CN114037190B - 一种含陡倾裂隙危岩体临崩时间区间预测方法及装置 - Google Patents

一种含陡倾裂隙危岩体临崩时间区间预测方法及装置 Download PDF

Info

Publication number
CN114037190B
CN114037190B CN202210012862.0A CN202210012862A CN114037190B CN 114037190 B CN114037190 B CN 114037190B CN 202210012862 A CN202210012862 A CN 202210012862A CN 114037190 B CN114037190 B CN 114037190B
Authority
CN
China
Prior art keywords
inclination angle
dimensional
accumulated
prediction
speed
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
CN202210012862.0A
Other languages
English (en)
Other versions
CN114037190A (zh
Inventor
贺铮
谢谟文
黄正均
赵晨
陆光
吴志祥
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.)
University of Science and Technology Beijing USTB
Original Assignee
University of Science and Technology Beijing USTB
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 University of Science and Technology Beijing USTB filed Critical University of Science and Technology Beijing USTB
Priority to CN202210012862.0A priority Critical patent/CN114037190B/zh
Publication of CN114037190A publication Critical patent/CN114037190A/zh
Application granted granted Critical
Publication of CN114037190B publication Critical patent/CN114037190B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C9/00—Measuring inclination, e.g. by clinometers, by levels
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Mathematical Analysis (AREA)
  • Operations Research (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Data Mining & Analysis (AREA)
  • Economics (AREA)
  • Computational Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Remote Sensing (AREA)
  • Development Economics (AREA)
  • Databases & Information Systems (AREA)
  • Game Theory and Decision Science (AREA)
  • Software Systems (AREA)
  • Algebra (AREA)
  • General Engineering & Computer Science (AREA)
  • Marketing (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)
  • Geophysics And Detection Of Objects (AREA)

Abstract

本发明公开了一种含陡倾裂隙危岩体临崩时间区间预测方法及装置，涉及边坡危岩体崩塌时间预测技术领域。包括：采用微机电系统MEMS倾斜角度传感器获取危岩体多维度倾斜角度的长期监测数据；基于长期监测数据，采用双准则凸优化经验模态分解EMD滤波算法对危岩体多维度累计倾斜角度变化量与倾斜角度变化速度进行滤波去噪；基于滤波去噪后的数据，筛选建立预测方程的基础数据集；基于基础数据集，建立累计倾斜角度变化量预测方程与倾斜角度变化速度倒数预测方程；基于累计倾斜角度变化量预测方程与倾斜角度变化速度倒数预测方程，得到临崩时间预测区间。本发明能够解决现有的监测方法与预测模型难以实现危岩体崩塌时间预测的问题。

