CN114676646B - 用于边坡的智能预警方法、装置、设备及可读存储介质 - Google Patents

用于边坡的智能预警方法、装置、设备及可读存储介质 Download PDF

Info

Publication number
CN114676646B
CN114676646B CN202210596280.1A CN202210596280A CN114676646B CN 114676646 B CN114676646 B CN 114676646B CN 202210596280 A CN202210596280 A CN 202210596280A CN 114676646 B CN114676646 B CN 114676646B
Authority
CN
China
Prior art keywords
slope
data
early warning
anchor rod
sliding surface
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
CN202210596280.1A
Other languages
English (en)
Other versions
CN114676646A (zh
Inventor
冯君
张俊云
向波
邹凯
杨涛
江南
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Southwest Jiaotong University
Original Assignee
Southwest Jiaotong University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Southwest Jiaotong University filed Critical Southwest Jiaotong University
Priority to CN202210596280.1A priority Critical patent/CN114676646B/zh
Publication of CN114676646A publication Critical patent/CN114676646A/zh
Application granted granted Critical
Publication of CN114676646B publication Critical patent/CN114676646B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Pit Excavations, Shoring, Fill Or Stabilisation Of Slopes (AREA)

Abstract

本发明提供了用于边坡的智能预警方法、装置、设备及可读存储介质，所述方法包括：获取第一数据和第二数据，所述第一数据包括边坡的地勘数据和设计数据，所述第二数据包括实时采集的安装在边坡中的每根锚杆的轴力数据；根据所述地勘数据和所述设计数据得到第三数据；根据所述第三数据构建样本集，利用所述样本集对神经网络模型进行训练，得到神经网络预警模型；利用所述神经网络预警模型和实时采集的每根锚杆的轴力数据对所述边坡进行预警。本发明通过引入轴力测试锚杆群实现坡体内部应力状态的监测，借助力学计算和神经网络技术实现顺层岩质边坡整体稳定性和局部稳定性的预测，减少对历史现场监测数据的依赖，提高预警精度。

