CN114548482A - 一种基于蠕变型滑坡动能变化率临滑预警方法 - Google Patents

一种基于蠕变型滑坡动能变化率临滑预警方法 Download PDF

Info

Publication number
CN114548482A
CN114548482A CN202111606875.2A CN202111606875A CN114548482A CN 114548482 A CN114548482 A CN 114548482A CN 202111606875 A CN202111606875 A CN 202111606875A CN 114548482 A CN114548482 A CN 114548482A
Authority
CN
China
Prior art keywords
data
kinetic energy
change rate
formula
energy change
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.)
Pending
Application number
CN202111606875.2A
Other languages
English (en)
Inventor
吴红刚
袁中夏
陈浩
廖小平
李永强
周威扬
张俊德
牌立芳
陈康帅
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.)
Lanzhou University of Technology
Northwest Research Institute Co Ltd of CREC
Original Assignee
Lanzhou University of Technology
Northwest Research Institute Co Ltd of CREC
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 Lanzhou University of Technology, Northwest Research Institute Co Ltd of CREC filed Critical Lanzhou University of Technology
Priority to CN202111606875.2A priority Critical patent/CN114548482A/zh
Publication of CN114548482A publication Critical patent/CN114548482A/zh
Pending legal-status Critical Current

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
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • 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
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/02—Alarms for ensuring the safety of persons
    • G08B21/10—Alarms for ensuring the safety of persons responsive to calamitous events, e.g. tornados or earthquakes
    • 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
    • Y02A50/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE in human health protection, e.g. against extreme weather

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • General Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Game Theory and Decision Science (AREA)
  • Educational Administration (AREA)
  • Operations Research (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Environmental & Geological Engineering (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Geology (AREA)
  • Emergency Management (AREA)
  • Health & Medical Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于蠕变型滑坡动能变化率临滑预警方法，涉及滑坡预警技术领域，解决现有滑坡预警不准确的问题，通过采集与滑坡相关的多源数据，构建基于动能变化率的循环神经网络LSTM模型；再对采集的多源数据降噪，然后运用GRA方法对降噪后的多源数据进行关联度分析，提取重要影响因素，使数据降维并更新数据集，最后将初始循环神经网络LSTM模型数据集的前70％数据作为训练集，其余数据作为测试集，对训练集运用GA算法通过基因编码不断优化初始循环神经网络LSTM模型的权值和阈值，再通过输入测试集进行验证，输出动能变化率预测结果；本发明提升了基于动能变化率的预警指标预测准确度。

