CN113569751B - 一种基于时频域动力学参量的危岩体识别方法及装置 - Google Patents
一种基于时频域动力学参量的危岩体识别方法及装置 Download PDFInfo
- Publication number
- CN113569751B CN113569751B CN202110865769.XA CN202110865769A CN113569751B CN 113569751 B CN113569751 B CN 113569751B CN 202110865769 A CN202110865769 A CN 202110865769A CN 113569751 B CN113569751 B CN 113569751B
- Authority
- CN
- China
- Prior art keywords
- rock mass
- vibration
- dangerous
- dangerous rock
- identification
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Signal Processing (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开了一种基于时频域动力学参量的危岩体识别方法及装置,所述方法包括:对岩体的振动特征参数进行监测,获取岩体振动曲线;基于所述振动曲线,计算振动绝对均值与均方频率;以所述绝对均值与均方频率为分类特征,对预设的分类识别模型进行训练;基于训练好的分类识别模型对稳定岩体与危岩体进行分类,并获取分界线;根据待识别岩体对应的绝对均值与均方频率,基于所述分界线识别危岩体。本发明提供的危岩体识别技术方案适用于边坡危岩体的快速识别,为高风险地区更好的应对崩塌灾害提供了新的技术支持。
Description
技术领域
本发明涉及危岩体识别技术领域,特别涉及一种基于时频域动力学参量的危岩体识别方法及装置。
背景技术
越来越多在高山峡谷地区进行的工程建设加剧了岩体崩塌灾害发生概率,因此在高风险地区进行危岩体的快速识别,对保证工程安全建设和施工作业人员的生命财产安全具有巨大的理论意义和研究价值。
由于危岩体多分布于难以攀爬的高陡边坡表面,因此引入高精度的远程遥感监测技术是实现危岩体等不良地质体快速识别的有效手段之一。
近年来,越来越多的学者将遥感技术应用于危岩等不良地质体的识别,并取得了一系列积极成果。Cédric等通过三维数字摄影测量进行地质填图,建立了具有非连续性结构面的精确裂隙组构表示方法,并应用于危岩体危险性的定量评价,取得了很好的效果。Mutar等基于高分辨率LiDAR(机载激光雷达测量技术)数据集生成精确的三维模型,用于落石风险的评估。Li等对红石岩地震后的岩质边坡进行监测,将高精度毫米级的GB-InSAR(地基合成孔径雷达干涉测量)监测结果集成到TLS(地面激光扫描)3D模型中,揭示了岩质边坡关键滑动阶段的位移行为,此方法可用于岩质边坡的稳定性评价。Kumar等应用移动激光扫描技术从多个角度捕获复杂环境中岩体的点云数据,并通过开发的局部点描述符聚类算法用于识别岩体的不连续结构面。葛大庆等对InSAR的特点、应用条件和局限性进行分析与说明,应用此技术服务于重大地质灾害隐患的综合判断与早期识别工作。许强等将现有的遥感监测技术进行整合,提出了天-空-地一体化的多源立体观测体系,此体系通过卫星普查、无人机详查和人工核查来进行重大地质灾害隐患的早期识别。万天同应用无人机倾斜摄影技术用以构建目标区域的三维地形模型,并结合平面拟合理论获取危岩体结构面产状,进行危岩体的快速识别。三维激光扫描仪、LiDAR、InSAR、无人机航拍等多种遥感监测技术手段的综合应用,极大地提高了危岩体等不良地质灾害隐患点的识别效率,为高位崩塌灾害隐患点等地形、变形信息的测量提供了技术手段。
最新的研究表明,岩体的脆性破坏大多是由系统不稳定所导致的动力破坏。Amitrano等对法国诺曼底海岸岩体崩塌前的振动情况进行分析,得到振动幅值等振动特征可用于危岩体的快速识别;Fumiaki等提出了一种应用非接触式振动测量技术来评价岩质边坡稳定性的方法,应用生成岩块模型的三维有限元分析结果来评估落石风险,并将该方法应用于实际危岩体岩块的行为评估;Burjánek等通过对瑞士南部某早期岩质边坡的环境振动响应进行研究,证明环境振动测量可以得到不稳定岩体内部结构的定量信息,进而实现危岩的有效识别;Du等基于岩体崩塌全过程室内试验得出相对于稳定岩体,危岩体的固有振动频率与振动振幅等动力学指标均会出现明显变异。
因此,开展基于动力学指标的遥感监测技术应用研究,可以在丰富现有遥感技术手段的同时,为现场危岩体的快速核查提供敏感性动力学监测指标。而现有的基于动力学指标识别危岩体的技术一般都是采用单一动力学指标对危岩体进行识别,但是由于单一动力学指标的局限性,识别准确率均无法达到最优。