Description

用于边坡的智能预警方法、装置、设备及可读存储介质
技术领域
本发明涉及边坡技术领域，具体而言，涉及用于边坡的智能预警方法、装置、设备及可读存储介质。
背景技术
顺层岩质边坡不同于土质边坡，其失稳破坏往往具有突发性，破坏前变形迹象不明显，传统位移监测预警方法的预测精度不够，现有的锚杆轴力监测预警方法没有考虑地质参数离散性和随机性对边坡稳定性的影响，预测可靠度不高，同时现有的预警技术主要关注边坡的整体稳定性，少有对边坡局部稳定性的预测，从而无法为处于预警状态边坡的处治设计优化提供数据支撑。
发明内容
本发明的目的在于提供用于边坡的智能预警方法、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，本申请实施例提供了如下技术方案：
一方面，本申请实施例提供了用于边坡的智能预警方法，所述方法包括：
获取第一数据和第二数据，所述第一数据包括边坡的地勘数据和设计数据，所述第二数据包括实时采集的安装在边坡中的每根锚杆的轴力数据；
根据所述地勘数据和所述设计数据得到第三数据，所述第三数据包括边坡岩体模量的取值范围、主控结构面粘聚力的取值范围、内摩擦角的取值范围和滑面位置信息的取值范围；
根据所述第三数据构建样本集，利用所述样本集对神经网络模型进行训练，得到神经网络预警模型；
利用所述神经网络预警模型和实时采集的每根锚杆的轴力数据对所述边坡进行预警。
第二方面，本申请实施例提供了用于边坡的智能预警装置，所述装置包括第一获取模块、计算模块、训练模块和预警模块。
第一获取模块，用于获取第一数据和第二数据，所述第一数据包括边坡的地勘数据和设计数据，所述第二数据包括实时采集的安装在边坡中的每根锚杆的轴力数据；
计算模块，用于根据所述地勘数据和所述设计数据得到第三数据，所述第三数据包括边坡岩体模量的取值范围、主控结构面粘聚力的取值范围、内摩擦角的取值范围和滑面位置信息的取值范围；
训练模块，用于根据所述第三数据构建样本集，利用所述样本集对神经网络模型进行训练，得到神经网络预警模型；
预警模块，用于利用所述神经网络预警模型和实时采集的每根锚杆的轴力数据对所述边坡进行预警。
第三方面，本申请实施例提供了用于边坡的智能预警设备，所述设备包括存储器和处理器。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用于边坡的智能预警方法的步骤。
第四方面，本申请实施例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用于边坡的智能预警方法的步骤。
本发明的有益效果为：
1、本发明通过引入轴力测试锚杆群实现坡体内部应力状态的监测，借助力学计算和神经网络技术实现顺层岩质边坡整体稳定性和局部稳定性的预测，减少对历史现场监测数据的依赖，提高预警精度，并为边坡处治提供数据支持。
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是本发明实施例中所述的用于边坡的智能预警方法流程示意图；
图2是本发明实施例中所述的用于边坡的智能预警装置结构示意图；
图3是本发明实施例中所述的用于边坡的智能预警设备结构示意图。
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。
应注意到：相似的标号或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，本实施例提供了用于边坡的智能预警方法，该方法包括步骤S1、步骤S2、步骤S3和步骤S4。
步骤S1、获取第一数据和第二数据，所述第一数据包括边坡的地勘数据和设计数据，所述第二数据包括实时采集的安装在边坡中的每根锚杆的轴力数据；
步骤S2、根据所述地勘数据和所述设计数据得到第三数据，所述第三数据包括边坡岩体模量的取值范围、主控结构面粘聚力的取值范围、内摩擦角的取值范围和滑面位置信息的取值范围；
步骤S3、根据所述第三数据构建样本集，利用所述样本集对神经网络模型进行训练，得到神经网络预警模型；
步骤S4、利用所述神经网络预警模型和实时采集的每根锚杆的轴力数据对所述边坡进行预警。
在本实施例中，第一数据包括顺层岩质边坡的地质勘察报告、地质柱状图、边坡平面设计图、断面设计图、表征边坡地形地貌的地形数据，地层岩性，岩体结构和开挖轮廓线，步骤S2中可以通过用户输入第三数据的方法获取得到第三数据，也就是说用户根据第一数据计算得出第三数据，然后输入到系统中去，以进入下一步骤；
本实施例通过引入轴力测试锚杆群实现坡体内部应力状态的监测，借助力学计算和神经网络技术实现顺层岩质边坡整体稳定性和局部稳定性的预测，减少对历史现场监测数据的依赖，提高预警精度。
在本公开的一种具体实施方式中，所述方法，还可以包括步骤S5、步骤S6和步骤S7。