Description

一种含陡倾裂隙危岩体临崩时间区间预测方法及装置
技术领域
本发明涉及边坡危岩体崩塌时间预测技术领域，特别是指一种含陡倾裂隙危岩体临崩时间区间预测方法及装置。
背景技术
被陡倾裂隙切割的边坡危岩体，突然脱离母体，翻滚而下的地质现象称为崩塌。含陡倾裂隙危岩体往往赋存在险峻的高陡边坡上且崩塌失稳过程具有突发性，因此危岩体变形监测应具有高精度、高分辨率与高采样频率的基本要求。目前，现有常规的位移监测方法应用在崩塌监测中存在很大的局限性，例如：基于全球卫星导航系统的毫米级静态坐标星历解算周期一般大于30分钟，不能及时获取到实时位移数据；通过位移计连接数据采集传输设备监测裂缝开度的方法可以实现毫米级高频监测，但也存在地形适应性低、安装困难和维护复杂的问题；此外雷达或激光遥测方法等远程监测精度不足、设备价格昂贵、专业性强、需要人工值守，也难以应用于大量危岩体的长期自动化监测。在监测方法方面，位移监测不适用于崩塌灾害的预测预报，因此危岩体的位移演化规律也尚未明晰，传统“位移切线角模型”、“Saito预测模型”、“Fukuzono预测模型”等基于位移监控的滑坡时间预测方法无法应用于危岩体崩塌时间预测中。因此现有的监测方法与预测模型难以实现危岩体崩塌时间区间预测。
发明内容
本发明针对现有的监测方法与预测模型难以实现危岩体崩塌时间区间预测的问题，提出了本发明。
为解决上述技术问题，本发明提供如下技术方案：
一方面，本发明提供了一种含陡倾裂隙危岩体临崩时间区间预测方法，该方法由电子设备实现，该方法包括：
S1、采用微机电系统MEMS倾斜角度传感器获取危岩体多维度倾斜角度的长期监测数据。
S2、基于长期监测数据，采用双准则凸优化经验模态分解EMD滤波算法对危岩体多维度累计倾斜角度变化量与倾斜角度变化速度进行滤波去噪。
S3、基于滤波去噪后的数据，筛选建立预测方程的基础数据集。
S4、基于基础数据集，建立累计倾斜角度变化量预测方程与倾斜角度变化速度倒数预测方程。
S5、基于累计倾斜角度变化量预测方程与倾斜角度变化速度倒数预测方程，得到临崩时间预测区间。
可选地S1中的采用微机电系统MEMS倾斜角度传感器获取危岩体多维度倾斜角度的长期监测数据包括：
配置微机电系统MEMS倾斜角度传感器的数据采集、计算、传输机制，基于MEMS倾斜角度传感器对危岩体多维度倾斜角度进行长期监测，获得危岩体多维度倾斜角度的长期监测数据。
可选地，S2中的基于长期监测数据，采用双准则凸优化经验模态分解EMD滤波算法对危岩体多维度累计倾斜角度变化量与倾斜角度变化速度进行滤波去噪包括：
分别计算长期监测数据中的多维度累计倾斜角度变化量与倾斜角度变化速度，并采用EMD滤波算法对多维度累计倾斜角度变化量与倾斜角度变化速度中的每个维度的累计倾斜角度变化量与倾斜角度变化速度进行滤波去噪，得到危岩体多维度累计倾斜角度变化量与倾斜角度变化速度的滤波去噪数据。
可选地，S3中的基于滤波去噪后的数据，筛选建立预测方程的基础数据集包括：
基于滤波去噪后的数据，分别确定多维度累计倾斜角度变化量阶跃过程中的最大阶跃速度
Figure 537352DEST_PATH_IMAGE001
，并以多维度累计倾斜角度变化量加速上升过程中，倾斜角度变化速度在
Figure 171464DEST_PATH_IMAGE001
至
Figure 892296DEST_PATH_IMAGE002
范围内的多维度累计倾斜角度变化量与倾斜角度变化速度时间序列作为基础数据集；其中，最大阶跃速度
Figure 933064DEST_PATH_IMAGE001
指多个倾斜角度变化量阶跃过程中的最大倾斜角度变化速度。
可选地，多维度累计倾斜角度变化量阶跃过程为：多维度累计倾斜角度变化量时间序列满足方程
Figure 686125DEST_PATH_IMAGE003
，b<0且c<0；其中，
Figure 518952DEST_PATH_IMAGE004
为拟合参数，
Figure 817209DEST_PATH_IMAGE005
为常数，
Figure 656858DEST_PATH_IMAGE006
为时间。
多维度累计倾斜角度变化量加速上升过程为：多维度累计倾斜角度变化量时间序列满足方程
Figure 167605DEST_PATH_IMAGE003
，b>0且c>0；其中，
Figure 589359DEST_PATH_IMAGE004
为拟合参数。
可选地，基于预测基础数据集，建立累计倾斜角度变化量预测方程与倾斜角度变化速度倒数预测方程的过程包括：
分别对多维度累计倾斜角度变化量在
Figure 841874DEST_PATH_IMAGE001
至
Figure 857234DEST_PATH_IMAGE002
范围内的时间序列进行方程拟合，得到累计倾斜角度变化量预测方程，如下式（1）所示：
Figure 217677DEST_PATH_IMAGE007
其中，
Figure 166042DEST_PATH_IMAGE008
为多维度累计倾斜角度变化量；
Figure 399577DEST_PATH_IMAGE006
为时间；
Figure 948239DEST_PATH_IMAGE009
为多维度倾斜角度变化速度在
Figure 800788DEST_PATH_IMAGE001
至
Figure 118506DEST_PATH_IMAGE002
范围内的时间，
Figure 522942DEST_PATH_IMAGE010
为多维度倾斜角度变化速度在
Figure 512895DEST_PATH_IMAGE001
时刻到崩塌时刻范围内的时间；
Figure 212211DEST_PATH_IMAGE004
为拟合参数。
分别计算多维度累计倾斜角度变化速度在
Figure 728643DEST_PATH_IMAGE001
至
Figure 444926DEST_PATH_IMAGE002
范围内数据的倒数时间序列，并对多维度累计倾斜角度变化速度的倒数时间序列进行方程拟合，得到倾斜角度变化速度倒数预测方程，如下式（2）所示：
Figure 46809DEST_PATH_IMAGE011
其中，
Figure 21587DEST_PATH_IMAGE012
为多维度累计倾斜角度变化速度倒数；
Figure 799050DEST_PATH_IMAGE006
为时间；
Figure 732240DEST_PATH_IMAGE009
为多维度倾斜角度变化速度在
Figure 696785DEST_PATH_IMAGE001
至
Figure 6413DEST_PATH_IMAGE002
范围内的时间，
Figure 841644DEST_PATH_IMAGE010
为多维度倾斜角度变化速度在
Figure 948665DEST_PATH_IMAGE001
时刻到崩塌时刻范围内的时间；
Figure 259561DEST_PATH_IMAGE013
为拟合参数。
可选地，S5中的基于累计倾斜角度变化量预测方程与倾斜角度变化速度倒数预测方程，计算得到临崩时间预测区间包括：
基于累计倾斜角度变化量预测方程，计算得到第一临崩时间预测结果，取第一临崩时间预测结果中的最小值，记为预测结果
Figure 61295DEST_PATH_IMAGE014
。
基于倾斜角度变化速度倒数预测方程，计算得到第二临崩时间预测结果，取第二临崩时间预测结果中的最小值，记为预测结果
Figure 141246DEST_PATH_IMAGE015
。
基于预测结果
Figure 885080DEST_PATH_IMAGE014
及预测结果
Figure 355376DEST_PATH_IMAGE015
，得到临崩时间预测区间。
另一方面，本发明提供了一种含陡倾裂隙危岩体临崩时间区间预测装置，该装置应用于实现含陡倾裂隙危岩体临崩时间区间预测方法，该装置包括：
获取模块，用于采用微机电系统MEMS倾斜角度传感器获取危岩体多维度倾斜角度的长期监测数据。
滤波去噪模块，用于采用双准则凸优化经验模态分解EMD滤波算法对危岩体多维度累计倾斜角度变化量与倾斜角度变化速度进行滤波去噪。
数据集建立模块，用于基于滤波去噪后的数据，筛选建立预测方程的基础数据集。
方程建立模块，用于基于基础数据集，建立累计倾斜角度变化量预测方程与倾斜角度变化速度倒数预测方程。
区间预测模块，用于基于累计倾斜角度变化量预测方程与倾斜角度变化速度倒数预测方程，得到临崩时间预测区间。
可选地，获取模块，进一步用于：
配置微机电系统MEMS倾斜角度传感器的数据采集、计算、传输机制，基于MEMS倾斜角度传感器对危岩体多维度倾斜角度进行长期监测，获得危岩体多维度倾斜角度的长期监测数据。
可选地，滤波去噪模块，进一步用于：
分别计算长期监测数据中的多维度累计倾斜角度变化量与倾斜角度变化速度，并采用EMD滤波算法对多维度累计倾斜角度变化量与倾斜角度变化速度中的每个维度的累计倾斜角度变化量与倾斜角度变化速度进行滤波去噪，得到危岩体多维度累计倾斜角度变化量与倾斜角度变化速度的滤波去噪数据。
可选地，数据集建立模块，进一步用于：
基于滤波去噪后的数据，分别确定多维度累计倾斜角度变化量阶跃过程中的最大阶跃速度