Description

一种基于蠕变型滑坡动能变化率临滑预警方法
技术领域
本发明涉及滑坡预警技术领域，更具体的是涉及一种基于蠕变型滑坡动能变化率临滑预警方法技术领域。
背景技术
滑坡是指斜坡上的土体或者岩体，受河流冲刷、地下水活动、雨水浸泡、地震及工程扰动等因素影响，在重力作用下，沿着一定的软弱面或者软弱带，整体地或者分散地顺坡向下滑动的自然现象，具有突发性强、分布广、破坏性巨大的特点；采取有效的监测预警方法对滑坡进行监测是十分迫切和必要的。
在滑坡监测预警方法上，常用的方法有限元软件建模分析和人工智能监测预警等；有限元软件建模分析：一方面所需的地质勘探资料要求详细，对于人力、物力、财力的消耗很大，另一方面软件内的计算公式是固定的所计算出的结果贴近于理想状态，不能充分考虑现场实时变化的状况。人工智能方法：人工智能监测预警普遍采用了机器学习中的常用算法(如SVM、BP神经网络、随机森林等)，而随着深度学习的出现，越来越多的深度学习算法(如LSTM、RNN、 CNN、GRU等)也被引入到滑坡监测预警中，但与深度学习相关的现有发明专利都是比较粗放：
1)不选定滑坡类型进行预测；滑坡的常见类型有渐变型、突变型和蠕变型，而最常见的滑坡是蠕变型。蠕变型滑坡是有明显的阶段特征，如果将人工智能方法作为滑坡的普适性预警方法，容易造成阶段判别错误、特征捕捉不准确的问题；
2)选定滑坡类型但不选定滑坡演化的某个阶段进行预测；滑坡演化是分阶段的，包括了初始变形阶段、等速变形阶段、加速变形阶段、临滑阶段，如果不选定滑坡所处的阶段进行人工智能分析，则滑坡监测预警的数据分析将始终停留在该阶段的预测，容易导致人工智能的滑坡预警分析变成无用预测；
3)滑坡预警指标基本一致，缺乏创新；现有的滑坡预警发明专利所选用的预警指标以坡体位移和降雨量为主，而各类人工智能预警的发明专利都在围绕着怎么更加准确对这些指标进行预测，由于这些预警指标本身代表性有限，所以同样会造成滑坡预警不准确。
各类人工智能监测预警方法存在的缺点：
缺乏数据预处理：现场实际采集的数据存在很多的噪声，而数据预处理也是人工智能的重要一环，但很多的发明专利并没有提及或者展示数据预处理的方法。
目前，常用的人工智能监测预警方法主要有以下这些：
RBF神经网络：具有较强的聚类能力，能较好地处理复杂事物和大量数据，但其本质是一个静态网络不能用于滑坡的动态监测；
SVM：有着很好的分类能力，但应用在滑坡预警时更适合于模式判别，不能实现精准的动态预警；
k-means：需要预先设定聚类数目K，不适用于大规模数据，容易陷入局部最优、聚类停滞等问题；
BP神经网络：可以解决非线性问题，但其在训练过程中，容易陷入局部极小，收敛速度慢，对训练样本具有很强的依赖性；
RNN：基本的循环神经网络，将上一时刻的输出作为下一刻的输入，考虑了时间序列的关联性，数据的遗忘速度快；
LSTM：一种特殊的循环神经网络，能够解决长时间序列的依赖问题，精度高但计算复杂；
GRU：一种特殊的循环神经网络，不加选择的使用细胞状态，简化了计算，但是过往时间序列的信息约束导致新信息的提取越来越少；
神经网络优化：由于各类神经网络都存在着各自的短板，所以部分专利采用了其余辅助方法上述几种方法进行优化；
因此，围绕模型自身的短板，本申请根据自身的需求引入新的方法对模型进行优化，形成组合式人工智能监测预警方法，以提高预测精度。
发明内容
本发明的目的在于：解决现有预警针对阶段性不强，容易造成阶段判别错误，特征捕捉、滑坡预警不准确的技术问题，本发明提供一种基于蠕变型滑坡动能变化率临滑预警方法。
本发明采用的技术方案如下：一种基于蠕变型滑坡动能变化率临滑预警方法，其特征在于，包括如下步骤：
步骤一、数据采集：采集与滑坡相关的多源数据，构建基于动能变化率的循环神经网络LSTM模型；
步骤二、数据预处理：对步骤一采集的多源数据，基于最小二乘法，运用双指针法调节滑动窗口进行高阶多项式拟合，实现多源数据降噪处理；
步骤三、关联性分析：运用GRA方法对降噪后的多源数据进行关联度分析，设定关联度阈值，提取重要影响因素，进行数据降维并更新数据集，得初始循环神经网络LSTM模型；
步骤四、优化初始循环神经网络LSTM模型：将初始循环神经网络LSTM模型数据集的前70％数据作为训练集，其余数据作为测试集，对训练集运用GA算法通过基因编码不断优化初始循环神经网络LSTM模型的权值和阈值，再通过输入测试集进行验证，输出动能变化率预测结果。