发明内容
本发明提供了一种基于时频域动力学参量的危岩体识别方法及装置,以解决现有识别危岩体的技术一般都是采用单一动力学指标对危岩体进行识别,但是由于单一动力学指标的局限性,识别准确率均无法达到最优的技术问题。
为解决上述技术问题,本发明提供了如下技术方案:
一方面,本发明提供了一种基于时频域动力学参量的危岩体识别方法,该基于时频域动力学参量的危岩体识别方法包括:
对岩体的振动特征参数进行监测,获取岩体振动曲线;
基于所述振动曲线,计算振动绝对均值与均方频率;
以所述绝对均值与均方频率为分类特征,对预设的分类识别模型进行训练;
基于训练好的分类识别模型对稳定岩体与危岩体进行分类,并获取分界线;
根据待识别岩体对应的绝对均值与均方频率,基于所述分界线识别危岩体。
进一步地,所述对岩体的振动特征参数进行监测,包括:
采用激光多普勒测振仪对岩体的振动特征参数进行监测。
进一步地,所述绝对均值的计算公式为:
式中,xav为绝对均值,N为监测样本数,xi为i时刻的岩体原始振动速度。
进一步地,所述均方频率的计算公式为:
式中,fb为均方频率,f为岩体振动频率,p(f)为f对应的振动幅值。
进一步地,所述分类识别模型为支持向量机模型。
进一步地,所述基于训练好的分类识别模型对稳定岩体与危岩体进行分类,并获取分界线,包括:
基于训练好的分类识别模型,通过岩体振动的绝对均值与均方频率,寻找稳定岩体与危岩体分类的最优超平面,通过绝对均值与均方频率,将危岩体的识别问题归结为一个平面分类问题,并得到稳定岩体与危岩体之间的分界线。
进一步地,基于所述分界线识别危岩体,包括:
当待识别岩体对应的振动特征参数落在分界线以上时,判断当前待识别岩体为稳定岩体,当待识别岩体对应的振动特征参数落在分界线以下,为危岩体。
另一方面,本发明还提供了一种基于时频域动力学参量的危岩体识别装置,该基于时频域动力学参量的危岩体识别装置包括:
振动监测模块,用于对岩体的振动特征参数进行监测,获取岩体振动曲线;
时频域动力学指标计算模块,用于基于所述振动监测模块得到的振动曲线,计算振动绝对均值与均方频率;
危岩体识别模块,用于:
以所述时频域动力学指标计算模块计算出的绝对均值与均方频率为分类特征,对预设的分类识别模型进行训练;
基于训练好的分类识别模型对稳定岩体与危岩体进行分类,并获取分界线;
根据待识别岩体对应的绝对均值与均方频率,基于所述分界线识别危岩体。
本发明提供的技术方案带来的有益效果至少包括:
本发明通过应用激光多普勒测振技术获取岩体的振动特征参数,并使用支持向量机算法对动力学监测指标数据进行训练学习,建立分类识别模型,提出了基于时频域动力学指标的危岩体快速识别技术,建立了一套适用于现场的危岩体遥感核查技术方法与敏感性监测指标,而且本发明引入多种动力学监测指标,相比较于单一动力学指标的危岩体识别方法,本发明可实现危岩体更为合理的有效判识。丰富了目前危岩体动力学监测指标,为现场更好的识别危岩体等不良地质隐患提供了新的技术支持,有利于高风险地区更好的应对崩塌灾害。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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的附图。
图1是本发明提供的基于时频域动力学参量的危岩体识别方法的流程图;
图2是振动速度频谱图;
图3是损伤发生时的振动历史曲线;
图4是危岩体分类示意图;
图5是基于绝对均值危岩体识别结果示意图;
图6是基于均方频率危岩体识别结果示意图;
图7是基于时频域动力学指标的危岩体识别结果示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明实施方式作进一步地详细描述。
第一实施例
本实施例提供了一种基于时频域动力学参量的危岩体识别方法,具体地,该方法的执行流程如图1所示,包括以下步骤:
S1,对岩体的振动特征参数进行监测,获取岩体振动曲线;
需要说明的是,为分析稳定岩体与危岩体时频域动力学指标的差异性,本实施例采用激光多普勒测振仪(Laser Doppler Vibrometer,LDV)来实现对稳定岩体与危岩体的振动监测。应用激光多普勒测振技术获取岩体的振动特征参数。
基于结构动力学原理,忽略阻尼比,岩块体振动微分方程为:
式中,M为岩块质量;K为岩桥的刚度系数。
根据如下公式可计算岩体的固有振动频率f:
当其它条件不变时,随着岩桥强度降低,其刚度会明显下降,进而导致振动频率等指标发生显著下降并意味着频谱图的频域指标向低频偏移,如图2所示。
假设岩块体在某时刻的总能量为:
式中:d为岩桥上的弹性应变,v为初始时刻的岩块体振动速度。