Figure 85434DEST_PATH_IMAGE001
，并以多维度累计倾斜角度变化量加速上升过程中，倾斜角度变化速度在
Figure 144526DEST_PATH_IMAGE001
至
Figure 934628DEST_PATH_IMAGE002
范围内的多维度累计倾斜角度变化量与倾斜角度变化速度时间序列作为基础数据集；其中，最大阶跃速度
Figure 95482DEST_PATH_IMAGE001
指多个倾斜角度变化量阶跃过程中的最大倾斜角度变化速度。
可选地，多维度累计倾斜角度变化量阶跃过程为：多维度累计倾斜角度变化量时间序列满足方程
Figure 98073DEST_PATH_IMAGE003
，b<0且c<0；其中，
Figure 542829DEST_PATH_IMAGE004
为拟合参数，
Figure 238253DEST_PATH_IMAGE005
为常数，
Figure 620824DEST_PATH_IMAGE006
为时间。
多维度累计倾斜角度变化量加速上升过程为：多维度累计倾斜角度变化量时间序列满足方程
Figure 692685DEST_PATH_IMAGE003
，b>0且c>0；其中，
Figure 785756DEST_PATH_IMAGE004
为拟合参数。
可选地，方程建立模块，进一步用于：
分别对多维度累计倾斜角度变化量在
Figure 527447DEST_PATH_IMAGE001
至
Figure 787527DEST_PATH_IMAGE002
范围内的时间序列进行方程拟合，得到累计倾斜角度变化量预测方程，如下式（1）所示：
Figure 522134DEST_PATH_IMAGE007
其中，
Figure 551270DEST_PATH_IMAGE008
为多维度累计倾斜角度变化量；
Figure 463862DEST_PATH_IMAGE006
为时间；
Figure 211238DEST_PATH_IMAGE009
为多维度倾斜角度变化速度在
Figure 749536DEST_PATH_IMAGE001
至
Figure 633178DEST_PATH_IMAGE002
范围内的时间，
Figure 982251DEST_PATH_IMAGE010
为多维度倾斜角度变化速度在
Figure 685765DEST_PATH_IMAGE001
时刻到崩塌时刻范围内的时间；
Figure 762174DEST_PATH_IMAGE004
为拟合参数。
分别计算多维度累计倾斜角度变化速度在
Figure 765902DEST_PATH_IMAGE001
至
Figure 20297DEST_PATH_IMAGE002
范围内数据的倒数时间序列，并对多维度累计倾斜角度变化速度的倒数时间序列进行方程拟合，得到倾斜角度变化速度倒数预测方程，如下式（2）所示：
Figure 476687DEST_PATH_IMAGE011
其中，
Figure 156454DEST_PATH_IMAGE012
为多维度累计倾斜角度变化速度倒数；
Figure 624476DEST_PATH_IMAGE006
为时间；
Figure 439985DEST_PATH_IMAGE009
为多维度倾斜角度变化速度在
Figure 711566DEST_PATH_IMAGE001
至
Figure 445559DEST_PATH_IMAGE002
范围内的时间，
Figure 220617DEST_PATH_IMAGE010
为多维度倾斜角度变化速度在
Figure 879131DEST_PATH_IMAGE001
时刻到崩塌时刻范围内的时间；
Figure 44533DEST_PATH_IMAGE013
为拟合参数。
可选地，区间预测模块，进一步用于：
基于累计倾斜角度变化量预测方程，计算得到第一临崩时间预测结果，取第一临崩时间预测结果中的最小值，记为预测结果
Figure 800524DEST_PATH_IMAGE014
。
基于倾斜角度变化速度倒数预测方程，计算得到第二临崩时间预测结果，取第二临崩时间预测结果中的最小值，记为预测结果
Figure 243138DEST_PATH_IMAGE015
。
基于预测结果
Figure 400450DEST_PATH_IMAGE014
及预测结果
Figure 443361DEST_PATH_IMAGE015
，得到临崩时间预测区间。
一方面，提供了一种电子设备，所述电子设备包括处理器和存储器，所述存储器中存储有至少一条指令，所述至少一条指令由所述处理器加载并执行以实现上述含陡倾裂隙危岩体临崩时间区间预测方法。
一方面，提供了一种计算机可读存储介质，所述存储介质中存储有至少一条指令，所述至少一条指令由处理器加载并执行以实现上述含陡倾裂隙危岩体临崩时间区间预测方法。
本发明实施例提供的技术方案带来的有益效果至少包括：
上述方案中，克服了现有位移预测方法应用在危岩体中无法实际应用的缺点，具有操作计算简便，预测结果可靠等优点，可广泛应用于山地城镇边坡与公路铁路、水利水电、露天矿山等工程边坡的含陡倾裂隙危岩体的崩塌时间预测。
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是本发明含陡倾裂隙危岩体临崩时间区间预测方法流程示意图；
图2是本发明含陡倾裂隙危岩体临崩时间区间预测方法流程示意图；
图3是本发明双准则凸优化EMD滤波算法最优滤波策略数识别示意图；
图4是本发明阶跃过程倾斜角度变化速度示意图；
图5是本发明累计倾斜角度变化量阶跃过程示意图；
图6是本发明累计倾斜角度变化量加速上升过程示意图；
图7是本发明加速上升过程倾斜角度变化速度示意图；
图8是本发明含陡倾裂隙危岩体临崩时间区间预测装置框图；
图9是本发明一种电子设备的结构示意图。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。
如图1所示，本发明实施例提供了一种含陡倾裂隙危岩体临崩时间区间预测方法，该方法可以由电子设备实现。如图1所示的含陡倾裂隙危岩体临崩时间区间预测方法流程图，该方法的处理流程可以包括如下的步骤：
S11、采用微机电系统MEMS倾斜角度传感器获取危岩体多维度倾斜角度的长期监测数据。
S12、基于长期监测数据，采用双准则凸优化经验模态分解EMD滤波算法对危岩体多维度累计倾斜角度变化量与倾斜角度变化速度进行滤波去噪。
S13、基于滤波去噪后的数据，筛选建立预测方程的基础数据集。
S14、基于基础数据集，建立累计倾斜角度变化量预测方程与倾斜角度变化速度倒数预测方程。
S15、基于累计倾斜角度变化量预测方程与倾斜角度变化速度倒数预测方程，得到临崩时间预测区间。
可选地，S11中的采用微机电系统MEMS倾斜角度传感器获取危岩体多维度倾斜角度的长期监测数据包括：
配置微机电系统MEMS倾斜角度传感器的数据采集、计算、传输机制，基于MEMS倾斜角度传感器对危岩体多维度倾斜角度进行长期监测，获得危岩体多维度倾斜角度的长期监测数据。
可选地，S12中的基于长期监测数据，采用双准则凸优化经验模态分解EMD滤波算法对危岩体多维度累计倾斜角度变化量与倾斜角度变化速度进行滤波去噪包括：
分别计算长期监测数据中的多维度累计倾斜角度变化量与倾斜角度变化速度，并采用EMD滤波算法对多维度累计倾斜角度变化量与倾斜角度变化速度中的每个维度的累计倾斜角度变化量与倾斜角度变化速度进行滤波去噪，得到危岩体多维度累计倾斜角度变化量与倾斜角度变化速度的滤波去噪数据。
可选地，S13中的基于滤波去噪后的数据，筛选建立预测方程的基础数据集包括：
基于滤波去噪后的数据，分别确定多维度累计倾斜角度变化量阶跃过程中的最大阶跃速度
Figure 78742DEST_PATH_IMAGE001
，并以多维度累计倾斜角度变化量加速上升过程中，倾斜角度变化速度在
Figure 641441DEST_PATH_IMAGE001
至
Figure 969654DEST_PATH_IMAGE002
范围内的多维度累计倾斜角度变化量与倾斜角度变化速度时间序列作为基础数据集；其中，最大阶跃速度
Figure 234283DEST_PATH_IMAGE001
指多个倾斜角度变化量阶跃过程中的最大倾斜角度变化速度。
可选地，多维度累计倾斜角度变化量阶跃过程为：多维度累计倾斜角度变化量时间序列满足方程
Figure 938933DEST_PATH_IMAGE003
，b<0且c<0；其中，
Figure 152877DEST_PATH_IMAGE004
为拟合参数，
Figure 776625DEST_PATH_IMAGE005
为常数，
Figure 403916DEST_PATH_IMAGE006
为时间。
多维度累计倾斜角度变化量加速上升过程为：多维度累计倾斜角度变化量时间序列满足方程
Figure 256465DEST_PATH_IMAGE003
，b>0且c>0；其中，
Figure 918391DEST_PATH_IMAGE004
为拟合参数。
可选地，基于预测基础数据集，建立累计倾斜角度变化量预测方程与倾斜角度变化速度倒数预测方程的过程包括：