其中，LSTM(长短记忆模型)是一种特殊的循环神经网络，能够解决长序列训练过程中的梯度消失和梯度爆炸问题，适用于与时间序列相关的数据预测，具有长期记忆能力，并能自动提取有效数据信息作为下一项结果的输出，有着更高的预测能力；GRA(灰色关联性分析)是确定分析序列，对变量进行预处理，计算子序列与母序列的关联系数，计算子序列与母序列的灰色关联度；GA(遗传算法)是一种群初始化，将权值和阈值用二进制编码组合起来，组成一个个体编码，具体包括适应度函数：将预测值与期望值的误差矩阵的函数的范数作为目标函数的输出；算子交叉：采用单点交叉算子，在随机选择的位置点上进行分割并交换右侧的部分，从而得到两个不同的子染色体；变异算子：设定概率产生变异基因数，用随机方法选出变异基因，所选基因编码为1则变为0，反之变为1，通过以上的变化，产生新的个体编码，重新循环直至满足终止条件，进行解码，得到最优权值和阈值，更新得到最优LSTM模型，将数据输入 LSTM模型进行动能变化率预测。
步骤一所述的数据采集，具体操作步骤如下：
1)通过深孔钻探获取钻孔的深部累计位移，选择钻孔内部及其周边10米范围内的土体，钻孔自上而下按照位移传感器布设间隔将监测孔等分成n段，采用动能修订公式计算测孔动能(E)及动能变化率
Figure BDA0003432361070000044
动能修订公式如下：
Figure BDA0003432361070000041
式中，mi为第i段圆柱体的质量；v1i和v2i分别为第i段圆柱体的上、下端速度；vci为第i段圆柱体的质心速度；li为第i段圆柱体的长量；Jc为第i段圆柱体的转动惯量，通过下式可计算得到：
Figure BDA0003432361070000042
式中，R为监测孔周围土体的直径；
动能变化率计算公式：
Figure BDA0003432361070000043
式中，t为时间；
2)构建基于动能变化率的循环神经网络LSTM模型。
步骤二所述数据预处理，具体操作过程如下：
采用双指针算法，用i,j表示滑动窗口的左边界和右边界，通过改变i,j 来扩展和收缩滑动窗口，这个滑动窗口的长度j-i+1，对窗口内的数据进行高阶多项式拟合；假设任意时刻的预测值xt，用式(1)表示：
xt＝a0+a1*t+a2*t2+…+ak-1*tk-1+εt (1)
式(1)中，ai为常数，t为任意时刻,εt为修正值；
则对于前后时刻的预测值，同样采用式(1)计算，一共可得到2n+1个式
Figure BDA0003432361070000051
将式(2)简化表示为式(3)：
X(2n+1)×1＝T(2n+1)×k×Ak×1+E(2n+1)×1 (3)
式(3)中，T(2n+1)×k为时间矩阵；Ak×1为系数矩阵；E(2n+1)×1为修正值矩阵；
采用最小二乘法，如式(4)所示：
Figure BDA0003432361070000052
式(4)中，(Li(x)(i＝1,2,…m))为残差函数；f(xi,wi)为理论函数；wi为待定参数；
通过最小二乘法运算，可以求解Ak-1的解为：
A＝(Ttrans.T)-1.Ttrans.X
其中上标trans表示转置，故模型的滤值(P)为：
P＝T.A＝T.(Ttrans.T)-1.Ttrans.X＝B.X
最终可以得到滤波值和观测值之间的关系矩阵(B)：
B＝T.(Ttrans.T)-1.Ttrans
求得关系矩阵B后，即可将观测值转化为滤波值，完成数据降噪。
步骤三所述关联性分析，具体分析步骤如下：
1)确定分析序列：将不同时刻的动能变化率数据作为母序列，其余各类致灾因子在不同时刻的数据分别作为子序列1、子序列2…子序列n；
2)变量预处理：求出每个序列的均值，再将序列中的每个元素除以对应序列的均值，由此去量纲缩小变量范围简化计算；
3)计算子序列与母序列的关联系数：
母序列：X0＝(X0(1),X0(2)…X0(n))T，式中，X0(i)：不同时刻的动能变化率；
子序列：
Figure BDA0003432361070000061
式中，Xi(j)某类致灾因子不同时刻的数据信息；
记a＝minimink|x0(k)-xi(k)|为两极最小差；记b＝maximaxk|x0(k)- xi(k)|为两极最大差；关联系数γ(x0(k),xi(k))计算公式如下：
Figure BDA0003432361070000062
式中，ρ取值0.5，由此可得，子序列与母序列的关联系数γ(x0(k),xi(k))；
4)计算灰色关联度：
Figure BDA0003432361070000063
式中，γ(X0,Xi)为X0和Xi的灰色关联度，由此可得，各个子序列与母序列的灰色关联度；
5)计算各个指标的权重(ωi):
Figure BDA0003432361070000064
Figure BDA0003432361070000065
Figure BDA0003432361070000066
Figure BDA0003432361070000067
γi为各类致灾因子与动能变化率的灰色关联度；
计算得分(Sk)：第k个评价对象得分，
Figure BDA0003432361070000071