根据如下公式可计算岩块体振动速度v:
当岩桥强度突然发生下降,固有振动频率降低,岩块体的振动幅值等时域动力学指标会发生明显增高。
基于以上参数,可得到岩体损伤发生时的振动历史曲线,如图3所示。
S2,基于振动曲线,计算振动绝对均值与均方频率;
需要说明的是,绝对均值的计算公式为:
式中,xav为绝对均值,N为监测样本数,xi为i时刻的岩体原始振动速度。
绝对均值的数值越大,说明岩体的振动能量越高,表明岩体稳定程度越差。
基于傅里叶变换后得到的该时刻岩体的振动速度频谱图,根据如下公式可计算均方频率指标fb:
式中,f为频率,p(f)该频率对应的幅值。
均方频率越小,说明岩体可能发生损伤,趋于危险。
S3,以绝对均值与均方频率为分类特征,对预设的分类识别模型进行训练;
S4,基于训练好的分类识别模型对稳定岩体与危岩体进行分类并获取分界线;
需要说明的是,本实施例采用的分类识别模型为支持向量机(Support VectorMachine,SVM)模型。基于SVM这一统计学理论方法,通过时频域动力学指标,寻找稳定岩体与危岩体分类的最优超平面。通过绝对均值与均方频率两种指标,将危岩体的识别归结为一个平面分类问题,并得到分界线,如图4所示。
S5,根据待识别岩体对应的绝对均值与均方频率,基于分界线识别危岩体。
需要说明的是,通过得到的分界线对危岩体进行识别的具体方式为:当岩体的数据落在分界线以上时,为稳定岩体;落在分界线以下时,为危岩体。
根据上述理论公式即可实现对边坡危岩体的快速识别。
下面,为验证本实施例方法的优异性,以具体的实验数据进行验证说明。
在基岩上依次设置大小相等,岩体稳定程度不同的15组实验岩体,其中7组实验岩体完全粘结在基岩上,未发生下滑破坏,为稳定岩体;其余8组的实验岩体结构面强度不足以抵抗其下滑力,均在数秒之内发生下滑破坏,为高风险的危岩体。通过过滤环境振动与白噪音干扰,得到这15组实验岩体的绝对均值和均方频率两种动力学指标,实验结果如表1所示。
表1实验结果
编号 | xav/(mm/s) | fb/(Hz) | 稳定性 |
1 | 0.01025 | 26.79 | 稳定岩体 |
2 | 0.01035 | 25.31 | 稳定岩体 |
3 | 0.00705 | 31.45 | 稳定岩体 |
4 | 0.02439 | 27.69 | 稳定岩体 |
5 | 0.00825 | 18.04 | 稳定岩体 |
6 | 0.02397 | 16.13 | 稳定岩体 |
7 | 0.02591 | 18.20 | 稳定岩体 |
8 | 0.02591 | 12.78 | 危岩体 |
9 | 0.03317 | 11.16 | 危岩体 |
10 | 0.06481 | 24.10 | 危岩体 |
11 | 0.04569 | 17.06 | 危岩体 |
12 | 0.03622 | 19.59 | 危岩体 |
13 | 0.04955 | 19.46 | 危岩体 |
14 | 0.03715 | 14.68 | 危岩体 |
15 | 0.04851 | 8.58 | 危岩体 |
图5为基于绝对均值危岩体识别结果。由图5可知,所有稳定岩体均位于分界阈值以下,稳定岩体识别准确率为100%;但在识别危岩体方面,有两个危岩体被误判为稳定岩体,准确率为75%。由于岩块体在稳定到破坏全过程中,其时域动力学指标会在岩体崩塌破坏前出现短暂而明显的非协调变化特征,因此导致岩体的时域动力学指标不会随着稳定程度的下降,导致绝对均值在试验中的极易将即将破坏的危岩体误判为稳定岩体,因此仅仅依靠单一的绝对均值难以实现危岩体的有效准确识别。
图6为基于均方频率的危岩体识别结果。通过支持向量机对均方频率指标进行分类,得到分界阈值为20.36Hz,结果表明,在危岩体识别方面,除10号危岩体之外,其余危岩体的均方频率指标均位于分界线以下,危岩体识别准确率为87.5%。而在稳定岩体识别方面,除5、6、7号危岩体之外,其余稳定岩体的均方频率指标均位于分界线以上,稳定岩体识别准确率仅为57.1%。
基于SVM,通过时频域动力学指标,得到稳定岩体与危岩体分类界限,如图7所示。由图7可知,结合绝对均值这一时域动力学指标与均方频率这一频域动力学指标分析,稳定岩体与危岩体两类岩体之间有明显的分类边界,7个稳定岩体案例均位于分界线的上方,而8个危岩体案例均分布在分界线以下。试验中,稳定岩体与危岩体的识别准确率均达到100%。
综上,本发明基于时频域动力指标对危岩体进行快速识别,并在此基础上建立一套包含时频域动力学指标参量的危岩体快速识别方法,得出如下结论:
绝对均值这一时域动力学指标与均方频率这一频域动力学指标均可应用于危岩体的识别,但是由于单一动力学指标的局限性,识别准确率均无法达到100%。通过时频域动力指标的综合分析,可实现危岩体更为准确的识别。因此,这套基于时频域动力学指标的危岩体识别方法,在丰富目前危岩体动力学监测指标的同时,也为现场更好的识别危岩体等不良地质隐患提供新的技术支持。