分别对多维度累计倾斜角度变化量在
Figure 710111DEST_PATH_IMAGE001
至
Figure 559118DEST_PATH_IMAGE002
范围内的时间序列进行方程拟合，得到累计倾斜角度变化量预测方程，如下式（1）所示：
Figure 12096DEST_PATH_IMAGE007
其中，
Figure 387582DEST_PATH_IMAGE008
为多维度累计倾斜角度变化量；
Figure 900603DEST_PATH_IMAGE006
为时间；
Figure 502486DEST_PATH_IMAGE009
为多维度倾斜角度变化速度在
Figure 946106DEST_PATH_IMAGE001
至
Figure 317044DEST_PATH_IMAGE002
范围内的时间，
Figure 204229DEST_PATH_IMAGE010
为多维度倾斜角度变化速度在
Figure 27828DEST_PATH_IMAGE001
时刻到崩塌时刻范围内的时间；
Figure 540718DEST_PATH_IMAGE004
为拟合参数。
分别计算多维度累计倾斜角度变化速度在
Figure 766163DEST_PATH_IMAGE001
至
Figure 824249DEST_PATH_IMAGE002
范围内数据的倒数时间序列，并对多维度累计倾斜角度变化速度的倒数时间序列进行方程拟合，得到倾斜角度变化速度倒数预测方程，如下式（2）所示：
Figure 400724DEST_PATH_IMAGE011
其中，
Figure 251393DEST_PATH_IMAGE012
为多维度累计倾斜角度变化速度倒数；
Figure 206710DEST_PATH_IMAGE006
为时间；
Figure 825910DEST_PATH_IMAGE009
为多维度倾斜角度变化速度在
Figure 483157DEST_PATH_IMAGE001
至
Figure 947636DEST_PATH_IMAGE002
范围内的时间，
Figure 23040DEST_PATH_IMAGE010
为多维度倾斜角度变化速度在
Figure 813141DEST_PATH_IMAGE001
时刻到崩塌时刻范围内的时间；
Figure 957683DEST_PATH_IMAGE013
为拟合参数。
可选地，S15中的基于累计倾斜角度变化量预测方程与倾斜角度变化速度倒数预测方程，计算得到临崩时间预测区间包括：
基于累计倾斜角度变化量预测方程，计算得到第一临崩时间预测结果，取第一临崩时间预测结果中的最小值，记为预测结果
Figure 163537DEST_PATH_IMAGE014
。
基于倾斜角度变化速度倒数预测方程，计算得到第二临崩时间预测结果，取第二临崩时间预测结果中的最小值，记为预测结果
Figure 218080DEST_PATH_IMAGE015
。
基于预测结果
Figure 38138DEST_PATH_IMAGE014
及预测结果
Figure 545343DEST_PATH_IMAGE015
，得到临崩时间预测区间。
本发明实施例中，克服了现有位移预测方法应用在危岩体中无法实际应用的缺点，具有操作计算简便，预测结果可靠等优点，可广泛应用于山地城镇边坡与公路铁路、水利水电、露天矿山等工程边坡的含陡倾裂隙危岩体的崩塌时间预测。
如图2所示，本发明实施例提供了一种含陡倾裂隙危岩体临崩时间区间预测方法，该方法可以由电子设备实现。如图2所示的含陡倾裂隙危岩体临崩时间区间预测方法流程图，该方法的处理流程可以包括如下的步骤：
S21、获取危岩体多维度倾斜角度的长期监测数据。
一种可行的实施方式中，上述步骤S21的过程可以包括：
配置MEMS（Micro-Electro-Mechanical System，微机电系统）倾角传感器的数据采集、计算、传输机制，基于MEMS对危岩体多维度倾斜角度进行长期监测，获得危岩体多维度倾斜角度的长期监测数据。本申请提出仅利用一个MEMS传感器监测多维度倾斜角度可以全面表征含陡倾裂隙危岩体不同裂隙扩展方式的倾斜变形特性，可以得到具有预测分析价值的数据集，使后续的预测方法可实现。
一种可行的实施方式中，基于MEMS三轴加速度传感器的倾斜角度监测设备，以1000Hz采样频率实时采集重力加速度，并通过边缘解算得到累计倾斜角度变化量，倾斜角度温度漂移在-30℃到70℃范围内优于±0.1°，倾斜角度分辨率优于0.005°，量程大于45°。配置MEMS倾角传感器的数据传输机制具体为：配置累计倾斜角度变化量定时传输频率不少于1次/小时，配置累计倾斜角度变化量初始触发传输阈值为5°。
其中，多维度倾斜角度包括：
Figure 492570DEST_PATH_IMAGE016
三向水平夹角，倾斜向量空间夹角与倾斜方向角，具体计算方法如式（1）-（5）所示：
Figure 618264DEST_PATH_IMAGE018
Figure 405961DEST_PATH_IMAGE020
式中：
Figure 72565DEST_PATH_IMAGE021
分别为重力加速度在传感器
Figure 948117DEST_PATH_IMAGE022
敏感轴的倾斜分量；
Figure 101887DEST_PATH_IMAGE023
为传感器水平时重力加速度空间向量（0,0,-1）；
Figure 139113DEST_PATH_IMAGE024
为向量的长度；
Figure 761856DEST_PATH_IMAGE025
为监测过程中重力加速度在传感器敏感轴分量的向量；
Figure 175519DEST_PATH_IMAGE026
为向量的长度；
Figure 180866DEST_PATH_IMAGE027
分别为
Figure 123414DEST_PATH_IMAGE022
三向水平夹角；
Figure 967873DEST_PATH_IMAGE028
为倾斜向量空间夹角；
Figure 185228DEST_PATH_IMAGE029
为倾斜方向角。
S22、分别计算长期监测数据中的多维度累计倾斜角度变化量与倾斜角度变化速度，并采用双准则凸优化经验模态分解EMD滤波算法对多维度累计倾斜角度变化量与倾斜角度变化速度中的每个维度的累计倾斜角度变化量与倾斜角度变化速度进行滤波去噪，得到危岩体多维度累计倾斜角度变化量与倾斜角度变化速度的滤波去噪数据。
一种可行的实施方式中，上述步骤S22可以包括下述步骤S221-S223：
S221：对时间序列进行经验模态分解：对危岩体各维度累计倾角变化量与倾角变化速度数据进行EMD，原始数据分解为低频至高频
Figure 48011DEST_PATH_IMAGE030
个特征模态序列
Figure 692619DEST_PATH_IMAGE031
Figure 24374DEST_PATH_IMAGE032
加残差
Figure 779840DEST_PATH_IMAGE033
的形式，如下式（6）所示：
Figure 762709DEST_PATH_IMAGE034
式中：
Figure 578218DEST_PATH_IMAGE035
为原始倾斜特征参数（本专利指各维度累计倾角变化量与倾角变化速度数据）。
S222：对原始倾斜特征参数时间序列进行多尺度低通滤波：将原始时间序列按由高频至低频依次滤除:221中所得特征模态
Figure 131690DEST_PATH_IMAGE036
，得到
Figure 690848DEST_PATH_IMAGE030
个不同尺度的滤波策略，如下式（7）所示：
Figure 528223DEST_PATH_IMAGE038
式中：
Figure 514633DEST_PATH_IMAGE039
为滤波策略数，
Figure 820981DEST_PATH_IMAGE040
，2…
Figure 918250DEST_PATH_IMAGE041
，
Figure 409798DEST_PATH_IMAGE041
为滤波策略总数；
Figure 442476DEST_PATH_IMAGE042
为不同尺度滤波策略下的滤波数据。
S223：确定最优滤波策略。
一种可行的实施方式中，上述步骤S223可以包括：
（1）计算滤波数据损失度，如下式（8）所示：
Figure 829595DEST_PATH_IMAGE043
式中：
Figure 855189DEST_PATH_IMAGE044
为滤波策略数为
Figure 542522DEST_PATH_IMAGE039
时的数据损失度；
Figure 746102DEST_PATH_IMAGE045
为滤波策略数
Figure 886096DEST_PATH_IMAGE039
时的滤波数据。
（2）计算滤波数据粗糙度，如下式（9）所示：
Figure 246539DEST_PATH_IMAGE047
式中：
Figure 663745DEST_PATH_IMAGE048
为滤波策略数
Figure 162860DEST_PATH_IMAGE039
时数据粗糙度；
Figure 914784DEST_PATH_IMAGE049
