CN114330144B - 一种边坡危石预警方法、装置、设备及可读存储介质 - Google Patents
一种边坡危石预警方法、装置、设备及可读存储介质 Download PDFInfo
- Publication number
- CN114330144B CN114330144B CN202210135690.6A CN202210135690A CN114330144B CN 114330144 B CN114330144 B CN 114330144B CN 202210135690 A CN202210135690 A CN 202210135690A CN 114330144 B CN114330144 B CN 114330144B
- Authority
- CN
- China
- Prior art keywords
- rock
- model
- slope
- characteristic parameter
- virtual
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/23—Dune restoration or creation; Cliff stabilisation
Landscapes
- Pit Excavations, Shoring, Fill Or Stabilisation Of Slopes (AREA)
Abstract
本发明提供了一种边坡危石预警方法、装置、设备及可读存储介质,涉及边坡危石预警技术领域,本发明通过预先分别建立符合工程实际情况的岩石模型集合和边坡虚拟分析模型,再将两个模型相互结合生成虚拟边坡模型,采用超载法和强度折减法使得自然边坡模型发生失稳,经分析计算获得坡外岩石块体得稳定性系数,再利用神经网络模型,将坡外块体的岩石模型以及失稳模拟数据作为输入值,稳定性系数作为输出值训练神经网络,用训练好的神经网络识别边坡上的其他岩石从而得到相应的稳定性系数,从而进行预警。
Description
技术领域
本发明涉及边坡危石预警技术领域,具体而言,涉及一种边坡危石预警方法、装置、设备及可读存储介质。
背景技术
现有的预测方法和预测装置不能对边坡危石进行较为准确的预测,测量精度低,且易出现误报的情况,反而造成人员恐慌和物资浪费,而在过去的预警技术中,少有通过对坡外岩石块体的安全稳定性进行分析以达到预测、预警的目的。
发明内容
本发明的目的在于提供一种边坡危石预警方法、装置、设备及可读存储介质,以改善上述问题。为了实现上述目的,本发明采取的技术方案如下:
第一方面,本申请提供了一种边坡危石预警方法,包括:
获取第一特征参数和第三特征参数,所述第一特征参数为已从待预警区域内的边坡落下的第一岩石的特征参数,所述第三特征参数为所述边坡的特征参数;
根据所述第一特征参数和所述第三特征参数,构建虚拟边坡模型集合,所述虚拟边坡模型集合中包括至少一个虚拟边坡模型,每个所述虚拟边坡模型为所述第一岩石未从所述边坡落下前所述边坡的几何模型;
依次对每个所述虚拟边坡模型进行失稳状态模拟,得到第一参数,所述第一参数包括所述虚拟边坡模型中所述第一岩石的失稳模拟数据和所述第一岩石的稳定性系数;
根据所述第一参数和所述第一特征参数训练神经网络模型,得到训练后的神经网络模型;
根据所述第三特征参数,得到第二参数,所述第二参数包括第二岩石模型和第四特征参数,所述第二岩石模型为未从所述边坡落下的第二岩石的几何模型,所述第四特征参数为所述第二岩石的坡外块体的特征参数;
将所述第二参数输入所述训练后的神经网络模型,得到所述第二岩石的稳定性系数。
第二方面,本申请提供了一种边坡危石预警装置,包括第一获取模块、第一构建模块、第一计算模块、训练模块、第二计算模块和第三计算模块,其中:
第一获取模块:用于获取第一特征参数和第三特征参数,所述第一特征参数为已从待预警区域内的边坡落下的第一岩石的特征参数,所述第三特征参数为所述边坡的特征参数;
第一构建模块:用于根据所述第一特征参数和所述第三特征参数,构建虚拟边坡模型集合,所述虚拟边坡模型集合中包括至少一个虚拟边坡模型,每个所述虚拟边坡模型为所述第一岩石未从所述边坡落下前所述边坡的几何模型;
第一计算模块:用于依次对每个所述虚拟边坡模型进行失稳状态模拟,得到第一参数,所述第一参数包括所述虚拟边坡模型中所述第一岩石的失稳模拟数据和所述第一岩石的稳定性系数;
训练模块:用于根据所述第一参数和所述第一特征参数训练神经网络模型,得到训练后的神经网络模型;
第二计算模块:用于根据所述第三特征参数,得到第二参数,所述第二参数包括第二岩石模型和第四特征参数,所述第二岩石模型为未从所述边坡落下的第二岩石的几何模型,所述第四特征参数为所述第二岩石的坡外块体的特征参数;
第三计算模块:用于将所述第二参数输入所述训练后的神经网络模型,得到所述第二岩石的稳定性系数。
第三方面,本申请还提供了一种边坡危石预警设备,包括:
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的边坡危石预警方法的步骤。
第四方面,本申请还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危石预警方法的步骤。
本发明的有益效果为:本发明通过预先分别建立符合工程实际情况的岩石模型集合和边坡虚拟分析模型,再将两个模型相互结合生成虚拟边坡模型,采用超载法和强度折减法使得自然边坡模型发生失稳,经分析计算获得坡外岩石块体得稳定性系数,再利用神经网络模型,将坡外块体的岩石模型以及失稳模拟数据作为输入值,稳定性系数作为输出值训练神经网络,用训练好的神经网络识别边坡上的其他岩石从而得到相应的稳定性系数,从而进行预警。其优点为在不需要大量的历史监测数据就可对现有边坡工程的坡外块体安全稳定性进行评估及预警,也无需动用大量人力、物力资源,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为本发明实施例中所述的危石预警方法流程示意图;