表2为试验中单双动力学指标分类准确率对比。由表2可知,单一动力学指标进行识别时均易产生误判,其中采用单一绝对均值,稳定岩体识别准确率为100%;危岩体识别准确率为75%,误判率为25%;采用单一均方频率,稳定岩体识别准确率为57.1%,误判率高达42.9%,危岩体识别准确率为87.5%,误判率为12.5%;而采用时频域双动力指标,稳定岩体识别准确率与危岩体识别准确率均达100%,误判率均为0。因此,该方法可有效提高危岩体的识别准确率。
表2单双动力学指标分类准确率对比
本实施例通过应用激光多普勒测振技术获取岩体的振动特征参数,并使用支持向量机算法对动力学监测指标数据进行训练学习,建立分类识别模型,提出了基于时频域动力学指标的危岩体快速识别技术,建立了一套适用于现场的危岩体遥感核查技术方法与敏感性监测指标,而且本实施例引入多种动力学监测指标,相比较于单一动力学指标的危岩体识别方法,可实现危岩体更为合理的有效判识。丰富了目前危岩体动力学监测指标,为现场更好的识别危岩体等不良地质隐患提供了新的技术支持,有利于高风险地区更好的应对崩塌灾害。
第二实施例
本实施例提供了一种基于时频域动力学参量的危岩体识别装置,包括:
振动监测模块,用于对岩体的振动特征参数进行监测,获取岩体振动曲线;
时频域动力学指标计算模块,用于基于所述振动监测模块得到的振动曲线,计算振动绝对均值与均方频率;
危岩体识别模块,用于:
以所述时频域动力学指标计算模块计算出的绝对均值与均方频率为分类特征,对预设的分类识别模型进行训练;
基于训练好的分类识别模型对稳定岩体与危岩体进行分类,并获取分界线;
根据待识别岩体对应的绝对均值与均方频率,基于所述分界线识别危岩体。
本实施例的基于时频域动力学参量的危岩体识别装置与上述第一实施例的基于时频域动力学参量的危岩体识别方法相对应;其中,本实施例的基于时频域动力学参量的危岩体识别装置中的各功能模块所实现的功能与上述基于时频域动力学参量的危岩体识别方法中的各流程步骤一一对应;故,在此不再赘述。
此外,需要说明的是,本发明可提供为方法、装置或计算机程序产品。因此,本发明实施例可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质上实施的计算机程序产品的形式。
本发明实施例是参照根据本发明实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上,使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
还需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
最后需要说明的是,以上所述是本发明优选实施方式,应当指出,尽管已描述了本发明优选实施例,但对于本技术领域的技术人员来说,一旦得知了本发明的基本创造性概念,在不脱离本发明所述原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。
Claims (8)
1.一种基于时频域动力学参量的危岩体识别方法,其特征在于,包括:
对岩体的振动特征参数进行监测,获取岩体振动曲线;
基于所述振动曲线,计算振动绝对均值与均方频率;
以所述绝对均值与均方频率为分类特征,对预设的分类识别模型进行训练;
基于训练好的分类识别模型对稳定岩体与危岩体进行分类,并获取分界线;
根据待识别岩体对应的绝对均值与均方频率,基于所述分界线识别危岩体。
2.如权利要求1所述的基于时频域动力学参量的危岩体识别方法,其特征在于,所述对岩体的振动特征参数进行监测,包括:
采用激光多普勒测振仪对岩体的振动特征参数进行监测。
3.如权利要求1所述的基于时频域动力学参量的危岩体识别方法,其特征在于,所述绝对均值的计算公式为:
式中,xav为绝对均值,N为监测样本数,xi为i时刻的岩体原始振动速度。
4.如权利要求1所述的基于时频域动力学参量的危岩体识别方法,其特征在于,所述均方频率的计算公式为:
式中,fb为均方频率,f为岩体振动频率,p(f)为f对应的振动幅值。
5.如权利要求1所述的基于时频域动力学参量的危岩体识别方法,其特征在于,所述分类识别模型为支持向量机模型。
6.如权利要求5所述的基于时频域动力学参量的危岩体识别方法,其特征在于,所述基于训练好的分类识别模型对稳定岩体与危岩体进行分类,并获取分界线,包括:
基于训练好的分类识别模型,通过岩体振动的绝对均值与均方频率,寻找稳定岩体与危岩体分类的最优超平面,通过绝对均值与均方频率,将危岩体的识别问题归结为一个平面分类问题,并得到稳定岩体与危岩体之间的分界线。