为滤波策略数为
Figure 157546DEST_PATH_IMAGE039
时数据中
Figure 694838DEST_PATH_IMAGE050
时刻倾斜特征参数，
Figure 99275DEST_PATH_IMAGE051
，
Figure 905923DEST_PATH_IMAGE052
为序列长度；
Figure 952377DEST_PATH_IMAGE053
代表双对角矩阵。
（3）依次计算各滤波策略的粗糙度与损失度，建立凸优化函数
Figure 140913DEST_PATH_IMAGE054
，权衡各滤波去噪策略粗糙度与损失度，如下式（10）所示：
Figure 106464DEST_PATH_IMAGE056
（4）采用Pareto双准则凸优化问题对
Figure 442767DEST_PATH_IMAGE054
进行极值求解，当曲线曲率最大时，求得最优滤波策略数
Figure 902698DEST_PATH_IMAGE057
，如图3所示，则最优滤波去噪数据如下式（11）所示：
Figure 273637DEST_PATH_IMAGE059
本申请中，由于采用高精度MEMS传感器进行危岩体倾斜特征的获取，然而，由于MEMS传感器获得的倾斜角度数据会受环境温度、环境振动噪等影响，倾斜角度时间序列会程非等周期波动的情况。不进行数据的滤波去噪会导致后续预测模型无法应用，而过度滤波会导致数据失真，预测模型结果也因此偏离真实值。因此，本申请提出滤波去噪的方法适配于此类监测数据的真实趋势提取。
S23、基于滤波去噪数据，建立倾斜角度变化速度预测方程，得到预测结果
Figure 144510DEST_PATH_IMAGE014
。
一种可行的实施方式中，上述步骤S23的过程可以包括：
基于滤波去噪数据，分别确定多维度倾斜角度变化量阶跃过程中的最大阶跃速度
Figure 233688DEST_PATH_IMAGE001
，并以多维度倾斜角度变化量加速上升过程中，倾斜角度变化速度在
Figure 231731DEST_PATH_IMAGE001
至
Figure 722756DEST_PATH_IMAGE002
范围内的时间历程数据作为基础数据，建立倾斜角度变化速度预测方程与倾斜角度变化速度倒数预测方程。
其中，最大阶跃速度
Figure 30109DEST_PATH_IMAGE001
如图4所示，指多个倾斜角度变化量阶跃过程中的最大倾斜角度变化速度。
可选地，多维度倾斜角度变化量阶跃过程为：如图5所示的多维度倾斜角度变化量时间序列，满足方程
Figure 341005DEST_PATH_IMAGE003
，b<0且c<0；其中，
Figure 142739DEST_PATH_IMAGE004
为拟合参数，
Figure 488269DEST_PATH_IMAGE005
为常数，
Figure 766191DEST_PATH_IMAGE006
为时间。
多维度倾斜角度变化量加速上升过程为：如图6所示的多维度倾斜角度变化量时间序列，满足方程
Figure 439749DEST_PATH_IMAGE003
，b>0且c>0；其中，
Figure 169808DEST_PATH_IMAGE004
为拟合参数。
其中，满足方程的条件为：将累计倾斜角度变化量时间序列，通过方程进行拟合，得到的拟合方程的拟合相关性系数大于0.85。
举例来说，根据获得的累计倾斜角度变化量的时间序列进行拟合，得到拟合方程，计算该拟合方程与预设的标准方程的拟合相关性系数，若该拟合相关性系数大于0.85，则获取的累计倾斜角度变化量的时间序列满足对应的方程。
可选地，倾斜角度变化速度预测方程的建立过程可以包括：
如图7所示，分别对多维度倾斜角度变化量在
Figure 494479DEST_PATH_IMAGE001
至
Figure 19001DEST_PATH_IMAGE002
范围内的时间序列采用模型
Figure 179855DEST_PATH_IMAGE014
进行方程拟合，得到倾斜角度变化速度预测方程，模型
Figure 713605DEST_PATH_IMAGE014
如下式（12）所示：
Figure 892782DEST_PATH_IMAGE061
其中，
Figure 322626DEST_PATH_IMAGE008
为多维度累计倾斜角度变化速度；
Figure 970777DEST_PATH_IMAGE006
为时间；
Figure 42638DEST_PATH_IMAGE009
为多维度倾斜角度变化速度在
Figure 76322DEST_PATH_IMAGE001
至
Figure 208226DEST_PATH_IMAGE002
范围内的时间，
Figure 874831DEST_PATH_IMAGE010
为多维度倾斜角度变化速度在
Figure 403245DEST_PATH_IMAGE001
时刻到崩塌时刻范围内的时间；
Figure 42168DEST_PATH_IMAGE004
为拟合参数。
假定倾斜角度变化速度预测方程中，多维度倾斜角度变化速度为
Figure 79394DEST_PATH_IMAGE062
时危岩体将即刻发生崩塌。即当
Figure 685825DEST_PATH_IMAGE063
时，
Figure 99489DEST_PATH_IMAGE064
，记倾斜角度变化速度预测方程计算第一临崩时间预测结果为
Figure 858497DEST_PATH_IMAGE065
，则预测结果
Figure 332204DEST_PATH_IMAGE014
为
Figure 425931DEST_PATH_IMAGE066
。
S24、基于滤波去噪数据，建立倾斜角度变化速度倒数预测方程，得到预测结果
Figure 643286DEST_PATH_IMAGE015
。
一种可行的实施方式中，上述步骤S24可以包括：
分别计算多维度倾斜角度变化速度在
Figure 256801DEST_PATH_IMAGE001
至
Figure 901409DEST_PATH_IMAGE002
范围内数据的倒数序列，并对多维度倾斜角度变化速度倒数时间序列采用模型
Figure 482431DEST_PATH_IMAGE015
进行方程拟合，得到倾斜角度变化速度倒数预测方程，模型
Figure 503477DEST_PATH_IMAGE015
如下式（13）所示：
Figure 237078DEST_PATH_IMAGE068
其中，
Figure 787008DEST_PATH_IMAGE012
为多维度累计倾斜角度变化量变化速度倒数；
Figure 858257DEST_PATH_IMAGE006
为时间；
Figure 417414DEST_PATH_IMAGE009
为多维度倾斜角度变化速度在
Figure 5521DEST_PATH_IMAGE001
至
Figure 991932DEST_PATH_IMAGE002
范围内的时间，
Figure 281968DEST_PATH_IMAGE010
为多维度倾斜角度变化速度在
Figure 379237DEST_PATH_IMAGE001
时刻到崩塌时刻范围内的时间；
Figure 87430DEST_PATH_IMAGE013
为拟合参数。
当
Figure 244742DEST_PATH_IMAGE012
等于
Figure 22074DEST_PATH_IMAGE069
时，通过倾斜角度变化速度倒数预测方程计算第二临崩时间预测结果
Figure 923033DEST_PATH_IMAGE070
，取结果中的最小值，则预测结果
Figure 485733DEST_PATH_IMAGE015
为
Figure 813946DEST_PATH_IMAGE071
。
本申请中，预测基础数据的选择需在倾斜角度加速上升过程中在
Figure 78574DEST_PATH_IMAGE001
至
Figure 517646DEST_PATH_IMAGE002
时间范围，
Figure 934852DEST_PATH_IMAGE001
是在倾斜角度阶跃过程中的最大速度，这是在实例统计中发现含陡倾结构面危岩体倾斜角度时间曲线仅包含平稳、阶跃与加速上升的特征分析得到的。而预测基础数据选择时间段在
Figure 637229DEST_PATH_IMAGE001
之前，会导致模型
Figure 264519DEST_PATH_IMAGE015
失效，而预测基础数据选择倾斜角度变化速度在
Figure 425723DEST_PATH_IMAGE072
至
Figure 697436DEST_PATH_IMAGE073
范围内的多维度累计倾斜角度变化量与倾斜角度变化速度时间序列，既保证了两种模型均可使用，也保证了预测分析时段不会过晚，规定了预测基础数据选择时间段，使不同危岩体的倾角曲线都有相同的计算区域，使预报值不受人为影响而导致结果不同。
S25、基于预测结果
Figure 367452DEST_PATH_IMAGE014
及预测结果
Figure 341093DEST_PATH_IMAGE015