图2为本发明实施例中所述的边坡危石预警装置结构示意图;
图3为本发明实施例中所述的边坡危石预警设备结构示意图。
图中标记:800-边坡危石预警设备;801-处理器;802-存储器;803-多媒体组件;804-I/O接口;805-通信组件;901-第一获取模块;9011-第一数据处理单元;90111-第二获取模块;90112-第一提取模块;90113-第二提取模块;9012-第一建模单元;9013-第二建模单元;9014-第三建模单元;902-第一构建模块;903-第一计算模块;9031-模拟单元;9032-第二数据处理单元;904-训练模块;9041-映射单元;9042-样本集单元;9043-训练单元;905-第二计算模块;906-第三计算模块;907-等级预测单元;9071-第三数据处理单元;9072-第四数据处理单元;9073-第五数据处理单元;9074-第六数据处理单元。
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:相似的标号和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,图中示出了本方法包括步骤S100、步骤S200、步骤S300、步骤S400、步骤S500、步骤S600和步骤S700。
步骤S100、获取第一特征参数和第三特征参数,第一特征参数为已从待预警区域内的边坡落下的第一岩石的特征参数,第三特征参数为边坡的特征参数。
可以理解的是,在本步骤中主要是通过地质勘测、实地测绘等技术手段采集从边坡落下的第一岩石以及第一岩石落下后边坡的各个参数,第一特征参数包括如下:
a.岩石块体的形状:整体块体状、薄层状、镶嵌状、碎裂状;
b.岩石块体的大小(体积规模):长度、宽度、厚度;
c.岩石块体表面裂缝:主要为裂缝形态(如小倾角缝,垂直缝,水平缝)、裂缝长度和裂缝深度;
d.岩石块体的结构面:结构面的数量、产状(倾角、倾向)、主控结构面的位置、结构面与结构面间的间距、不同结构面的组合形式。
第三特征参数包括如下:
a.边坡模型的形状大小:主要为模型尺寸大小、坡角、坡体高度;
b.边坡模型内部岩土体物理参数:主要为岩土体的天然重度;
c.边坡模型内部岩土体力学参数:主要为岩土体的内摩擦角、粘聚力、体积模量、法向及切向刚度;
d.边坡内部控制性结构面的分布情况:控制性结构面的性能、这里特指结构面的抗剪强度和抗拉强度。
步骤S200、根据第一特征参数和第三特征参数,构建虚拟边坡模型集合,虚拟边坡模型集合中包括至少一个虚拟边坡模型,每个虚拟边坡模型为第一岩石未从边坡落下前边坡的几何模型;
可以理解的是,在本步骤中,通过第一特征参数和第三特征参数构建第一岩石未从边坡落下前的虚拟边坡模型。在本步骤中,步骤S200包括步骤S201、步骤S202、步骤S203和步骤S204。
步骤S201、根据第一特征参数,得到第二特征参数,第二特征参数为第一岩石从边坡落下前的特征参数;
可以理解的是,在本步骤中,根据第一特征参数通过“三维形貌恢复技术”还原得到第一岩石从边坡落下前的第二特征参数,此处所获得的第二特征参数的参数类型相同,但参数的具体数值为修复后的数值,“三维形貌恢复技术”可以是三维激光扫描技术,也可以是图像三维重建技术等。
在本步骤中,步骤S201包括步骤S2011、步骤S2012和步骤S2013。
步骤S2011、获取至少两个实际工程中典型落石的几何外形图像;
可以理解的是,在本步骤中,通过查阅大量的相关文献、危险地段落石现场图等资料,分析典型落石的特点并获得典型落石的几何外形图像,设根据317、318川藏线中的危险地段中(如巴塘-芒康路段、芒康-左贡路段、雅安-天全路段)发生的崩塌落石,归纳总结出几种典型的落石现象:
a.大块岩石体崩落,最长外边界的长度可达m单位级,几何形状成整体块状型;
b.大块岩石体崩落,最长外边界的长度可达m单位级,几何形状成薄层(板)状型;
c.小块岩石体崩落,平均外边界的长度(粒径)为几十厘米,几何形状成块状型;
d.破碎岩石体崩落,平均外边界的长度(粒径)为几厘米,几何形状成破裂,破碎状型。
步骤S2012、基于典型落石的几何外形图像提取落石几何特征参数,根据落石几何特征参数出现的次数确定关键特征参数,关键特征参数包括典型落石的长度参数和外轮廓参数;
可以理解的是,根据上述收集的大量资料进行总结归纳找出影响岩石崩落的主要关键特征参数。
步骤S2013、截取第一特征参数中与关键特征参数相重合的重叠范围,得到第二特征参数。
可以理解的是,根据典型落石的关键特征参数从第一特征参数中的截取重合部分的数据作为第二特征参数,可以排除部分非落石或意外落石的数据干扰预测结果。基于典型落石现象,确定刻画第一岩石模型各种参数的取值范围,各参数取值范围如下:
a.岩石块体的形状:重点考虑整体块体状和薄层状。
b.岩石块体的大小:
整体块体状:长:50cm-100cm;宽:50cm-80cm;厚:20cm-60cm;
薄层状:长:30cm-60cm;宽:40cm-80cm;厚:8cm-15cm。
d.岩石块体的结构面:结构面的数量取值为、产状中的倾角为,
产状的倾向为、主控制结构面的位置设置为岩石块体内部质心处、结构面与
结构面的间距设为1/5的岩石块体最长边界长度。基于不同结构面的组合形式、最多考虑两
组不同的结构面,每组结构面的具体参数如上所述。
步骤S202、根据第二特征参数,得到第一岩石未从边坡落下前的岩石模型集合;岩石模型集合中包括至少一个第一岩石模型,每个第一岩石模型均由第二特征参数中各个元素随机组合形成的第一岩石从边坡落下前的几何模型。