步骤S5、发送控制命令，所述控制命令包括在边坡中安装锚杆的命令，其中，在边坡主轴断面上沿坡面等间距布置预设根数的所述锚杆，所述锚杆与岩层层面夹角小于预设度数，所述锚杆穿过推测滑面长度不小于预设数值，每根所述锚杆上每隔预设间距布置一个轴力测点；
步骤S6、获取工作人员输入的确认信息，所述确认信息包括所述锚杆已安装好的确认信息；
步骤S7、对每一个所述锚杆进行监测，获取每一根所述锚杆的所述轴力数据。
在本实施例中，锚杆采用全长粘结型灌浆锚杆，在边坡主轴断面上沿坡面等间距布置5~10根，锚杆与岩层层面夹角小于30°，锚杆穿过推测滑面长度不小于2m；每根锚杆上每隔0.5m~1.0m布置一个轴力测点，在推测滑面处可以适当加密。
在本公开的一种具体实施方式中，所述步骤S3，还可以包括步骤S31、步骤S32和步骤S33。
步骤S31、获取取值个数；
步骤S32、在所述边坡岩体模量的取值范围中按照所述取值个数进行取值，在所述内摩擦角的取值范围中按照所述取值个数进行取值，在所述主控结构面粘聚力的取值范围中按照所述取值个数进行取值，在所述滑面位置信息的取值范围中按照所述取值个数进行取值；
步骤S33、将取得的数值按照应用正交设计方法构建不同的排列组合，并基于所有所述排列组合构建样本集。
在本实施例中，取值个数可以根据用户的需求进行自定义，在本实施例中可以取10个，步骤S32和步骤S33也就可以理解为在所述边坡岩体模量的取值范围中取10个数值；在所述内摩擦角的取值范围中取10个数值；在所述主控结构面粘聚力的取值范围中取10个数值；在所述滑面位置信息的取值范围中取10个数值；然后利用正交设计方法对上述数据进行排列组合，形成多个组合。
在本公开的一种具体实施方式中，所述步骤S33，还可以包括步骤S331、步骤S332、步骤S333、步骤S334和步骤S335。
步骤S331、应用ABAQUS建立实际监测边坡的数值分析模型；
步骤S332、针对每个所述排列组合，在所述实际监测边坡的数值分析模型中应用强度折减法开展边坡的渐进破坏过程分析，直至所述边坡沿任意一个滑面发生滑移破坏，将此时所对应的强度折减系数记为所述边坡的整体安全系数；
步骤S333、基于所述边坡的整体安全系数和强度折减法计算得到每一时刻下边坡的整体安全系数、沿滑面各点的点安全系数和滑面位置信息；
步骤S334、将每一时刻下所述数值分析模型中所有所述锚杆的轴力值、边坡的整体安全系数、沿滑面各点的点安全系数和滑面位置信息作为一个样本，将所有的所述样本进行集合，得到样本集；
步骤S335、利用所述样本集对所述神经网络模型进行训练，得到所述神经网络预警模型，其中，在对模型进行训练时，将每一时刻下所述数值分析模型中所有所述锚杆的轴力值作为输入，将每一时刻下边坡的整体安全系数、沿滑面各点的点安全系数和滑面位置信息作为输出。
在本公开的一种具体实施方式中，所述步骤S333，还可以包括步骤S3331和步骤S3332。
步骤S3331、基于所述强度折减法计算每一时刻下边坡所对应的强度折减系数和每一时刻下滑面位置信息；基于每一时刻下边坡所对应的强度折减系数计算得到每一时刻下沿滑面各点的点安全系数；
步骤S3332、基于所述边坡的整体安全系数和每一时刻下边坡所对应的强度折减系数计算每一时刻下边坡的整体安全系数。
在本实施例中，应用ABAQUS建立实际监测边坡的数值分析模型，其中，实际监测边坡为已经安装好锚杆的边坡，并且构建好的模型需真实反映实际边坡的三维地形地貌、岩层分布、开挖设计信息及锚杆信息，此外，划分网格时可以在有锚杆位置处适当加密以提高计算精度，荷载主要考虑重力作用和开挖卸荷；
针对前述的每个排列组合，应用强度折减法开展顺层边坡的渐进破坏过程分析，即使用强度折减系数不断折减主控结构面粘聚力和内摩擦角，直至边坡沿某个滑面发生滑移破坏，此时所对应的强度折减系数即是该边坡的整体安全系数F total ；
边坡渐进破坏过程中的每一时刻下的整体安全系数F time 与整体安全系数F total 和每一时刻下的强度折减系数SRF存在如公式（1）中的函数关系，由此利用公式（1）可计算出每一时刻下的整体安全系数F time ，公式（1）为：
Figure DEST_PATH_IMAGE001
（1）
其中，F time 为整体安全系数；F total 为整体安全系数；SRF为强度折减系数，在本实施例中，通过公式（2）计算每一时刻下沿滑面各点的点安全系数F local ，公式（2）为：
Figure DEST_PATH_IMAGE002
（2）
公式（2）中，c表示每一时刻下的主控结构面粘聚力；φ表示每一时刻下的内摩擦 角；
Figure DEST_PATH_IMAGE003
表示每一时刻下滑面上任意一点处的正应力，
Figure DEST_PATH_IMAGE004
表示每一时刻下滑面上任意一点处 的剪应力，F total 为整体安全系数，SRF为强度折减系数；
同时监测渐进破坏过程中锚杆群各测点的轴力值，将每一次计算得到的每个时刻下的锚杆群轴力值与边坡整体安全系数、沿滑面各点的点安全系数、滑面位置信息作为一个样本，按此方法重复计算其他排列组合工况，得到由若干个样本集合形成的样本集。从样本集中，将所有锚杆轴力测点的轴力值作为神经网络的输入特征，将相应条件下边坡整体安全系数、点安全系数、滑面位置信息作为输出标签；