，得到临崩时间预测区间。
如图7所示，临崩时间预测区间为
Figure 387546DEST_PATH_IMAGE074
Figure 513765DEST_PATH_IMAGE075
Figure 354682DEST_PATH_IMAGE076
或
Figure 81199DEST_PATH_IMAGE077
Figure 931343DEST_PATH_IMAGE078
。
根据实际监测数据的分析表明，危岩体倾斜角度累计变化量在加速阶段成类对数上升趋势，而在速度大于
Figure 177648DEST_PATH_IMAGE001
后，速度倒数成近似线性趋势，但仅靠某一预测方程会导致预测的可靠性不足，尤其是模型
Figure 189466DEST_PATH_IMAGE015
可能会导致预测时间偏晚，但一味的将预测模型复杂化不利于现场的实际应用，所以在本申请中提出了“临崩预测时间区间”的概念，利用两种相对简洁的预测方程得到更加可靠的崩塌时间范围，可以为专业技术人员做出预警响应提供方便且科学的依据。
本发明实施例中，克服了现有位移预测方法应用在危岩体中无法实际应用的缺点，具有操作计算简便，预测结果可靠等优点，可广泛应用于山地城镇边坡与公路铁路、水利水电、露天矿山等工程边坡的含陡倾裂隙危岩体的崩塌时间预测。
如图8所示，本发明实施例提供了一种含陡倾裂隙危岩体临崩时间区间预测装置800，该装置800应用于实现含陡倾裂隙危岩体临崩时间区间预测方法，该装置800包括：
获取模块810，用于采用微机电系统MEMS倾斜角度传感器获取危岩体多维度倾斜角度的长期监测数据。
滤波去噪模块820，用于采用双准则凸优化经验模态分解EMD滤波算法对危岩体多维度累计倾斜角度变化量与倾斜角度变化速度进行滤波去噪。
数据集建立模块830，用于基于滤波去噪后的数据，筛选建立预测方程的基础数据集。
方程建立模块840，用于基于基础数据集，建立累计倾斜角度变化量预测方程与倾斜角度变化速度倒数预测方程。
区间预测模块850，用于基于累计倾斜角度变化量预测方程与倾斜角度变化速度倒数预测方程，得到临崩时间预测区间。
可选地，获取模块810，进一步用于：
配置微机电系统MEMS倾斜角度传感器的数据采集、计算、传输机制，基于MEMS倾斜角度传感器对危岩体多维度倾斜角度进行长期监测，获得危岩体多维度倾斜角度的长期监测数据。
可选地，滤波去噪模块820，进一步用于：
分别计算长期监测数据中的多维度累计倾斜角度变化量与倾斜角度变化速度，并采用EMD滤波算法对多维度累计倾斜角度变化量与倾斜角度变化速度中的每个维度的累计倾斜角度变化量与倾斜角度变化速度进行滤波去噪，得到危岩体多维度累计倾斜角度变化量与倾斜角度变化速度的滤波去噪数据。
可选地，数据集建立模块830，进一步用于：
基于滤波去噪后的数据，分别确定多维度累计倾斜角度变化量阶跃过程中的最大阶跃速度
Figure 403278DEST_PATH_IMAGE001
，并以多维度累计倾斜角度变化量加速上升过程中，倾斜角度变化速度在
Figure 525955DEST_PATH_IMAGE001
至
Figure 626766DEST_PATH_IMAGE002
范围内的多维度累计倾斜角度变化量与倾斜角度变化速度时间序列作为基础数据集；其中，最大阶跃速度
Figure 75065DEST_PATH_IMAGE001
指多个倾斜角度变化量阶跃过程中的最大倾斜角度变化速度。
可选地，多维度累计倾斜角度变化量阶跃过程为：多维度累计倾斜角度变化量时间序列满足方程
Figure 589223DEST_PATH_IMAGE003
，b<0且c<0；其中，
Figure 643154DEST_PATH_IMAGE004
为拟合参数，
Figure 988685DEST_PATH_IMAGE005
为常数，
Figure 217672DEST_PATH_IMAGE006
为时间。
多维度累计倾斜角度变化量加速上升过程为：多维度累计倾斜角度变化量时间序列满足方程
Figure 15864DEST_PATH_IMAGE003
，b>0且c>0；其中，
Figure 870556DEST_PATH_IMAGE004
为拟合参数。
可选地，方程建立模块840，进一步用于：
分别对多维度累计倾斜角度变化量在
Figure 70594DEST_PATH_IMAGE001
至
Figure 470482DEST_PATH_IMAGE002
范围内的时间序列进行方程拟合，得到累计倾斜角度变化量预测方程，如下式（1）所示：
Figure 755970DEST_PATH_IMAGE080
其中，
Figure 414353DEST_PATH_IMAGE008
为多维度累计倾斜角度变化量；
Figure 468897DEST_PATH_IMAGE081
为时间；
Figure 305266DEST_PATH_IMAGE009
为多维度倾斜角度变化速度在
Figure 812470DEST_PATH_IMAGE001
至
Figure 8965DEST_PATH_IMAGE002
范围内的时间，
Figure 183595DEST_PATH_IMAGE010
为多维度倾斜角度变化速度在
Figure 925286DEST_PATH_IMAGE001
时刻到崩塌时刻范围内的时间；
Figure 185366DEST_PATH_IMAGE004
为拟合参数。
分别计算多维度累计倾斜角度变化速度在
Figure 917043DEST_PATH_IMAGE001
至
Figure 946179DEST_PATH_IMAGE002
范围内数据的倒数时间序列，并对多维度累计倾斜角度变化速度的倒数时间序列进行方程拟合，得到倾斜角度变化速度倒数预测方程，如下式（2）所示：
Figure 842460DEST_PATH_IMAGE083
其中，
Figure 199623DEST_PATH_IMAGE012
为多维度累计倾斜角度变化速度倒数；
Figure 613286DEST_PATH_IMAGE081
为时间；
Figure 621563DEST_PATH_IMAGE009
为多维度倾斜角度变化速度在
Figure 95269DEST_PATH_IMAGE001
至
Figure 939729DEST_PATH_IMAGE002
范围内的时间，
Figure 891504DEST_PATH_IMAGE010
为多维度倾斜角度变化速度在
Figure 19866DEST_PATH_IMAGE001
时刻到崩塌时刻范围内的时间；
Figure 664474DEST_PATH_IMAGE013
为拟合参数。
可选地，区间预测模块850，进一步用于：
基于累计倾斜角度变化量预测方程，计算得到第一临崩时间预测结果，取第一临崩时间预测结果中的最小值，记为预测结果
Figure 324125DEST_PATH_IMAGE014
。
基于倾斜角度变化速度倒数预测方程，计算得到第二临崩时间预测结果，取第二临崩时间预测结果中的最小值，记为预测结果
Figure 954958DEST_PATH_IMAGE015
。
基于预测结果
Figure 547613DEST_PATH_IMAGE014
及预测结果
Figure 287424DEST_PATH_IMAGE015
，得到临崩时间预测区间。
本发明实施例中，克服了现有位移预测方法应用在危岩体中无法实际应用的缺点，具有操作计算简便，预测结果可靠等优点，可广泛应用于山地城镇边坡与公路铁路、水利水电、露天矿山等工程边坡的含陡倾裂隙危岩体的崩塌时间预测。
图9是本发明实施例提供的一种电子设备900的结构示意图，该电子设备900可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器（centralprocessing units，CPU）901和一个或一个以上的存储器902，其中，存储器902中存储有至少一条指令，至少一条指令由处理器901加载并执行以实现下述含陡倾裂隙危岩体临崩时间区间预测方法：
S1、采用微机电系统MEMS倾斜角度传感器获取危岩体多维度倾斜角度的长期监测数据。
S2、基于长期监测数据，采用双准则凸优化经验模态分解EMD滤波算法对危岩体多维度累计倾斜角度变化量与倾斜角度变化速度进行滤波去噪。
S3、基于滤波去噪后的数据，筛选建立预测方程的基础数据集。
S4、基于基础数据集，建立累计倾斜角度变化量预测方程与倾斜角度变化速度倒数预测方程。
S5、基于累计倾斜角度变化量预测方程与倾斜角度变化速度倒数预测方程，得到临崩时间预测区间。
在示例性实施例中，还提供了一种计算机可读存储介质，例如包括指令的存储器，上述指令可由终端中的处理器执行以完成上述含陡倾裂隙危岩体临崩时间区间预测方法。例如，计算机可读存储介质可以是ROM、随机存取存储器（RAM）、CD-ROM、磁带、软盘和光数据存储设备等。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，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 (9)