可以理解的是,在本步骤中,根据第二特征参数重建第一岩石未从边坡落下前的几何模型,并将第二特征参数中的元素随机组合获得大量的第一岩石模型,所有的第一岩石模型构成岩石模型集合。例如,通过三维激光扫描技术复原第一岩石模型,该技术是一种先进的全自动高精度立体扫描技术,主要面向高精度逆向工程的三维建模与模型重构还原。该技术可以高效地采集大量地三维坐标点,将各种大型的、复杂的、不规则的实景三维数据完整地采集到电脑中,从而快速重构出目标的三维点云模型。借助三维激光扫描技术,采集当前落石表面的三维点坐标,获取第二特征参数数据的同时借助于计算机的重演过程,极大限度的重构落石原来的几何形态,特征参数之间通过不同方式的组合最终获得各种样式的第一岩石模型,进而构成岩石模型集合。根据第二特征参数,第一岩石模型的具体组合方法如下:
a.将不能用具体数据量化的参数划分为一组,命名为A组(如岩石块体的形状),能用具体数据量化的参数分为另一组,命名为B组;
b.首先根据A组将第一岩石模型的建立分为两大类:整体块状模型和薄层状模型;
c.然后根据B组内各个参数的取值范围,各抽取某一具体数值进行参数的组合,从而获得第一岩石模型。
步骤S203、根据第三特征参数,利用三维离散元方法构建边坡的虚拟分析模型。
可以理解的是,在本步骤中,根据第三特征参数通过三维离散元方法重建边坡的虚拟分析模型,三维离散元方法可以是3DEC离散元软件,也可以是MatDEM高性能离散元软件等。
步骤S204、将岩石模型集合中的各个第一岩石模型与虚拟分析模型进行随机组合,得到虚拟边坡模型集合,虚拟边坡模型集合中包括至少一个虚拟边坡模型,每个虚拟边坡模型由第一岩石模型以不同方位或不同嵌合状态嵌入虚拟分析模型中,得到的虚拟边坡模型。
可以理解的是,在本步骤中,通过3DEC离散元软件将岩石集合中的每个岩石模型与边坡的虚拟分析模型分别结合构建虚拟边坡模型,所有不同类型的虚拟边坡模型构成虚拟边坡模型集合,具体结合的方法如下:
a.选择不同的位置(由三维坐标控制,尤其是相对高度),将第一岩石模型嵌入到虚拟分析模型中;
b.选择不同的方向(结合角度),将第一岩石模型嵌入到虚拟分析模型中;
c.选择不同的嵌入深度,将第一岩石模型嵌入到虚拟分析模型中。
步骤S300、依次对每个虚拟边坡模型进行失稳状态模拟,得到第一参数,第一参数包括虚拟边坡模型中第一岩石的失稳模拟数据和第一岩石的稳定性系数;
在本步骤中,步骤S300包括步骤S301和步骤S302。
步骤S301、结合超载法或强度折减法依次对虚拟边坡模型集合中的所有虚拟边坡模型进行失稳状态模拟,获得每个虚拟边坡模型中第一岩石从边坡落下的条件。
可以理解的是,在本步骤中,采用超载法或强度折减法、迫使虚拟边坡模型产生失稳获得第一岩石从边坡落下的条件,条件可以是作用于虚拟边坡模型的外部荷载过大而发生失稳,也可以是岩土体抗剪参数逐渐降低到虚拟边坡模型发生失稳,具体条件如下:
a.超载法:将所受的外力(实际工程中多数选择自重)乘以一个常数,使得虚拟边坡模型达到临界稳定状态,至此只要外力稍微增加一点,第一岩石就可能发生失稳,滑落的现象;
步骤S302、将第一岩石从边坡落下的条件与预设的稳定性系数表进行对比,得到每个虚拟边坡模型中的第一岩石的稳定性系数。
可以理解的是,在本步骤中,设采用稳定性系数指标量化评价第一岩石的稳定性,第一岩石的几何特征、物理、力学参数和荷载条件决定了其安全稳定性。首先考虑在第一岩石自重(无超荷载)作用下,采用结构面强度折减法,评价第一岩石的稳定性;然后考虑在超荷载作用下,采用第一岩石复原后的结构面抗剪强度值,评价第一岩石的稳定性;其次考虑在超荷载和结构面强度减小的共同作用下,权衡两种方法来评价岩石块体的稳定性;在三种情况下分别进行失稳状态模拟并获得失稳条件,再按照失稳条件逐一与预设的稳定性系数表进行对比,当三个失稳条件均满足时其所对应的系数即为第一岩石的稳定性系数。
步骤S400、根据第一参数和第一特征参数训练神经网络模型,得到训练后的神经网络模型;
可以理解的是,根据第一参数和第一特征参数训练神经网络模型,神经网络模型为BP神经网络。在本步骤中,步骤S400包括步骤S401、步骤S402和步骤S401。
步骤S401、获取与第一岩石的稳定性系数相对应的第一岩石的失稳模拟数据和第一岩石模型,并建立一一对应的映射关系。可以理解的是,在本步骤中,建立第一岩石的失稳模拟数据、第一岩石模型和第一岩石的稳定性系数的数据对映射关系。
步骤S402、基于映射关系,建立第一岩石的稳定性系数、第一岩石的失稳模拟数据和第一岩石模型的样本集。
可以理解的是,在本步骤中,根据第一岩石模型的特征参数包括几何大小(如长度、宽度、厚度)、裂隙形态(裂隙角度、裂隙长度、裂隙深度)、结构面形态(结构面的数量、结构面的倾角和倾向、主控制结构面的位置、结构面与结构面间的间距)。第一岩石的失稳模拟数据包括第一岩石的物理、力学参数,例如第一岩石的天然重度,石体的内摩擦角、粘聚力、体积模量,石体法向、切向的刚度,以及石体内结构面的抗剪强度及抗拉强度。将上述参数以及上述参数所对应的第一岩石稳定性系数形成一个样本,所有样本构成样本集。
步骤S403、将样本集按照预设比例划分为训练集和测试集,利用训练集和测试集对神经网络进行训练,得到训练后的神经网络模型,将第一岩石的失稳模拟数据和第一岩石模型作为神经网络的输入,将第一岩石的稳定性系数作为神经网络的输出。
可以理解的是,在本步骤中,将样本集按照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。
步骤S500、根据第三特征参数,得到第二参数,第二参数包括第二岩石模型和第四特征参数,第二岩石模型为未从边坡落下的第二岩石的几何模型,第四特征参数为第二岩石的坡外块体的特征参数。
可以理解的是,在本步骤中,通过三维激光扫描技术以及地质勘测技术对实地边坡的进行扫描,获取边坡上还未落下的第二岩石,并获取第二岩石裸露在边坡外的坡外块体的第四特征参数,第四特征参数包括坡外块体的三维空间数据、几何大小、坡外块体裂隙形态参数、外块体结构面形态参数、坡外块体的天然重度、坡外块体的抗剪强度、坡外块体的法向及切向刚度、坡外块体的体积模量等。