7.如权利要求6所述的基于时频域动力学参量的危岩体识别方法,其特征在于,基于所述分界线识别危岩体,包括:
当待识别岩体对应的振动特征参数落在分界线以上时,判断当前待识别岩体为稳定岩体,当待识别岩体对应的振动特征参数落在分界线以下,为危岩体。
8.一种基于时频域动力学参量的危岩体识别装置,其特征在于,包括:
振动监测模块,用于对岩体的振动特征参数进行监测,获取岩体振动曲线;
时频域动力学指标计算模块,用于基于所述振动监测模块得到的振动曲线,计算振动绝对均值与均方频率;
危岩体识别模块,用于:
以所述时频域动力学指标计算模块计算出的绝对均值与均方频率为分类特征,对预设的分类识别模型进行训练;
基于训练好的分类识别模型对稳定岩体与危岩体进行分类,并获取分界线;
根据待识别岩体对应的绝对均值与均方频率,基于所述分界线识别危岩体。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110865769.XA CN113569751B (zh) | 2021-07-29 | 2021-07-29 | 一种基于时频域动力学参量的危岩体识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110865769.XA CN113569751B (zh) | 2021-07-29 | 2021-07-29 | 一种基于时频域动力学参量的危岩体识别方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113569751A CN113569751A (zh) | 2021-10-29 |
CN113569751B true CN113569751B (zh) | 2023-09-19 |
Family
ID=78169023
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110865769.XA Active CN113569751B (zh) | 2021-07-29 | 2021-07-29 | 一种基于时频域动力学参量的危岩体识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113569751B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116148921B (zh) * | 2022-12-26 | 2023-11-21 | 北京科技大学 | 一种基于高频弹性波重心频率变化的岩体稳定性监测方法 |
CN117055109B (zh) * | 2023-07-26 | 2024-05-24 | 北京科技大学 | 一种基于三维微振特征的危岩崩塌早期预警方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101968550A (zh) * | 2010-09-29 | 2011-02-09 | 山东大学 | 基于阵列光纤传感器的岩层识别装置及方法 |
CN109765297A (zh) * | 2019-01-03 | 2019-05-17 | 北京科技大学 | 一种基于分离破坏前兆识别的崩塌早期预警方法 |
CN111999765A (zh) * | 2020-08-14 | 2020-11-27 | 广西大学 | 拉裂坠落式岩溶危岩失稳预警的微震多前兆方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
BR112018070565A2 (pt) * | 2016-04-07 | 2019-02-12 | Bp Exploration Operating Company Limited | detecção de eventos de fundo de poço usando características de domínio da frequência acústicas |
-
2021
- 2021-07-29 CN CN202110865769.XA patent/CN113569751B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101968550A (zh) * | 2010-09-29 | 2011-02-09 | 山东大学 | 基于阵列光纤传感器的岩层识别装置及方法 |
CN109765297A (zh) * | 2019-01-03 | 2019-05-17 | 北京科技大学 | 一种基于分离破坏前兆识别的崩塌早期预警方法 |
CN111999765A (zh) * | 2020-08-14 | 2020-11-27 | 广西大学 | 拉裂坠落式岩溶危岩失稳预警的微震多前兆方法及装置 |