1.一种含陡倾裂隙危岩体临崩时间区间预测方法，其特征在于，所述方法包括：
S1、采用微机电系统MEMS倾斜角度传感器获取危岩体多维度倾斜角度的长期监测数据；
S2、基于所述长期监测数据，采用双准则凸优化经验模态分解EMD滤波算法对危岩体多维度累计倾斜角度变化量与倾斜角度变化速度进行滤波去噪；
S3、基于滤波去噪后的数据，筛选建立预测方程的基础数据集；
S4、基于所述基础数据集，建立累计倾斜角度变化量预测方程与倾斜角度变化速度倒数预测方程；
S5、基于所述累计倾斜角度变化量预测方程与倾斜角度变化速度倒数预测方程，得到临崩时间预测区间；
所述基于所述基础数据集，建立累计倾斜角度变化量预测方程与倾斜角度变化速度倒数预测方程的过程包括：
分别对多维度累计倾斜角度变化量在
Figure 982019DEST_PATH_IMAGE001
至
Figure 943022DEST_PATH_IMAGE002
范围内的时间序列进行方程拟合，得到 累计倾斜角度变化量预测方程，如下式（1）所示：
Figure 450227DEST_PATH_IMAGE003
其中，
Figure 990930DEST_PATH_IMAGE004
为多维度累计倾斜角度变化量；
Figure 916291DEST_PATH_IMAGE005
为时间；
Figure 517037DEST_PATH_IMAGE006
为多维度倾斜角度变化速度在
Figure 511538DEST_PATH_IMAGE001
至
Figure 855932DEST_PATH_IMAGE002
范围内的时间，
Figure 885067DEST_PATH_IMAGE007
为多维度倾斜角度变化速度在
Figure 922294DEST_PATH_IMAGE001
时刻到崩塌时刻范围内的时间；
Figure 889244DEST_PATH_IMAGE008
为拟合参数；
分别计算所述多维度累计倾斜角度变化速度在
Figure 37328DEST_PATH_IMAGE001
至
Figure 655391DEST_PATH_IMAGE002
范围内数据的倒数时间序列， 并对多维度累计倾斜角度变化速度的倒数时间序列进行方程拟合，得到倾斜角度变化速度 倒数预测方程，如下式（2）所示：
Figure DEST_PATH_IMAGE009
其中，
Figure 660257DEST_PATH_IMAGE010
为多维度累计倾斜角度变化速度倒数；
Figure 363770DEST_PATH_IMAGE005
为时间；
Figure 800699DEST_PATH_IMAGE006
为多维度倾斜角度变 化速度在
Figure 538848DEST_PATH_IMAGE001
至
Figure 183456DEST_PATH_IMAGE002
范围内的时间，
Figure 374266DEST_PATH_IMAGE007
为多维度倾斜角度变化速度在
Figure 864153DEST_PATH_IMAGE001
时刻到崩塌时刻范围 内的时间；
Figure DEST_PATH_IMAGE011
为拟合参数。
2.根据权利要求1所述的方法，其特征在于，所述S1中的采用微机电系统MEMS倾斜角度传感器获取危岩体多维度倾斜角度的长期监测数据包括：
配置微机电系统MEMS倾斜角度传感器的数据采集、计算、传输机制，基于所述MEMS倾斜角度传感器对危岩体多维度倾斜角度进行长期监测，获得危岩体多维度倾斜角度的长期监测数据。
3.根据权利要求1所述的方法，其特征在于，所述S2中的基于所述长期监测数据，采用双准则凸优化经验模态分解EMD滤波算法对危岩体多维度累计倾斜角度变化量与倾斜角度变化速度进行滤波去噪包括：
分别计算所述长期监测数据中的多维度累计倾斜角度变化量与倾斜角度变化速度，并采用EMD滤波算法对所述多维度累计倾斜角度变化量与倾斜角度变化速度中的每个维度的累计倾斜角度变化量与倾斜角度变化速度进行滤波去噪，得到所述危岩体多维度累计倾斜角度变化量与倾斜角度变化速度的滤波去噪数据。
4.根据权利要求1所述的方法，其特征在于，所述S3中的基于滤波去噪后的数据，筛选建立预测方程的基础数据集包括：
基于滤波去噪后的数据，分别确定多维度累计倾斜角度变化量阶跃过程中的最大阶跃 速度
Figure 473120DEST_PATH_IMAGE001
，并以多维度累计倾斜角度变化量加速上升过程中，倾斜角度变化速度在
Figure 23050DEST_PATH_IMAGE001
至
Figure 701156DEST_PATH_IMAGE002
范 围内的多维度累计倾斜角度变化量与倾斜角度变化速度时间序列作为基础数据集；其中， 所述最大阶跃速度
Figure 260313DEST_PATH_IMAGE001
指多个倾斜角度变化量阶跃过程中的最大倾斜角度变化速度。
5.根据权利要求4所述的方法，其特征在于，所述多维度累计倾斜角度变化量阶跃过程为：所述多维度累计倾斜角度变化量时间序列满足方程
Figure 707475DEST_PATH_IMAGE012
，b<0且c<0；其中，
Figure DEST_PATH_IMAGE013
为拟合参数，
Figure 428306DEST_PATH_IMAGE014
为常数，
Figure 598301DEST_PATH_IMAGE005
为时间；
所述多维度累计倾斜角度变化量加速上升过程为：所述多维度累计倾斜角度变化量时间序列满足方程
Figure 695570DEST_PATH_IMAGE012
，b>0且c>0；其中，
Figure 262818DEST_PATH_IMAGE013
为拟合参数。
6.根据权利要求1所述的方法，其特征在于，所述S5中的基于所述累计倾斜角度变化量预测方程与倾斜角度变化速度倒数预测方程，计算得到临崩时间预测区间包括：
基于累计倾斜角度变化量预测方程，计算得到第一临崩时间预测结果，取所述第一临崩时间预测结果中的最小值，记为预测结果I；
基于倾斜角度变化速度倒数预测方程，计算得到第二临崩时间预测结果，取所述第二临崩时间预测结果中的最小值，记为预测结果II；
基于所述预测结果I及预测结果II，得到临崩时间预测区间。
7.一种含陡倾裂隙危岩体临崩时间区间预测装置，其特征在于，所述装置包括：
获取模块，用于采用微机电系统MEMS倾斜角度传感器获取危岩体多维度倾斜角度的长期监测数据；
滤波去噪模块，用于采用双准则凸优化经验模态分解EMD滤波算法对危岩体多维度累计倾斜角度变化量与倾斜角度变化速度进行滤波去噪；
数据集建立模块，用于基于滤波去噪后的数据，筛选建立预测方程的基础数据集；
方程建立模块，用于基于所述基础数据集，建立累计倾斜角度变化量预测方程与倾斜角度变化速度倒数预测方程；
区间预测模块，用于基于所述累计倾斜角度变化量预测方程与倾斜角度变化速度倒数预测方程，得到临崩时间预测区间；
所述方程建立模块，进一步用于：
分别对多维度累计倾斜角度变化量在
Figure DEST_PATH_IMAGE015
至
Figure 420130DEST_PATH_IMAGE002
范围内的时间序列进行方程拟合，得到累计倾斜角度变化量预测方程，如下式（1）所示：
Figure 823561DEST_PATH_IMAGE003
其中，
Figure 458941DEST_PATH_IMAGE004
为多维度累计倾斜角度变化量；
Figure 615116DEST_PATH_IMAGE005
为时间；
Figure 943329DEST_PATH_IMAGE006
为多维度倾斜角度变化速度在
Figure 817744DEST_PATH_IMAGE015
至
Figure 256816DEST_PATH_IMAGE002
范围内的时间，
Figure 549388DEST_PATH_IMAGE007
为多维度倾斜角度变化速度在
Figure 782923DEST_PATH_IMAGE015
时刻到崩塌时刻范围内的时间；
Figure 144635DEST_PATH_IMAGE013
为拟合参数；
分别计算所述多维度累计倾斜角度变化速度在
Figure 387397DEST_PATH_IMAGE015
至
Figure 518164DEST_PATH_IMAGE002
范围内数据的倒数时间序列，并对多维度累计倾斜角度变化速度的倒数时间序列进行方程拟合，得到倾斜角度变化速度倒数预测方程，如下式（2）所示：
Figure 922601DEST_PATH_IMAGE009
其中，
Figure 787920DEST_PATH_IMAGE010
为多维度累计倾斜角度变化速度倒数；
Figure 303215DEST_PATH_IMAGE005
为时间；
Figure 554067DEST_PATH_IMAGE006
为多维度倾斜角度变化速度在
Figure 129405DEST_PATH_IMAGE015
至
Figure 731288DEST_PATH_IMAGE002
范围内的时间，
Figure 50274DEST_PATH_IMAGE007
为多维度倾斜角度变化速度在
Figure 155633DEST_PATH_IMAGE015
时刻到崩塌时刻范围内的时间；
Figure 918184DEST_PATH_IMAGE011
为拟合参数。
8.根据权利要求7所述的装置，其特征在于，所述获取模块，进一步用于：
配置微机电系统MEMS倾斜角度传感器的数据采集、计算、传输机制，基于所述MEMS倾斜角度传感器对危岩体多维度倾斜角度进行长期监测，获得所述危岩体多维度倾斜角度的长期监测数据。
9.根据权利要求7所述的装置，其特征在于，所述滤波去噪模块，进一步用于：
分别计算所述长期监测数据中的多维度累计倾斜角度变化量与倾斜角度变化速度，并采用EMD滤波算法对所述多维度累计倾斜角度变化量与倾斜角度变化速度中的每个维度的累计倾斜角度变化量与倾斜角度变化速度进行滤波去噪，得到所述危岩体多维度累计倾斜角度变化量与倾斜角度变化速度的滤波去噪数据。
CN202210012862.0A 2022-01-07 2022-01-07 一种含陡倾裂隙危岩体临崩时间区间预测方法及装置 Active CN114037190B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210012862.0A CN114037190B (zh) 2022-01-07 2022-01-07 一种含陡倾裂隙危岩体临崩时间区间预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210012862.0A CN114037190B (zh) 2022-01-07 2022-01-07 一种含陡倾裂隙危岩体临崩时间区间预测方法及装置