步骤S600、将第二参数输入训练后的神经网络模型,得到第二岩石的稳定性系数。
步骤S700包括步骤S701、步骤S702、步骤S703和步骤S704。
步骤S701、基于第四特征参数,得到第二岩石的坡外块体部分的位置高度、体积和岩石密度。
可以理解的是,根据第四特征参数可直接获得第二岩石的坡外块体部分的位置高度和岩石密度,根据第四特征参数构建坡外块体部分的模型,计算可获得第二岩石的坡外块体部分的体积。
步骤S702、基于第二岩石的坡外块体部分的位置高度、体积和岩石密度,分别得到第二岩石的坡外块体部分的重力势能和方量乘积值,方量乘积值为岩石密度、体积和重力加速度的乘积。
可以理解的是,在本步骤中,坡外块体部分的重力势能为体积、岩石密度和高度位置以及重力加速度的乘机,高度位置是第二岩石的坡外块体相对于边坡底部之间的高度距离。
步骤S703、基于重力势能、方量乘积值和第二岩石的稳定性系数,得到第三参数。
步骤S704、将第三参数与预设的安全等级表进行对比,得到第二岩石的预警等级。
可以理解的是,在本步骤中,根据第二岩石的坡外块体的预警等级采用安全等级
制来具体表示。其中第一、二、三级安全等级都是较为安全的情况;四级安全等级的块体就
存在一定的安全隐患,需要考虑对边坡进行一定的加固处理;当安全等级为五级时,第二岩
石的坡外块体就会处于比较危险的状况;当安全等级为六级时,第二岩石的坡外块体就有
可能造成极大的安全危害,需要及时进行处理,具体安全等级划分标准,如表1-表4所示,这
里只展示部分安全等级表,表中的K为稳定性系数,V为方量乘积值、为重力势能。
表1安全等级表1
如表1所示,当第二岩石的破外块体可能发生崩落的方量为V≥0.2m³、重力势能为的情况下,对比安全等级表1进行安全等级划分,即在这种情况下,安全系数K
≥1.3则为三级安全等级,1.2≤K<1.3则为四级安全等级,依次类推。
表2安全等级表2
如表2所示,当第二岩石的破外块体可能发生崩落的方量为V≥0.2m³、重力势能为的情况下,对比安全等级表2进行安全等级划分,即在这种情况下,安全系数K≥
1.3则为二级安全等级,1.2≤K<1.3则为三级安全等级,依次类推。
表3安全等级表3
如表3所示,当第二岩石的破外块体可能发生崩落的方量为V<0.2m³、重力势能为的情况下,对比安全等级表3进行安全等级划分,即在这种情况下,安全系数K≥
1.3则为二级安全等级,1.2≤K<1.3则为三级安全等级,依次类推。
表4安全等级表4
如表4所示,当第二岩石的破外块体可能发生崩落的方量为V<0.2m³、重力势能为的情况下,对比安全等级表4进行安全等级划分,即在这种情况下,安全系数K
≥1.3则为一级安全等级,1.2≤K<1.3则为二级安全等级,依次类推。
实施例2:
如图2所示,本实施例提供了一种边坡危石预警装置,包括第一获取模块901、第一构建模块902、第一计算模块903、训练模块904、第二计算模块905和第三计算模块906,其中:
第一获取模块901:用于获取第一特征参数和第三特征参数,第一特征参数为已从待预警区域内的边坡落下的第一岩石的特征参数,第三特征参数为边坡的特征参数;
优选地,第一获取模块901包括第一数据处理单元9011、第一建模单元9012、第二建模单元9013和第三建模单元9014,其中:
第一数据处理单元9011:用于根据第一特征参数,得到第二特征参数,第二特征参数为第一岩石从边坡落下前的特征参数;
优选地,第一数据处理单元9011包括第二获取模块90111、第一提取模块90112和第二提取模块90113,其中:
第二获取模块90111:用于获取至少两个实际工程中典型落石的几何外形图像;
第一提取模块90112:用于基于典型落石的几何外形图像提取落石几何特征参数,根据落石几何特征参数出现的次数确定关键特征参数,关键特征参数包括典型落石的长度参数和外轮廓参数;
第二提取模块90113:用于截取第一特征参数中与关键特征参数相重合的重叠范围,得到第二特征参数。
第一建模单元9012:用于根据第二特征参数,得到第一岩石未从边坡落下前的岩石模型集合;岩石模型集合中包括至少一个第一岩石模型,每个第一岩石模型均由第二特征参数中各个元素随机组合形成的第一岩石从边坡落下前的几何模型;
第二建模单元9013:用于根据第三特征参数,利用三维离散元方法构建边坡的虚拟分析模型;
第三建模单元9014:用于将岩石模型集合中的各个第一岩石模型与虚拟分析模型进行随机组合,得到虚拟边坡模型集合,虚拟边坡模型集合中包括至少一个虚拟边坡模型,每个虚拟边坡模型由第一岩石模型以不同方位或不同嵌合状态嵌入虚拟分析模型中,得到的虚拟边坡模型。
第一构建模块902:用于根据第一特征参数和第三特征参数,构建虚拟边坡模型集合,虚拟边坡模型集合中包括至少一个虚拟边坡模型,每个虚拟边坡模型为第一岩石未从边坡落下前边坡的几何模型;
第一计算模块903:用于依次对每个虚拟边坡模型进行失稳状态模拟,得到第一参数,第一参数包括虚拟边坡模型中第一岩石的失稳模拟数据和第一岩石的稳定性系数;
优选地,第一计算模块903,包括模拟单元9031和第二数据处理单元9032,其中:
模拟单元9031:用于结合超载法或强度折减法依次对虚拟边坡模型集合中的所有虚拟边坡模型进行失稳状态模拟,获得每个虚拟边坡模型中第一岩石从边坡落下的条件;
第二数据处理单元9032:用于将第一岩石从边坡落下的条件与预设的稳定性系数表进行对比,得到每个虚拟边坡模型中的第一岩石的稳定性系数。
训练模块904:用于根据第一参数和第一特征参数训练神经网络模型,得到训练后的神经网络模型;
优选地,训练模块904,包括映射单元9041、样本集单元9042和训练单元9043,其中:
映射单元9041:用于获取与第一岩石的稳定性系数相对应的第一岩石的失稳模拟数据和第一岩石模型,并建立一一对应的映射关系;
样本集单元9042:用于基于映射关系,建立第一岩石的稳定性系数、第一岩石的失稳模拟数据和第一岩石模型样本集;