在本公开的一种具体实施方式中，所述步骤S4，还可以包括步骤S41、步骤S42和步骤S43。
步骤S41、将现场实时采集到的锚杆轴力数据输入所述神经网络预警模型，输出当前时刻边坡的整体安全系数、当前时刻沿滑面各点的点安全系数和当前时刻的滑面位置信息；
步骤S42、获取边坡预警等级划分标准数据，所述边坡预警等级划分标准数据中包括不同的整体安全系数所对应的预警等级；
步骤S43、根据所述当前时刻边坡的整体安全系数和所述边坡预警等级划分标准数据得到边坡预警等级，根据所述边坡预警等级对所述边坡进行处理，其中，当所述预警等级对应的处理方式为需要进行处治时，则根据所述当前时刻沿滑面各点的点安全系数确定进行处治的措施；根据所述当前时刻的滑面位置信息和所述处治的措施对所述边坡进行处理。
在本实施例中，边坡预警等级划分标准数据为：
Figure DEST_PATH_IMAGE005
将现场监测得到的锚杆轴力数据输入神经网络预警模型，输出当前时刻边坡的整体安全系数、当前时刻沿滑面各点的点安全系数和当前时刻的滑面位置信息。根据当前时刻边坡的整体安全系数确定预警等级。当预警等级为绿色无警时，不做任何处治，若是黄色、橙色及红色预警时，需要进行分区处治；处治区域按照当前时刻沿滑面各点的点安全系数的大小分为重点加固、一般加固和不加固3个区域，具体办法为：按照当前时刻沿滑面各点的点安全系数，沿边坡滑面作点安全系数的分布曲线图，点安全系数小于1.1的范围为重点加固区域，1.1~1.3的范围为一般加固区域，大于1.3的区域为不加固区域。
实施例2
如图2所示，本实施例提供了用于边坡的智能预警装置，所述装置包括第一获取模块701、计算模块702、训练模块703和预警模块704。
第一获取模块701，用于获取第一数据和第二数据，所述第一数据包括边坡的地勘数据和设计数据，所述第二数据包括实时采集的安装在边坡中的每根锚杆的轴力数据；
计算模块702，用于根据所述地勘数据和所述设计数据得到第三数据，所述第三数据包括边坡岩体模量的取值范围、主控结构面粘聚力的取值范围、内摩擦角的取值范围和滑面位置信息的取值范围；
训练模块703，用于根据所述第三数据构建样本集，利用所述样本集对神经网络模型进行训练，得到神经网络预警模型；
预警模块704，用于利用所述神经网络预警模型和实时采集的每根锚杆的轴力数据对所述边坡进行预警。
本实施例通过引入轴力测试锚杆群实现坡体内部应力状态的监测，借助力学计算和神经网络技术实现顺层岩质边坡整体稳定性和局部稳定性的预测，减少对历史现场监测数据的依赖，提高预警精度。
在本公开的一种具体实施方式中，所述装置，还包括发送模块705、第二获取模块706和监测模块707。
发送模块705，用于发送控制命令，所述控制命令包括在边坡中安装锚杆的命令，其中，在边坡主轴断面上沿坡面等间距布置预设根数的所述锚杆，所述锚杆与岩层层面夹角小于预设度数，所述锚杆穿过推测滑面长度不小于预设数值，每根所述锚杆上每隔预设间距布置一个轴力测点；
第二获取模块706，用于获取工作人员输入的确认信息，所述确认信息包括所述锚杆已安装好的确认信息；
监测模块707，用于对每一个所述锚杆进行监测，获取每一根所述锚杆的所述轴力数据。
在本公开的一种具体实施方式中，所述训练模块703，包括第一获取单元7031、取值单元7032和构建单元7033。
第一获取单元7031，用于获取取值个数；
取值单元7032，用于在所述边坡岩体模量的取值范围中按照所述取值个数进行取值，在所述内摩擦角的取值范围中按照所述取值个数进行取值，在所述主控结构面粘聚力的取值范围中按照所述取值个数进行取值，在所述滑面位置信息的取值范围中按照所述取值个数进行取值；
构建单元7033，用于将取得的数值按照应用正交设计方法构建不同的排列组合，并基于所有所述排列组合构建样本集。
在本公开的一种具体实施方式中，所述构建单元7033，包括建立子单元70331、分析子单元70332、第一计算子单元70333、集合子单元70334和划分子单元70335。
建立子单元70331，用于应用ABAQUS建立实际监测边坡的数值分析模型；
分析子单元70332，用于针对每个所述排列组合，在所述实际监测边坡的数值分析模型中应用强度折减法开展边坡的渐进破坏过程分析，直至所述边坡沿任意一个滑面发生滑移破坏，将此时所对应的强度折减系数记为所述边坡的整体安全系数；
第一计算子单元70333，用于基于所述边坡的整体安全系数和强度折减法计算得到每一时刻下边坡的整体安全系数、沿滑面各点的点安全系数和滑面位置信息；
集合子单元70334，用于将每一时刻下所述数值分析模型中所有所述锚杆的轴力值、边坡的整体安全系数、沿滑面各点的点安全系数和滑面位置信息作为一个样本，将所有的所述样本进行集合，得到样本集；