Non-Patent Citations (2)
Title |
---|
Chuanqi Li等.Stochastic assessment of hard rock pillar stability based on the geological strength index system.《Geomechanics and Geophysics for Geo-Energy and Geo-Resources》.2021,1-24. * |
霍磊晨等.基于时频域动力学参量的危岩体识别方法.《岩石力学与工程学报》.2021,第40卷3156-3162. * |
Also Published As
Publication number | Publication date |
---|---|
CN113569751A (zh) | 2021-10-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113569751B (zh) | 一种基于时频域动力学参量的危岩体识别方法及装置 | |
Li et al. | Rainfall and earthquake-induced landslide susceptibility assessment using GIS and Artificial Neural Network | |
US11442187B2 (en) | Microseismic wireless monitoring, receiving and early warning system of rock | |
US9159132B1 (en) | Process and system for identifying damage | |
Kingsy et al. | Air pollution analysis using enhanced K-Means clustering algorithm for real time sensor data | |
CN110046379A (zh) | 一种基于空间-频率信息的结构整体损伤识别方法 | |
CN112289006B (zh) | 山体滑坡风险监测预警方法和系统 | |
CN112926465B (zh) | 基于点云类型的海岸线性质识别方法及装置 | |
JP2015200615A (ja) | レーザー計測結果解析システム | |
CN111898385B (zh) | 一种地震灾害评估方法及系统 | |
CN106548031A (zh) | 一种结构模态参数识别方法 | |
CN104964736B (zh) | 基于时频特性最大期望分类的光纤入侵振源识别方法 | |
CN117076928A (zh) | 一种桥梁健康状态监测方法、装置、系统及电子设备 | |
TWI636276B (zh) | 人工智能地震判斷方法及地震偵測系統 | |
CN104819382B (zh) | 一种用于光纤预警系统的自适应恒虚警率振源检测方法 | |
CN116882731A (zh) | 一种基于斜坡单元的地质灾害危险性评估方法及系统 | |
Kjeld et al. | Effect of wind and wave properties in modal parameter estimates of an idling offshore wind turbine from long-term monitoring data | |
CN113779888B (zh) | 地面沉降危险性评估方法、装置、设备及存储介质 | |
CN115326333A (zh) | 一种建筑结构模态阻尼识别方法及系统 | |
CN113808370A (zh) | 一种面向滑坡的多指标耦合监测预警方法 | |
CN110231152A (zh) | 基于无人机的井架检测方法及设备 | |
CN117523420B (zh) | 一种基于雷达产品数据的闪电落区识别方法及系统 | |
CN114838699B (zh) | 一种输电塔的变形监测方法、装置、设备及存储介质 | |
Zhou et al. | Measuring the Micro Deformation and Crack of Rock Surface and Make Robot Intelligent Walking Path from Pulse Lidar Profiler | |
CN115311574B (zh) | 一种建筑物监测方法、设备及介质 |
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 |