式中，Zki为某一指标中的某个元素值除以该指标均值得到的数值；
得分归一化(S′i)：
Figure BDA0003432361070000072
Figure BDA0003432361070000073
Figure BDA0003432361070000074
Figure BDA0003432361070000075
根据各指标计算得到的最终得分设定阈值，选择重要影响因素。
步骤三所述初始循环神经网络LSTM模型的初步搭建，将经过GRA处理后提取的重要因素作为输入项，LSTM网络输入层神经单元的个数等于重要因素个数，建立单层的隐藏层，输出层只有一个神经单元且输出结果为动能变化率。
LSTM是一种特殊的循环神经网络，重复单元称为memory block(记忆块)，主要包含了三个门(forget gate、input gate、output gate)与一个记忆单元(cell)，通过增加若干个控制数级的gates来控制信息的流动量，并将控制信息传递给下一时刻；具体原理如下所示：
it＝sigmoid(Wzixt+Whiht-1+bi)
ft＝sigmoid(Wzfxt+Whfht-1+bf)
ot＝sigmoid(Wxoxt+Whoht-1+bo)
ct＝ft⊙ct-1+it⊙tanh(Wxcxt+Whcht-1+bc)
ht＝ot⊙tanh(ct)
W和b分别为权重矩阵和偏置项，
输入门it：控制有多少信息可以流入memorycell(ct)；
遗忘门ft：控制有多少上一时刻的memorycell中的信息可以累计搭配当前时刻的memory cell中；
输出门ot：控制有多少当前时刻的memory cell中的信息可以流入当前隐藏状态ht中；
隐藏状态ht：由ct计算得来，因为ct是以线性的方式自我更新，所以先将其加入带有非线性功能的tanh(ct)，再靠输出门ot的过滤来得到当前的隐藏状态 ht。
步骤四所述优化初始循环神经网络LSTM模型，采用GA算法优化LSTM模型的权值和阈值，具体方法如下：
1)数据集划分：将初始数据集按照时间顺序，选择前70％的数据作为训练集，后30％作为测试集；训练集采用五折交叉验证，以训练集的前80％的数据集作为GA算法优化LSTM模型所采用的数据集，后20％的数据集作为验证集；
2)分别对输入层与隐含层连接权值、隐含层阈值、隐含层与输出层连接权值、输出层阈值四部分采用M位的二进制编码，并将所有的权值和阈值的编码连接在一起成为一个个体的编码，得到初始种群；
3)为了使预测值与期望值的残差尽可能小，选择预测样本的预测值与期望值的误差矩阵的范数作为目标函数的输出，适应度函数采用排序的适应度分配函数：FinV＝ranking(obj)，其中obj为目标函数的输出；
4)选择算子采用随机遍历抽样；采用单点交叉算子，在随机选择的位置点上进行分割并交换右侧的部分，从而得到两个不同的子染色体；
5)变异算子设定概率产生变异基因数，用随机方法选出变异基因，所选基因编码为1则变为0，反之变为1；
6)通过步骤5)的变化，产生新的个体编码，解码得到新的权值和阈值更新LSTM模型，采用五折交叉验证再次划分训练集和验证集，重新循环直至满足终止条件；
7)进行解码，得到模型最优权值和阈值，完成LSTM模型最优化，将数据输入LSTM模型进行动能变化率预测。
综上所述，由于采用了上述技术方案，本发明的有益效果是：
1.本发明选择蠕变型滑坡的临滑阶段作为重点监测区段，克服了其他专利滑坡选型、滑坡阶段界定不清晰的问题；
2.本发明创新性的引入动能变化率作为预警指标，从能量变化的角度对坡体的运动情况进行监测，相比于常规的预警指标(位移、降雨量等)更能准确把握坡体的演化状态；
3.本发明相比于其他发明专利，本发明加入了数据预处理内容，基于最小二乘法采用了双指针法调节滑动窗口对数据进行高阶多项式拟合，对数据进行降噪；
4.本发明引入GRA方法计算各类影响因素对于目标指标的灰色关联度，根据各个影响因素的计算结果设定阈值，提取重要的影响因素，对监测数据进行降维；
5.本发明预测模型选用LSTM循环神经网络，该网络能够具有长期记忆能力，能自动提取有效数据信息作为下一项结果的输出，有着更高的预测能力；
6.本发明相比于其他LSTM模型，本发明引入GA算法进一步提升模型的预测精度，GA算法通过对LSTM模型中的权重和阈值进行编码、适应度计算、交叉、变异不断更新LSTM模型参数，获得LSTM模型最优权重和阈值，显著提升模型的预测精度；
7.本发明预警判别的标准，根据LSTM模型预测的结果，当动能变化率出现斜率突增或曲线呈波动上升多次超过设定的阈值时，发出临滑预警。
附图说明
本发明将通过例子并参照附图的方式说明，其中：
图1为本发明的流程图；
图2为本发明动能计算简图；
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。