划分子单元70335，用于利用所述样本集对所述神经网络模型进行训练，得到所述神经网络预警模型，其中，在对模型进行训练时，将每一时刻下所述数值分析模型中所有所述锚杆的轴力值作为输入，将每一时刻下边坡的整体安全系数、沿滑面各点的点安全系数和滑面位置信息作为输出。
在本公开的一种具体实施方式中，所述第一计算子单元70333，包括第二计算子单元703331和第三计算子单元703332。
第二计算子单元703331，用于基于所述强度折减法计算每一时刻下边坡所对应的强度折减系数和每一时刻下滑面位置信息；基于每一时刻下边坡所对应的强度折减系数计算得到每一时刻下沿滑面各点的点安全系数；
第三计算子单元703332，用于基于所述边坡的整体安全系数和每一时刻下边坡所对应的强度折减系数计算每一时刻下边坡的整体安全系数。
在本公开的一种具体实施方式中，所述预警模块704，包括计算单元7041、第二获取单元7042和预警单元7043。
计算单元7041，用于将现场实时采集到的锚杆轴力数据输入所述神经网络预警模型，输出当前时刻边坡的整体安全系数、当前时刻沿滑面各点的点安全系数和当前时刻的滑面位置信息；
第二获取单元7042，用于获取边坡预警等级划分标准数据，所述边坡预警等级划分标准数据中包括不同的整体安全系数所对应的预警等级；
预警单元7043，用于根据所述当前时刻边坡的整体安全系数和所述边坡预警等级划分标准数据得到边坡预警等级，根据所述边坡预警等级对所述边坡进行处理，其中，当所述预警等级对应的处理方式为需要进行处治时，则根据所述当前时刻沿滑面各点的点安全系数确定进行处治的措施；根据所述当前时刻的滑面位置信息和所述处治的措施对所述边坡进行处理。
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，本公开实施例还提供了用于边坡的智能预警设备，下文描述的用于边坡的智能预警设备与上文描述的用于边坡的智能预警方法可相互对应参照。
图3是根据一示例性实施例示出的用于边坡的智能预警设备800的框图。如图3所示，该用于边坡的智能预警设备800可以包括：处理器801，存储器802。该用于边坡的智能预警设备800还可以包括多媒体组件803，输入/输出(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用于控制该用于边坡的智能预警设备800的整体操作，以完成上述的用于边坡的智能预警方法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用于边坡的智能预警设备800的操作，这些数据例如可以包括用于在该用于边坡的智能预警设备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(Static RandomAccess Memory，简称SRAM)，电可擦除可编程只读存储器(Electrically ErasableProgrammable Read-Only Memory，简称EEPROM)，可擦除可编程只读存储器(ErasableProgrammable Read-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用于该用于边坡的智能预警设备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 FieldCommunication，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，该用于边坡的智能预警设备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 ProcessingDevice，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，用于执行上述的用于边坡的智能预警方法。
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用于边坡的智能预警方法的步骤。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，上述程序指令可由该用于边坡的智能预警设备800的处理器801执行以完成上述的用于边坡的智能预警方法。
实施例4
相应于上面的方法实施例，本公开实施例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用于边坡的智能预警方法可相互对应参照。
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用于边坡的智能预警方法的步骤。
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)、磁碟或者光盘等各种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。