训练单元9043:用于将样本集按照预设比例划分为训练集和测试集,利用训练集和测试集对神经网络进行训练,得到训练后的神经网络模型,将第一岩石的失稳模拟数据和第一岩石模型作为神经网络的输入,将第一岩石的稳定性系数作为神经网络的输出。
第二计算模块905:用于根据第三特征参数,得到第二参数,第二参数包括第二岩石模型和第四特征参数,第二岩石模型为未从边坡落下的第二岩石的几何模型,第四特征参数为第二岩石的坡外块体的特征参数;
第三计算模块906:用于将第二参数输入训练后的神经网络模型,得到第二岩石的稳定性系数。
等级预测单元907:等级预测单元907包括第三数据处理单元9071、第四数据处理单元9072、第五数据处理单元9073和第六数据处理单元9074,其中:
第三数据处理单元9071:用于基于第四特征参数,得到第二岩石的坡外块体部分的位置高度、体积和岩石密度;
第四数据处理单元9072:用于基于第二岩石的坡外块体部分的位置高度、体积和岩石密度,分别得到第二岩石的坡外块体部分的重力势能和方量乘积值,方量乘积值为岩石密度、体积和重力加速度的乘积;
第五数据处理单元9073:用于基于重力势能、方量乘积值和第二岩石的稳定性系数,得到第三参数;
第六数据处理单元9074:用于将第三参数与预设的安全等级表进行对比,得到第二岩石的预警等级。
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,本实施例中还提供了一种边坡危石预警设备800,下文描述的一种边坡危石预警设备800与上文描述的一种危石预警方法、装置、设备及可读存储介质可相互对应参照。
图3是根据示例性实施例示出的一种边坡危石预警设备800的结构示意图。如图3所示,该边坡危石预警设备800可以包括:处理器801,存储器802。该边坡危石预警设备800还可以包括多媒体组件803,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用于控制该边坡危石预警设备800的整体操作,以完成上述的危石预警方法、装置、设备及可读存储介质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危石预警设备800的操作,这些数据例如可以包括用于在该边坡危石预警设备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(StaticRandom AccessMemory,简称SRAM),电可擦除可编程只读存储器(Electrically Erasable ProgrammableRead-Only Memory,简称EEPROM),可擦除可编程只读存储器(Erasable ProgrammableRead-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用于该边坡危石预警设备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 Field Communication,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,边坡危石预警设备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 Processing Device,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,用于执行上述的危石预警方法、装置、设备及可读存储介质。
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危石预警方法、装置、设备及可读存储介质的步骤。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,上述程序指令可由边坡危石预警设备800的处理器801执行以完成上述的危石预警方法、装置、设备及可读存储介质。
实施例4:
相应于上面的方法实施例,本实施例中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危石预警方法、装置、设备及可读存储介质可相互对应参照。
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危石预警方法、装置、设备及可读存储介质的步骤。
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。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种边坡危石预警方法,其特征在于,包括:
获取第一特征参数和第三特征参数,所述第一特征参数为已从待预警区域内的边坡落下的第一岩石的特征参数,所述第三特征参数为所述边坡的特征参数;
根据所述第一特征参数和所述第三特征参数,构建虚拟边坡模型集合,所述虚拟边坡模型集合中包括至少一个虚拟边坡模型,每个所述虚拟边坡模型为所述第一岩石未从所述边坡落下前所述边坡的几何模型;
依次对每个所述虚拟边坡模型进行失稳状态模拟,得到第一参数,所述第一参数包括所述虚拟边坡模型中所述第一岩石的失稳模拟数据和所述第一岩石的稳定性系数;
根据所述第一参数和所述第一特征参数训练神经网络模型,得到训练后的神经网络模型;
根据所述第三特征参数,得到第二参数,所述第二参数包括第二岩石模型和第四特征参数,所述第二岩石模型为未从所述边坡落下的第二岩石的几何模型,所述第四特征参数为所述第二岩石的坡外块体的特征参数;
将所述第二参数输入所述训练后的神经网络模型,得到所述第二岩石的稳定性系数;
得到所述第二岩石的稳定性系数之后,还包括:
基于所述第四特征参数,得到所述第二岩石的坡外块体部分的位置高度、体积和岩石密度;