实施例1
如图1的所示，本实施例提供一种基于蠕变型滑坡动能变化率临滑预警方法，其特征在于，包括如下步骤：
步骤一、数据采集：采集与滑坡相关的多源数据，构建基于动能变化率的循环神经网络LSTM模型；
步骤二、数据预处理：对步骤一采集的多源数据，基于最小二乘法，运用双指针法调节滑动窗口进行高阶多项式拟合，实现多源数据降噪处理；
步骤三、关联性分析：运用GRA方法对降噪后的多源数据进行关联度分析，设定关联度阈值，提取重要影响因素，进行数据降维并更新数据集，得初始循环神经网络LSTM模型；
步骤四、优化初始循环神经网络LSTM模型：将初始循环神经网络LSTM模型数据集的前70％数据作为训练集，其余数据作为测试集，对训练集运用GA算法通过基因编码优化初始循环神经网络LSTM模型的权值和阈值，再通过输入测试集进行验证，输出动能变化率预测结果。
其中，LSTM(长短记忆模型)是一种特殊的循环神经网络，能够解决长序列训练过程中的梯度消失和梯度爆炸问题，适用于与时间序列相关的数据预测，具有长期记忆能力，并能自动提取有效数据信息作为下一项结果的输出，有着更高的预测能力；GRA(灰色关联性分析)是确定分析序列，对变量进行预处理，计算子序列与母序列的关联系数，计算子序列与母序列的关联度；GA(遗传算法)是一种群初始化，将权值和阈值用二进制编码组合起来，组成一个个体编码，包括适应度函数：将预测值与期望值的误差矩阵的函数的范数作为目标函数的输出；算子交叉：采用单点交叉算子，在随机选择的位置点上进行分割并交换右侧的部分，从而得到两个不同的子染色体；变异算子，设定概率产生变异基因数，用随机方法选出变异基因，所选基因编码为1则变为0，反之变为1，通过以上的变化，产生新的个体编码，重新循环直至满足终止条件，进行解码，得到最优权值和阈值，更新得到最优LSTM模型，将数据输入LSTM模型进行动能变化率预测。
实施例1
在实施例1的基础上，步骤一、数据采集，具体操作步骤如下：
1)通过深孔钻探获取钻孔的深部累计位移，选择钻孔内部及其周边10米范围内的土体，钻孔自上而下按照位移传感器布设间隔将监测孔等分成n段，采用动能修订公式计算测孔动能(E)及动能变化率
Figure BDA0003432361070000114
动能修订公式如下：
Figure BDA0003432361070000111
式中，mi为第i段圆柱体的质量；v1i和v2i分别为第i段圆柱体的上、下端速度；vci为第i段圆柱体的质心速度；li为第i段圆柱体的长量；Jc为第i段圆柱体的转动惯量，第i段圆柱体的转动惯量；通过下式可计算得到：
Figure BDA0003432361070000112
式中，R为监测孔周围土体的直径，mi为第i段圆柱体的质量，li为第i段圆柱体的长量；
如图2所示，动能变化率计算公式：
Figure BDA0003432361070000113
式中，t为时间；
2)构建基于动能变化率的循环神经网络LSTM模型。
步骤二、数据预处理，对采集的数据进行降噪处理，具体操作过程如下：
采用双指针算法，用i,j表示滑动窗口的左边界和右边界，通过改变i,j 来扩展和收缩滑动窗口，这个滑动窗口的长度j-i+1，对窗口内的数据进行高阶多项式拟合；假设任意时刻的预测值xt，用式(1)表示：
xt＝a0+a1*t+a2*t2+…+ak-1*tk-1+εt (1)
式(1)中，ai为常数，t为任意时刻,εt为修正值；
则对于前后时刻的预测值，同样采用式(1)计算，一共可得到2n+1个式
Figure BDA0003432361070000121
将式(2)简化表示为式(3)：
X(2n+1)×1＝T(2n+1)×k×Ak×1+E(2n+1)×1 (3)
式(3)中，T(2n+1)×k为时间矩阵；Ak×1为系数矩阵；E(2n+1)×1为修正值矩阵；
采用最小二乘法，如式(4)所示：
Figure BDA0003432361070000122
式(4)中，(Li(x)(i＝1,2,…m))为残差函数；f(xi,wi)为理论函数；wi为待定参数；
通过最小二乘法运算，可以求解Ak-1的解为：
A＝(Ttrans.T)-1.Ttrans.X
其中上标trans表示转置，故模型的滤值(P)为：
P＝T.A＝T.(Ttrans.T)-1.Ttrans.X＝B.X
最终可以得到滤波值和观测值之间的关系矩阵(B)：
B＝T.(Ttrans.T)-1.Ttrans
求得关系矩阵B后，即可将观测值转化为滤波值，完成数据降噪。
步骤三、采用GRA方法进行多源数据关联性分析，具体分析步骤如下：
1)确定分析序列：将不同时刻的动能变化率数据作为母序列，其余各类致灾因子在不同时刻的数据分别作为子序列1、子序列2…子序列n；