Claims (10)

1.用于边坡的智能预警方法，其特征在于，包括：
获取第一数据和第二数据，所述第一数据包括边坡的地勘数据和设计数据，所述第二数据包括实时采集的安装在边坡中的每根锚杆的轴力数据；
根据所述地勘数据和所述设计数据得到第三数据，所述第三数据包括边坡岩体模量的取值范围、主控结构面粘聚力的取值范围、内摩擦角的取值范围和滑面位置信息的取值范围；
根据所述第三数据构建样本集，利用所述样本集对神经网络模型进行训练，得到神经网络预警模型；
利用所述神经网络预警模型和实时采集的每根锚杆的轴力数据对所述边坡进行预警。
2.根据权利要求1所述的用于边坡的智能预警方法，其特征在于，所述第二数据的获取方法，包括：
发送控制命令，所述控制命令包括在边坡中安装锚杆的命令，其中，在边坡主轴断面上沿坡面等间距布置预设根数的所述锚杆，所述锚杆与岩层层面夹角小于预设度数，所述锚杆穿过推测滑面长度不小于预设数值，每根所述锚杆上每隔预设间距布置一个轴力测点；
获取工作人员输入的确认信息，所述确认信息包括所述锚杆已安装好的确认信息；
对每一个所述锚杆进行监测，获取每一根所述锚杆的所述轴力数据。
3.根据权利要求1所述的用于边坡的智能预警方法，其特征在于，根据所述第三数据构建样本集，包括：
获取取值个数；
在所述边坡岩体模量的取值范围中按照所述取值个数进行取值，在所述内摩擦角的取值范围中按照所述取值个数进行取值，在所述主控结构面粘聚力的取值范围中按照所述取值个数进行取值，在所述滑面位置信息的取值范围中按照所述取值个数进行取值；
将取得的数值按照应用正交设计方法构建不同的排列组合，并基于所有所述排列组合构建样本集。
4.根据权利要求3所述的用于边坡的智能预警方法，其特征在于，基于所述排列组合构建样本集，包括：
应用ABAQUS建立实际监测边坡的数值分析模型；
针对每个所述排列组合，在所述实际监测边坡的数值分析模型中应用强度折减法开展边坡的渐进破坏过程分析，直至所述边坡沿任意一个滑面发生滑移破坏，将此时所对应的强度折减系数记为所述边坡的整体安全系数；
基于所述边坡的整体安全系数和强度折减法计算得到每一时刻下边坡的整体安全系数、沿滑面各点的点安全系数和滑面位置信息；
将每一时刻下所述数值分析模型中所有所述锚杆的轴力值、边坡的整体安全系数、沿滑面各点的点安全系数和滑面位置信息作为一个样本，将所有的所述样本进行集合，得到样本集；
利用所述样本集对所述神经网络模型进行训练，得到所述神经网络预警模型，其中，在对模型进行训练时，将每一时刻下所述数值分析模型中所有所述锚杆的轴力值作为输入，将每一时刻下边坡的整体安全系数、沿滑面各点的点安全系数和滑面位置信息作为输出。
5.用于边坡的智能预警装置，其特征在于，包括：
第一获取模块，用于获取第一数据和第二数据，所述第一数据包括边坡的地勘数据和设计数据，所述第二数据包括实时采集的安装在边坡中的每根锚杆的轴力数据；
计算模块，用于根据所述地勘数据和所述设计数据得到第三数据，所述第三数据包括边坡岩体模量的取值范围、主控结构面粘聚力的取值范围、内摩擦角的取值范围和滑面位置信息的取值范围；
训练模块，用于根据所述第三数据构建样本集，利用所述样本集对神经网络模型进行训练，得到神经网络预警模型；
预警模块，用于利用所述神经网络预警模型和实时采集的每根锚杆的轴力数据对所述边坡进行预警。