基于所述第二岩石的坡外块体部分的位置高度、体积和岩石密度,分别得到所述第二岩石的坡外块体部分的重力势能和方量乘积值,所述方量乘积值为所述密度、所述体积和重力加速度的乘积;
基于所述重力势能、所述方量乘积值和所述第二岩石的稳定性系数,得到第三参数;
将所述第三参数与预设的安全等级表进行对比,得到所述第二岩石的预警等级;
其中,依次对每个所述虚拟边坡模型进行失稳状态模拟,得到第一参数包括:结合超载法或强度折减法依次对所述虚拟边坡模型集合中的所有虚拟边坡模型进行失稳状态模拟,获得每个所述虚拟边坡模型中所述第一岩石从所述边坡落下的条件;
将所述第一岩石从所述边坡落下的条件与预设的稳定性系数表进行对比,得到每个所述虚拟边坡模型中的所述第一岩石的稳定性系数。
2.根据权利要求1所述的边坡危石预警方法,其特征在于,根据所述第一特征参数和所述第三特征参数,构建虚拟边坡模型集合,包括:
根据所述第一特征参数,得到第二特征参数,所述第二特征参数为所述第一岩石从所述边坡落下前的特征参数;
根据所述第二特征参数,得到所述第一岩石未从所述边坡落下前的岩石模型集合;所述岩石模型集合中包括至少一个第一岩石模型,每个所述第一岩石模型均由所述第二特征参数中各个元素随机组合形成的所述第一岩石从所述边坡落下前的几何模型;
根据所述第三特征参数,利用三维离散元方法构建所述边坡的虚拟分析模型;
将所述岩石模型集合中的各个所述第一岩石模型与所述虚拟分析模型进行随机组合,得到虚拟边坡模型集合,所述虚拟边坡模型集合中包括至少一个虚拟边坡模型,每个所述虚拟边坡模型由所述第一岩石模型以不同方位或不同嵌合状态嵌入所述虚拟分析模型中,得到的虚拟边坡模型。
3.根据权利要求2所述的边坡危石预警方法,其特征在于,根据所述第一特征参数,得到第二特征参数,包括:
获取至少两个实际工程中典型落石的几何外形图像;
基于所述典型落石的几何外形图像提取落石几何特征参数,根据所述落石几何特征参数出现的次数确定关键特征参数,所述关键特征参数包括所述典型落石的长度参数和外轮廓参数;
截取所述第一特征参数中与所述关键特征参数相重合的重叠范围,得到所述第二特征参数。
4.根据权利要求2所述的边坡危石预警方法,其特征在于,根据所述第一参数和所述第一特征参数训练神经网络模型,得到训练后的神经网络模型,包括:
获取与所述第一岩石的稳定性系数相对应的所述第一岩石的失稳模拟数据和所述第一岩石模型,并建立一一对应的映射关系;
基于所述映射关系,建立所述第一岩石的稳定性系数、所述第一岩石的失稳模拟数据和所述第一岩石模型数据的样本集;
将所述样本集按照预设比例划分为训练集和测试集,利用所述训练集和所述测试集对所述神经网络进行训练,得到训练后的神经网络模型,将所述第一岩石的失稳模拟数据和所述第一岩石模型作为所述神经网络的输入,将所述第一岩石的稳定性系数作为所述神经网络的输出。
5.一种边坡危石预警装置,其特征在于,包括:
第一获取模块:用于获取第一特征参数和第三特征参数,所述第一特征参数为已从待预警区域内的边坡落下的第一岩石的特征参数,所述第三特征参数为所述边坡的特征参数;
第一构建模块:用于根据所述第一特征参数和所述第三特征参数,构建虚拟边坡模型集合,所述虚拟边坡模型集合中包括至少一个虚拟边坡模型,每个所述虚拟边坡模型为所述第一岩石未从所述边坡落下前所述边坡的几何模型;
第一计算模块:用于依次对每个所述虚拟边坡模型进行失稳状态模拟,得到第一参数,所述第一参数包括所述虚拟边坡模型中所述第一岩石的失稳模拟数据和所述第一岩石的稳定性系数;
训练模块:用于根据所述第一参数和所述第一特征参数训练神经网络模型,得到训练后的神经网络模型;
第二计算模块:用于根据所述第三特征参数,得到第二参数,所述第二参数包括第二岩石模型和第四特征参数,所述第二岩石模型为未从所述边坡落下的第二岩石的几何模型,所述第四特征参数为所述第二岩石的坡外块体的特征参数;
第三计算模块:用于将所述第二参数输入所述训练后的神经网络模型,得到所述第二岩石的稳定性系数;
所述边坡危石预警装置还包括等级预测单元,所述等级预测单元包括:
第三数据处理单元:用于基于所述第四特征参数,得到所述第二岩石的坡外块体部分的位置高度、体积和岩石密度;
第四数据处理单元:用于基于所述第二岩石的坡外块体部分的位置高度、体积和岩石密度,分别得到所述第二岩石的坡外块体部分的重力势能和方量乘积值,所述方量乘积值为所述密度、所述体积和重力加速度的乘积;
第五数据处理单元:用于基于所述重力势能、所述方量乘积值和所述第二岩石的稳定性系数,得到第三参数;
第六数据处理单元:用于将所述第三参数与预设的安全等级表进行对比,得到所述第二岩石的预警等级;
其中,所述第一计算模块包括:
模拟单元:用于结合超载法或强度折减法依次对所述虚拟边坡模型集合中的所有虚拟边坡模型进行失稳状态模拟,获得每个所述虚拟边坡模型中所述第一岩石从所述边坡落下的条件;
第二数据处理单元:用于将所述第一岩石从所述边坡落下的条件与预设的稳定性系数表进行对比,得到每个所述虚拟边坡模型中的所述第一岩石的稳定性系数。
6.根据权利要求5所述的边坡危石预警装置,其特征在于,所述第一获取模块,包括:
第一数据处理单元:用于根据所述第一特征参数,得到第二特征参数,所述第二特征参数为所述第一岩石从所述边坡落下前的特征参数;
第一建模单元:用于根据所述第二特征参数,得到所述第一岩石未从所述边坡落下前的岩石模型集合;所述岩石模型集合中包括至少一个第一岩石模型,每个所述第一岩石模型均由所述第二特征参数中各个元素随机组合形成的所述第一岩石从所述边坡落下前的几何模型;
第二建模单元:用于根据所述第三特征参数,利用三维离散元方法构建所述边坡的虚拟分析模型;
第三建模单元:用于将所述岩石模型集合中的各个所述第一岩石模型与所述虚拟分析模型进行随机组合,得到虚拟边坡模型集合,所述虚拟边坡模型集合中包括至少一个虚拟边坡模型,每个所述虚拟边坡模型由所述第一岩石模型以不同方位或不同嵌合状态嵌入所述虚拟分析模型中,得到的虚拟边坡模型。