2)变量预处理：求出每个序列的均值，再将序列中的每个元素除以对应序列的均值，由此去量纲缩小变量范围简化计算；
3)计算子序列与母序列的关联系数：
母序列：X0＝(X0(1),X0(2)…X0(n))T，式中，X0(i)：不同时刻的动能变化率；
子序列：
Figure BDA0003432361070000131
式中，Xi(j)某类致灾因子不同时刻的数据信息；
记a＝minimink|x0(k)-xi(k)|为两极最小差；记b＝maximaxk|x0(k)- xi(k)|为两极最大差；关联系数γ(x0(k),xi(k))计算公式如下：
Figure BDA0003432361070000132
式中，ρ取值0.5，由此可得，子序列与母序列的关联系数γ(x0(k),xi(k))；
4)计算灰色关联度：
Figure BDA0003432361070000133
式中，γ(X0,Xi)为X0和Xi的灰色关联度，由此可得，各个子序列与母序列的灰色关联度；
5)计算各个指标的权重(ωi):
Figure BDA0003432361070000134
Figure BDA0003432361070000135
Figure BDA0003432361070000136
Figure BDA0003432361070000137
γi为各类致灾因子与动能变化率的灰色关联度；
计算得分(Sk)：第k个评价对象得分，
Figure BDA0003432361070000141
式中，Zki为某一指标中的某个元素值除以该指标均值得到的数值；
得分归一化(S′i)：
Figure BDA0003432361070000142
Figure BDA0003432361070000143
Figure BDA0003432361070000144
Figure BDA0003432361070000145
根据各指标计算得到的最终得分设定阈值，选择重要影响因素；
步骤四、初始循环神经网络LSTM模型的初步搭建，将经过GRA处理后提取的重要因素作为输入项，LSTM网络输入层神经单元的个数等于重要因素个数，建立单层的隐藏层，输出层只有一个神经单元且输出结果为动能变化率；
LSTM是一种特殊的循环神经网络，重复单元称为memory block(记忆块)，主要包含了三个门(forget gate、input gate、output gate)与一个记忆单元(cell)，通过增加若干个控制数级的gates来控制信息的流动量，并将控制信息传递给下一时刻；具体原理如下所示：
it＝sigmoid(Wzixt+Whiht-1+bi)
ft＝sigmoid(Wzfxt+Whfht-1+bf)
ot＝sigmoid(Wxoxt+Whoht-1+bo)
ct＝ft⊙ct-1+it⊙tanh(Wxcxt+Whcht-1+bc)
ht＝ot⊙tanh(ct)
W和b分别为权重矩阵和偏置项，
输入门it：控制有多少信息可以流入memory cell(ct)；
遗忘门ft：控制有多少上一时刻的memory cell中的信息可以累计搭配当前时刻的memory cell中；
输出门ot：控制有多少当前时刻的memory cell中的信息可以流入当前隐藏状态ht中；
隐藏状态ht：由ct计算得来，因为ct是以线性的方式自我更新，所以先将其加入带有非线性功能的tanh(ct)，再靠输出门ot的过滤来得到当前的隐藏状态 ht。
步骤五、优化初始循环神经网络LSTM模型，采用GA算法优化LSTM模型的权值和阈值，具体方法如下：
1)数据集划分：将初始数据集按照时间顺序，选择前70％的数据作为训练集，后30％作为测试集；训练集采用五折交叉验证，以训练集的前80％的数据集作为GA算法优化LSTM模型所采用的数据集，后20％的数据集作为验证集；
2)分别对输入层与隐含层连接权值、隐含层阈值、隐含层与输出层连接权值、输出层阈值四部分采用M位的二进制编码，并将所有的权值和阈值的编码连接在一起成为一个个体的编码，得到初始种群；
3)为了使预测值与期望值的残差尽可能小，选择预测样本的预测值与期望值的误差矩阵的范数作为目标函数的输出，适应度函数采用排序的适应度分配函数：FinV＝ranking(obj)，其中obj为目标函数的输出；
4)选择算子采用随机遍历抽样；采用单点交叉算子，在随机选择的位置点上进行分割并交换右侧的部分，从而得到两个不同的子染色体；
5)变异算子设定概率产生变异基因数，用随机方法选出变异基因，所选基因编码为1则变为0，反之变为1；
6)通过步骤5)的变化，产生新的个体编码，解码得到新的权值和阈值更新LSTM模型，采用五折交叉验证再次划分训练集和验证集，重新循环直至满足终止条件；
7)进行解码，得到模型最优权值和阈值，完成LSTM模型最优化，将数据输入LSTM模型进行动能变化率预测。