6.根据权利要求5所述的用于边坡的智能预警装置，其特征在于，所述装置，包括：
发送模块，用于发送控制命令，所述控制命令包括在边坡中安装锚杆的命令，其中，在边坡主轴断面上沿坡面等间距布置预设根数的所述锚杆，所述锚杆与岩层层面夹角小于预设度数，所述锚杆穿过推测滑面长度不小于预设数值，每根所述锚杆上每隔预设间距布置一个轴力测点；
第二获取模块，用于获取工作人员输入的确认信息，所述确认信息包括所述锚杆已安装好的确认信息；
监测模块，用于对每一个所述锚杆进行监测，获取每一根所述锚杆的所述轴力数据。
7.根据权利要求5所述的用于边坡的智能预警装置，其特征在于，训练模块，包括：
第一获取单元，用于获取取值个数；
取值单元，用于在所述边坡岩体模量的取值范围中按照所述取值个数进行取值，在所述内摩擦角的取值范围中按照所述取值个数进行取值，在所述主控结构面粘聚力的取值范围中按照所述取值个数进行取值，在所述滑面位置信息的取值范围中按照所述取值个数进行取值；
构建单元，用于将取得的数值按照应用正交设计方法构建不同的排列组合，并基于所有所述排列组合构建样本集。
8.根据权利要求7所述的用于边坡的智能预警装置，其特征在于，构建单元，包括：
建立子单元，用于应用ABAQUS建立实际监测边坡的数值分析模型；
分析子单元，用于针对每个所述排列组合，在所述实际监测边坡的数值分析模型中应用强度折减法开展边坡的渐进破坏过程分析，直至所述边坡沿任意一个滑面发生滑移破坏，将此时所对应的强度折减系数记为所述边坡的整体安全系数；
第一计算子单元，用于基于所述边坡的整体安全系数和强度折减法计算得到每一时刻下边坡的整体安全系数、沿滑面各点的点安全系数和滑面位置信息；
集合子单元，用于将每一时刻下所述数值分析模型中所有所述锚杆的轴力值、边坡的整体安全系数、沿滑面各点的点安全系数和滑面位置信息作为一个样本，将所有的所述样本进行集合，得到样本集；
划分子单元，用于利用所述样本集对所述神经网络模型进行训练，得到所述神经网络预警模型，其中，在对模型进行训练时，将每一时刻下所述数值分析模型中所有所述锚杆的轴力值作为输入，将每一时刻下边坡的整体安全系数、沿滑面各点的点安全系数和滑面位置信息作为输出。
9.用于边坡的智能预警设备，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任一项所述用于边坡的智能预警方法的步骤。
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任一项所述用于边坡的智能预警方法的步骤。
CN202210596280.1A 2022-05-30 2022-05-30 用于边坡的智能预警方法、装置、设备及可读存储介质 Active CN114676646B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210596280.1A CN114676646B (zh) 2022-05-30 2022-05-30 用于边坡的智能预警方法、装置、设备及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210596280.1A CN114676646B (zh) 2022-05-30 2022-05-30 用于边坡的智能预警方法、装置、设备及可读存储介质

