et al. High-frequency filtering of strong-motion records
Gupta Response spectral attenuation relations for in-slab earthquakes in Indo-Burmese subduction zone
Hancock et al. Estimation of soil erosion using field and modelling approaches in an undisturbed Arnhem Land catchment, Northern Territory, Australia
Wotherspoon et al. Assessment of liquefaction evaluation procedures and severity index frameworks at Christchurch strong motion stations
CN113720639B (zh) 一种污染场地调查补充采样的方法
Caielli et al. Extensive surface geophysical prospecting for seismic microzonation
Avellaneda et al. Improving hydrological models with the assimilation of crowdsourced data
CN107609759A (zh) 一种海洋天然气水合物开采的海底工程地质影响评价方法
Lees et al. Development and application of a 1D compaction model to understand 65 years of subsidence in the San Joaquin Valley
Rollins et al. A new V s-based liquefaction-triggering procedure for gravelly soils
Amiri et al. Introduction of the most suitable parameter for selection of critical earthquake
Lee et al. Analysis of nonlinear site response using the LSST downhole accelerometer array data
Cao et al. Trends and interannual variability in terrestrial water storage over the eastern United States, 2003–2016
Haase et al. Probabilistic seismic-hazard assessment including site effects for Evansville, Indiana, and the surrounding region
Bindi et al. Towards a new reference ground motion prediction equation for Italy: update of the Sabetta–Pugliese (1996)
Gannett Simulation of regional ground-water flow in the Upper Deschutes Basin, Oregon
Guo-an et al. Evaluation on the accuracy of digital elevation models
CN107063210A (zh) 一种土地规划整治项目的测绘方法
Zhao et al. SPT-CPT correlation and its application for liquefaction evaluation in China
Yan et al. The value of subsidence data in ground water model calibration
Grant et al. Changes in liquefaction severity in the San Francisco Bay Area with sea-level rise
Cox et al. Site-specific seismic ground motion analyses for transportation infrastructure in the New Madrid seismic zone.
Douglas et al. Selection of ground-motion prediction equations for GEM1

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