Publications (2)

Publication Number Publication Date
CN114037190A CN114037190A (zh) 2022-02-11
CN114037190B true CN114037190B (zh) 2022-04-29

Family

ID=80147430

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210012862.0A Active CN114037190B (zh) 2022-01-07 2022-01-07 一种含陡倾裂隙危岩体临崩时间区间预测方法及装置

Country Status (1)

Country Link
CN (1) CN114037190B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116013035B (zh) * 2023-02-02 2024-06-25 中铁第一勘察设计院集团有限公司 崩塌地质灾害的预警方法、装置及电子设备
CN116956629B (zh) * 2023-08-08 2024-03-19 北京中关村智连安全科学研究院有限公司 一种拉裂型边坡危岩体崩塌时间长期预测方法和系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110597149A (zh) * 2019-10-10 2019-12-20 中国地质环境监测院 一种交互式耦合多维度智能崩塌落石监测系统及方法
CN112927478A (zh) * 2020-12-30 2021-06-08 广州翰南工程技术有限公司 一种地质灾害普适型监测预警系统
CN113761744A (zh) * 2021-09-07 2021-12-07 四川中科数微科技有限公司 一种基于倾角突变的斜坡失稳时间预测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110597149A (zh) * 2019-10-10 2019-12-20 中国地质环境监测院 一种交互式耦合多维度智能崩塌落石监测系统及方法
CN112927478A (zh) * 2020-12-30 2021-06-08 广州翰南工程技术有限公司 一种地质灾害普适型监测预警系统
CN113761744A (zh) * 2021-09-07 2021-12-07 四川中科数微科技有限公司 一种基于倾角突变的斜坡失稳时间预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Slope disaster monitoring and early warning system based on 3D-MEMS and NB-IoT;Mowen Xie，et al.;《2019 IEEE 4th Advanced Information Technology, Electronic and Automation Control Conference》;20191222;90-94 *
基于灰色突变理论的块裂岩质边坡崩塌时间预测;田卿燕等;《华南理工大学学报(自然科学版)》;20091215(第12期);122-126 *

Also Published As

Publication number Publication date
CN114037190A (zh) 2022-02-11

Similar Documents

Publication Publication Date Title
CN114037190B (zh) 一种含陡倾裂隙危岩体临崩时间区间预测方法及装置
Ubertini et al. Assessment of a monumental masonry bell-tower after 2016 Central Italy seismic sequence by long-term SHM
Ferry et al. Mercator global Eddy permitting ocean reanalysis GLORYS1V1: Description and results
US20170363504A1 (en) System and method for determining the risk of failure of a structure
Kohout et al. A device for measuring wave-induced motion of ice floes in the Antarctic marginal ice zone
US9310517B2 (en) Method and system for determining accuracy of a weather prediction model
CN106482917B (zh) 一种斜拉桥主梁动态挠度的检测方法
CN112834193B (zh) 一种基于三维图的运营桥梁振动和健康状态异常预警方法
CN105074503B (zh) 地震预测装置
CN107807381B (zh) 基于岩体破裂微震波活动规律的边坡失稳风险的动态监测方法及装置
CN114485788B (zh) 基于倾斜与强振特征的边坡危岩体崩塌预警方法及装置
KR102209749B1 (ko) 지진가속도 시간이력 생성 방법 및 장치
CN110852542A (zh) 一种道路平整度的计算方法及系统
Pereira et al. Modal identification of concrete dams under natural excitation
CN106772697A (zh) 云海自然景观预报方法及系统
CN117473263A (zh) 一种桥梁振动监测的频率与阻尼比自动识别方法和系统
Nassar et al. INS and INS/GPS accuracy improvement using autoregressive (AR) modeling of INS sensor errors
Shen et al. Traffic velocity prediction using GPS data: IEEE ICDM contest task 3 report
RU2650779C1 (ru) Способ контроля движения наблюдаемого с космического аппарата ледника
CN105404708A (zh) 基于实测加速度的大跨度桥梁结构外界时段激励评价方法
CN113366344A (zh) 雨水传感器
JP2004239901A (ja) 地震の予知方法、地震の予知システム、地震の予知プログラム及び記録媒体
CN117098977A (zh) 用于确定结构失效风险的系统和方法
CN110531444B (zh) 数值天气预报模式的误差来源确定方法及装置
JP2018159631A (ja) 構造物解析装置、構造物解析システムおよび構造物解析方法

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