7.根据权利要求6所述的边坡危石预警装置,其特征在于,所述第一数据处理单元,包括:
第二获取模块:用于获取至少两个实际工程中典型落石的几何外形图像;
第一提取模块:用于基于所述典型落石的几何外形图像提取落石几何特征参数,根据所述落石几何特征参数出现的次数确定关键特征参数,所述关键特征参数包括所述典型落石的长度参数和外轮廓参数;
第二提取模块:用于截取所述第一特征参数中与所述关键特征参数相重合的重叠范围,得到所述第二特征参数。
8.根据权利要求6所述的边坡危石预警装置,其特征在于,所述训练模块,包括:
映射单元:用于获取与所述第一岩石的稳定性系数相对应的所述第一岩石的失稳模拟数据和所述第一岩石模型,并建立一一对应的映射关系;
样本集单元:用于基于所述映射关系,建立所述第一岩石的稳定性系数、所述第一岩石的失稳模拟数据和所述第一岩石模型的样本集;
训练单元:用于将所述样本集按照预设比例划分为训练集和测试集,利用所述训练集和所述测试集对所述神经网络进行训练,得到训练后的神经网络模型,将所述第一岩石的失稳模拟数据和所述第一岩石模型作为所述神经网络的输入,将所述第一岩石的稳定性系数作为所述神经网络的输出。
9.一种边坡危石预警设备,其特征在于,包括:
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如权利要求1至4任一项所述的边坡危石预警方法的步骤。
10.一种可读存储介质,其特征在于: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如权利要求1至4任一项所述的边坡危石预警方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210135690.6A CN114330144B (zh) | 2022-02-15 | 2022-02-15 | 一种边坡危石预警方法、装置、设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210135690.6A CN114330144B (zh) | 2022-02-15 | 2022-02-15 | 一种边坡危石预警方法、装置、设备及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114330144A CN114330144A (zh) | 2022-04-12 |
CN114330144B true CN114330144B (zh) | 2022-05-20 |
Family
ID=81030771
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210135690.6A Active CN114330144B (zh) | 2022-02-15 | 2022-02-15 | 一种边坡危石预警方法、装置、设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114330144B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115217045A (zh) * | 2022-07-11 | 2022-10-21 | 华北水利水电大学 | 一种高铁高边坡危石主动防护、动态监测及处治方法 |
CN115048884B (zh) * | 2022-08-16 | 2023-02-28 | 武九铁路客运专线湖北有限责任公司 | 一种渗流应力耦合作用下岩石损伤破裂数据化记录方法 |
CN115329679B (zh) * | 2022-10-12 | 2023-03-24 | 西南交通大学 | 基覆型边坡破裂面预警的方法、装置、设备及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110489826A (zh) * | 2019-07-30 | 2019-11-22 | 石家庄铁道大学 | 岩体边坡安全系数计算方法、装置及终端设备 |
CN112668244A (zh) * | 2021-01-06 | 2021-04-16 | 西南交通大学 | 边坡地震稳定性预测方法、装置、设备及可读存储介质 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105139585B (zh) * | 2015-07-29 | 2017-11-07 | 同济大学 | 一种土质边坡险情智能预警预报方法 |
CN108229726A (zh) * | 2017-12-15 | 2018-06-29 | 同济大学 | 一种碎块石边坡灾变险情预警预报方法 |
CN110232419A (zh) * | 2019-06-20 | 2019-09-13 | 东北大学 | 一种边坡岩石类别自动识别的方法 |
CN110779795B (zh) * | 2019-11-04 | 2022-05-10 | 中国地质大学(武汉) | 裂缝性储层地质力学建模网格单元大小确定方法 |
CN113076653B (zh) * | 2021-04-16 | 2022-10-11 | 四川大学 | 一种考虑尺寸效应的危岩体爆破动力稳定分析方法 |
CN113111595B (zh) * | 2021-06-15 | 2021-08-31 | 西南交通大学 | 一种边坡智能预警方法和装置 |
CN114021487B (zh) * | 2022-01-10 | 2022-03-25 | 西南交通大学 | 一种山坡崩塌的预警方法、装置、设备及可读存储介质 |
-
2022