Claims (6)

1.一种基于蠕变型滑坡动能变化率临滑预警方法，其特征在于，包括如下步骤：
步骤一、数据采集：采集与滑坡相关的多源数据，构建基于动能变化率的循环神经网络LSTM模型；
步骤二、数据预处理：对步骤一采集的多源数据，基于最小二乘法，运用双指针法调节滑动窗口进行高阶多项式拟合，实现多源数据降噪处理；
步骤三、关联性分析：运用GRA方法对降噪后的多源数据进行关联度分析，设定关联度阈值，提取重要影响因素，进行数据降维并更新数据集，得初始循环神经网络LSTM模型；
步骤四、优化初始循环神经网络LSTM模型：将初始循环神经网络LSTM模型数据集的前70％数据作为训练集，其余数据作为测试集，对训练集运用GA算法通过基因编码优化初始循环神经网络LSTM模型的权值和阈值，再通过输入测试集进行验证，输出动能变化率预测结果。
2.根据权利要求1所述的一种基于蠕变型滑坡动能变化率临滑预警方法，其特征在于，步骤一所述的数据采集，具体操作步骤如下：
(1)通过深孔钻探获取钻孔的深部累计位移，选择钻孔内部及其周边10米范围内的土体，钻孔自上而下按照位移传感器布设间隔将监测孔等分成n段，采用动能修订公式计算测孔动能(E)及动能变化率
Figure FDA0003432361060000012
动能修订公式如下：
Figure FDA0003432361060000011
式中，mi为第i段圆柱体的质量；v1i和v2i分别为第i段圆柱体的上、下端速度；vci为第i段圆柱体的质心速度；Jc为第i段圆柱体的转动惯量；通过下式可计算得到：
Figure FDA0003432361060000021
式中，R为监测孔周围土体的直径，mi为第i段圆柱体的质量，li为第i段圆柱体的长量；
动能变化率计算公式：
Figure FDA0003432361060000022
式中，t为时间；
(2)构建基于动能变化率的循环神经网络LSTM模型。
3.根据权利要求1所述的一种基于蠕变型滑坡动能变化率临滑预警方法，其特征在于，步骤二所述数据预处理，具体操作过程如下：
采用双指针算法，用i，j表示滑动窗口的左边界和右边界，通过改变i，j来扩展和收缩滑动窗口，这个滑动窗口的长度j-i+1，对窗口内的数据进行高阶多项式拟合；假设任意时刻的预测值xt，用式(1)表示：
xt＝a0+a1*t+a2*t2+…+ak-1*tk-1+εt (1)
式(1)中，ai为常数，t为任意时刻，εt为修正值；
则对于前后时刻的预测值，同样采用式(1)计算，一共可得到2n+1个式
Figure FDA0003432361060000023
将式(2)简化表示为式(3)：
X(2n+1)×1＝T(2n+1)×k×Ak×1+E(2n+1)×1 (3)
式(3)中，T(2n+1)×k为时间矩阵；Ak×1为系数矩阵；E(2n+1)×1为修正值矩阵；
采用最小二乘法，如式(4)所示：
Figure FDA0003432361060000024
式(4)中，(Li(x)(i＝1，2，…m))为残差函数；f(xi，wj)为理论函数；wi为待定参数；
通过最小二乘法运算，可以求解Ak-1的解为：
A＝(Ttrans.T)-1.Ttrans.X
其中上标trans表示转置，故模型的滤值(P)为：
P＝T.A＝T.(Ttrans.T)-1.Ttrans.X＝B.X
最终可以得到滤波值和观测值之间的关系矩阵(B)：
B＝T.(Ttrans.T)-1.Ttrans
求得关系矩阵B后，即可将观测值转化为滤波值，完成数据降噪。
4.根据权利要求1所述的一种基于蠕变型滑坡动能变化率临滑预警方法，其特征在于，步骤三所述关联性分析，具体分析步骤如下：
(1)确定分析序列：将不同时刻的动能变化率数据作为母序列，其余各类致灾因子在不同时刻的数据分别作为子序列1、子序列2…子序列n；
(2)变量预处理：求出每个序列的均值，再将序列中的每个元素除以对应序列的均值，由此去量纲缩小变量范围简化计算；
(3)计算子序列与母序列的关联系数：
母序列：X0＝(X0(1)，X0(2)...X0(n))T，式中，X0(i)：不同时刻的动能变化率；子序列：
Figure FDA0003432361060000031
式中，Xi(j)某类致灾因子不同时刻的数据信息；
记a＝minimink|x0(k)-xi(k)|为两极最小差；记b＝maximaxk|x0(k)-xi(k)|为两极最大差；关联系数γ(x0(k)，xi(k))计算公式如下：
Figure FDA0003432361060000032
式中，ρ取值0.5，由此可得，子序列与母序列的关联系数γ(x0(k)，xi(k))；
(4)计算灰色关联度：
Figure FDA0003432361060000033
式中，γ(X0，Xi)为X0和Xi的灰色关联度，由此可得，各个子序列与母序列的灰色关联度；
(5)计算各个指标的权重(ωi):
Figure FDA0003432361060000041
γi为各类致灾因子与动能变化率的灰色关联度；
计算得分(Sk)：第k个评价对象得分，
Figure FDA0003432361060000042
式中，Zki为某一指标中的某个元素值除以该指标均值得到的数值；
得分归一化(S′i)：
Figure FDA0003432361060000043
根据各指标计算得到的最终得分设定阈值，选择重要影响因素。
5.根据权利要求1所述的一种基于蠕变型滑坡动能变化率临滑预警方法，其特征在于，步骤三所述初始循环神经网络LSTM模型的初步搭建，将经过GRA处理后提取的重要因素作为输入项，LSTM网络输入层神经单元的个数等于重要因素个数，建立单层的隐藏层，输出层只有一个神经单元且输出结果为动能变化率。
6.根据权利要求1所述的一种基于蠕变型滑坡动能变化率临滑预警方法，其特征在于，步骤四所述优化初始循环神经网络LSTM模型，采用GA算法优化LSTM模型的权值和阈值，具体方法如下：
(1)数据集划分：将初始数据集按照时间顺序，选择前70％的数据作为训练集，后30％作为测试集；训练集采用五折交叉验证，以训练集的前80％的数据集作为GA算法优化LSTM模型所采用的数据集，后20％的数据集作为验证集；
(2)分别对输入层与隐含层连接权值、隐含层阈值、隐含层与输出层连接权值、输出层阈值四部分采用M位的二进制编码，并将所有的权值和阈值的编码连接在一起成为一个个体的编码，得到初始种群；
(3)为了使预测值与期望值的残差尽可能小，选择预测样本的预测值与期望值的误差矩阵的范数作为目标函数的输出，适应度函数采用排序的适应度分配函数：FinV＝ranking(obj)，其中obj为目标函数的输出；
(4)选择算子采用随机遍历抽样；采用单点交叉算子，在随机选择的位置点上进行分割并交换右侧的部分，从而得到两个不同的子染色体；
(5)变异算子设定概率产生变异基因数，用随机方法选出变异基因，所选基因编码为1则变为0，反之变为1；
(6)通过步骤(5)的变化，产生新的个体编码，解码得到新的权值和阈值更新LSTM模型，采用五折交叉验证再次划分训练集和验证集，重新循环直至满足终止条件；
(7)进行解码，得到模型最优权值和阈值，完成LSTM模型最优化，将数据输入LSTM模型进行动能变化率预测。
CN202111606875.2A 2021-12-24 2021-12-24 一种基于蠕变型滑坡动能变化率临滑预警方法 Pending CN114548482A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111606875.2A CN114548482A (zh) 2021-12-24 2021-12-24 一种基于蠕变型滑坡动能变化率临滑预警方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111606875.2A CN114548482A (zh) 2021-12-24 2021-12-24 一种基于蠕变型滑坡动能变化率临滑预警方法