- 2022-02-15 CN CN202210135690.6A patent/CN114330144B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110489826A (zh) * | 2019-07-30 | 2019-11-22 | 石家庄铁道大学 | 岩体边坡安全系数计算方法、装置及终端设备 |
CN112668244A (zh) * | 2021-01-06 | 2021-04-16 | 西南交通大学 | 边坡地震稳定性预测方法、装置、设备及可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN114330144A (zh) | 2022-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114330144B (zh) | 一种边坡危石预警方法、装置、设备及可读存储介质 | |
CN114021487B (zh) | 一种山坡崩塌的预警方法、装置、设备及可读存储介质 | |
Rogers et al. | Volumetric fracture intensity measurement for improved rock mass characterisation and fragmentation assessment in block caving operations | |
CN115116202B (zh) | 一种滑坡灾害预警方法、装置、设备及可读存储介质 | |
Marzorati et al. | Rock falls induced by earthquakes: a statistical approach | |
KR101642951B1 (ko) | Gis 기반 실시간 지진피해 예측 방법 | |
CN110210776B (zh) | 一种基于监控量测的隧道施工动态风险评估方法 | |
CN113111595B (zh) | 一种边坡智能预警方法和装置 | |
Pérez-Rey et al. | Failure mechanisms and stability analyses of granitic boulders focusing a case study in Galicia (Spain) | |
CN115329679B (zh) | 基覆型边坡破裂面预警的方法、装置、设备及存储介质 | |
CN109209505B (zh) | 土石混合体隧道三维数字信息管理系统构建方法 | |
Carpinteri et al. | Morphological fractal dimension versus power-law exponent in the scaling of damaged media | |
CN106295040A (zh) | 滑坡灾害监测预警地表测斜仪阈值判定方法 | |
Budetta et al. | Wedge failure hazard assessment by means of a probabilistic approach for an unstable sea-cliff | |
Lupogo | Characterization of blast damage in rock slopes: an integrated field-numerical modeling approach | |
CN112904421A (zh) | 微震监测/声发射破裂源能量耗散状态与趋势的预警方法 | |
CN117540476A (zh) | 极硬岩隧道结构面及其不利组合空间分布预测方法及系统 | |
CN107507179A (zh) | 基于gocad的岩土体量化分析方法 | |
Bandpey et al. | Validation of 3D discrete fracture network model focusing on areal sampling methods-a case study on the powerhouse cavern of Rudbar Lorestan pumped storage power plant, Iran | |
Sellmeier | Quantitative Parameterization and 3D‐run‐out Modelling of Rockfalls at Steep Limestone Cliffs in the Bavarian Alps | |
Palleske | A study of biases, assumptions and practical consideration for the use of discrete fracture networks in geomechanical practice | |
He et al. | Reliable stability analysis of surrounding rock for super section tunnel based on digital characteristics of joint information | |
Liu | Characterisation of block cave mining secondary fragmentation | |
Jianbo et al. | Research on evaluation model of rock failure integrity under complex geological conditions in karst area | |
Becerra et al. | Groundwater characterization and modelling in natural and open pit rock slopes |
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 |