Publications (1)

Publication Number Publication Date
CN114548482A true CN114548482A (zh) 2022-05-27

Family

ID=81670380

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111606875.2A Pending CN114548482A (zh) 2021-12-24 2021-12-24 一种基于蠕变型滑坡动能变化率临滑预警方法

Country Status (1)

Country Link
CN (1) CN114548482A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114897277A (zh) * 2022-07-14 2022-08-12 四川轻化工大学 一种基于lstm的突发型滑坡位移预测方法
CN115238850A (zh) * 2022-06-30 2022-10-25 西南交通大学 一种基于mi-gra与改进pso-lstm的山区边坡位移预测方法
CN116561563A (zh) * 2023-07-11 2023-08-08 电子科技大学 一种基于残差预测模型的边坡位移预测方法及相关装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111915097A (zh) * 2020-08-14 2020-11-10 南通大学 基于改进遗传算法优化lstm神经网络的水质预测方法
CN112270400A (zh) * 2020-10-16 2021-01-26 西安工程大学 一种基于多影响因子的滑坡位移动态预测方法
CN113538125A (zh) * 2021-06-29 2021-10-22 百维金科(上海)信息科技有限公司 一种基于萤火虫算法优化Hopfield神经网络的风险评级方法
CN113642231A (zh) * 2021-07-09 2021-11-12 西北大学 一种基于压缩激励网络的cnn-gru滑坡位移预测方法及应用

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111915097A (zh) * 2020-08-14 2020-11-10 南通大学 基于改进遗传算法优化lstm神经网络的水质预测方法
CN112270400A (zh) * 2020-10-16 2021-01-26 西安工程大学 一种基于多影响因子的滑坡位移动态预测方法
CN113538125A (zh) * 2021-06-29 2021-10-22 百维金科(上海)信息科技有限公司 一种基于萤火虫算法优化Hopfield神经网络的风险评级方法
CN113642231A (zh) * 2021-07-09 2021-11-12 西北大学 一种基于压缩激励网络的cnn-gru滑坡位移预测方法及应用

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
梁逸曾 等: "《分析化学计量学》", 31 August 2004, 重庆大学出版社 *
陈贺等: "基于深部位移的蠕滑型滑坡预警指标及预警预报研究", 《岩石力学与工程学报》 *
陈贺等: "滑坡深部位移监测新技术及预警预报研究", 《岩石力学与工程学报》 *
陈进: "《人机交互仿真的生产单元换线决策专家系统设计与应用》", 31 October 2018, 西南交通大学出版社 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115238850A (zh) * 2022-06-30 2022-10-25 西南交通大学 一种基于mi-gra与改进pso-lstm的山区边坡位移预测方法
CN114897277A (zh) * 2022-07-14 2022-08-12 四川轻化工大学 一种基于lstm的突发型滑坡位移预测方法
CN116561563A (zh) * 2023-07-11 2023-08-08 电子科技大学 一种基于残差预测模型的边坡位移预测方法及相关装置
CN116561563B (zh) * 2023-07-11 2023-09-29 电子科技大学 一种基于残差预测模型的边坡位移预测方法及相关装置

Similar Documents

Publication Publication Date Title
CN110738360B (zh) 一种设备剩余寿命预测方法及系统
CN114548482A (zh) 一种基于蠕变型滑坡动能变化率临滑预警方法
CN108009674A (zh) 基于cnn和lstm融合神经网络的空气pm2.5浓度预测方法
CN103105246A (zh) 一种基于遗传算法改进的bp神经网络的温室环境预测反馈方法
CN113326660B (zh) 基于GA-XGBoost模型的隧道围岩挤压变形预测方法
CN113723010A (zh) 一种基于lstm温度-位移相关模型的桥梁损伤预警方法
CN110083125A (zh) 一种基于深度学习的机床热误差建模方法
CN108595803A (zh) 基于递归神经网络的页岩气井生产压力预测方法
CN112614021B (zh) 一种基于已建隧道信息智能识别的隧道围岩地质信息预测方法
CN112948932A (zh) 一种基于TSP预报数据与XGBoost算法的围岩等级预测方法
CN113537566B (zh) 一种基于dccso优化深度学习模型的超短期风电功率预测方法
CN115730684A (zh) 一种基于lstm-cnn模型的空气质量检测系统
CN115130734A (zh) 一种基于LightGBM与深度学习算法的穿越工程施工影响预测方法及系统
CN116227365B (zh) 一种基于改进vmd-tcn的滑坡位移预测方法
CN114358434A (zh) 基于lstm循环神经网络模型的钻井机械钻速预测方法
CN115438823A (zh) 一种井壁失稳机制分析与预测方法及系统
CN114548591A (zh) 一种基于混合深度学习模型和Stacking的时序数据预测方法及系统
CN115526096A (zh) 盾构机施工掘进参数的预测方法、装置及可存储介质
CN110260914B (zh) 一种基于测点时空特征的工程安全监测系统区域划分方法
CN114648217A (zh) 一种基于增量式极限学习机的煤矿安全风险预警方法
CN113408190B (zh) 基于Bayes-LSTM模型的公路隧道施工期围岩变形预测方法
CN112800688B (zh) 基于监测数据时序图自学习的降雨型滑坡位移趋势预测方法
CN115618987A (zh) 生产井生产数据预测方法、装置、设备和存储介质
CN117252236A (zh) 一种基于dbn-lstm-bwoa的隧道爆破振动峰值预测方法、系统、设备及介质
CN115907236B (zh) 基于改进决策树的井下复杂情况预测方法

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