Publications (2)

Publication Number Publication Date
CN114676646A CN114676646A (zh) 2022-06-28
CN114676646B true CN114676646B (zh) 2022-08-02

Family

ID=82079649

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210596280.1A Active CN114676646B (zh) 2022-05-30 2022-05-30 用于边坡的智能预警方法、装置、设备及可读存储介质

Country Status (1)

Country Link
CN (1) CN114676646B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109872508A (zh) * 2019-01-28 2019-06-11 绍兴文理学院 基于光纤光栅的大型露天矿山滑坡灾害预警方法
CN112095596A (zh) * 2020-11-03 2020-12-18 成都诺比侃科技有限公司 基于云平台的边坡预应力锚杆智能化监测预警系统及方法
CN112396936A (zh) * 2020-11-10 2021-02-23 中国矿业大学(北京) 一种岩质边坡崩塌物理实验模型及方法
CN112487545A (zh) * 2021-01-05 2021-03-12 深圳市中勘勘测设计有限公司 基于大数据轴力监测的边坡安全实时监测预警系统
CN113034855A (zh) * 2021-03-09 2021-06-25 杭州电子科技大学 一种基于npr缆索滑动力监测的边坡滑坡预警方法
CN113111595A (zh) * 2021-06-15 2021-07-13 西南交通大学 一种边坡智能预警方法和装置
CN113408184A (zh) * 2021-04-21 2021-09-17 中国地质大学（武汉） 基于遗传算法和离散元分析法的锚固边坡安全性评价方法
CN114297767A (zh) * 2022-02-23 2022-04-08 青岛理工大学 深凹矿山开挖边坡主动锚固优化设计方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8692668B2 (en) * 2011-02-11 2014-04-08 Amrita Vishwa Vidyapeetham Network based system for predicting landslides and providing early warnings
CA3076047A1 (en) * 2020-03-17 2021-09-17 Transoft Solutions Inc. System and method for automated design of accessible ramps

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109872508A (zh) * 2019-01-28 2019-06-11 绍兴文理学院 基于光纤光栅的大型露天矿山滑坡灾害预警方法
CN112095596A (zh) * 2020-11-03 2020-12-18 成都诺比侃科技有限公司 基于云平台的边坡预应力锚杆智能化监测预警系统及方法
CN112396936A (zh) * 2020-11-10 2021-02-23 中国矿业大学(北京) 一种岩质边坡崩塌物理实验模型及方法
CN112487545A (zh) * 2021-01-05 2021-03-12 深圳市中勘勘测设计有限公司 基于大数据轴力监测的边坡安全实时监测预警系统
CN113034855A (zh) * 2021-03-09 2021-06-25 杭州电子科技大学 一种基于npr缆索滑动力监测的边坡滑坡预警方法
CN113408184A (zh) * 2021-04-21 2021-09-17 中国地质大学（武汉） 基于遗传算法和离散元分析法的锚固边坡安全性评价方法
CN113111595A (zh) * 2021-06-15 2021-07-13 西南交通大学 一种边坡智能预警方法和装置
CN114297767A (zh) * 2022-02-23 2022-04-08 青岛理工大学 深凹矿山开挖边坡主动锚固优化设计方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
基于变量筛选的岩质高边坡锚杆轴力预测;沙勇华等;《河南科学》;20160629(第06期);917-922 *
基于锚杆监测的单滑动面边坡动态预警分析及安全分级;晏长根等;《中国公路学报》;20180615(第06期);192-198 *
应力监测在公路岩质边坡中的应用研究;郭永建等;《岩土力学》;20130510(第05期);1397-1401 *

Also Published As

Publication number Publication date
CN114676646A (zh) 2022-06-28

Similar Documents

Publication Publication Date Title
Zhao et al. A numerical study on the influence of anchorage failure for a deep excavation retained by anchored pile walls
CN109063327A (zh) 基于动力弹塑性和地面运动的地震破坏力评价方法及装置
JP2003278171A (ja) 液状化現象予測システム
ElSawy et al. Data Reduction and Dynamic p-y Curves of Helical Piles from Large-Scale Shake Table Tests
Su et al. Effect of loading direction on the response of laterally loaded pile groups in sand
CN112329287B (zh) 一种基于试桩监测数据的p-y曲线贝叶斯学习方法
CN115374528B (zh) 一种边坡安全性分析方法、系统、设备及可读存储介质
CN117272232A (zh) 数据融合的隧道监测方法、装置、计算机设备及存储介质
Li et al. A feasible approach to predicting time-dependent bearing performance of jacked piles from CPTu measurements
CN108509755A (zh) 基于高应变测试数据的管桩竖向承载力分析方法及系统
Yuan et al. Reliability analysis of soil nail internal limit states using default FHWA load and resistance models
Yu et al. Probabilistic analysis of tunnel liner performance using random field theory
Abyani et al. Statistical assessment of seismic fragility curves for steel jacket platforms considering global dynamic instability
Li et al. Bayesian Approach for Sequential Probabilistic Back Analysis of Uncertain Geomechanical Parameters and Reliability Updating of Tunneling‐Induced Ground Settlements
Sheikh et al. Seismic fragility analysis using nonlinear autoregressive neural networks with exogenous input
Zhou et al. Investigation of the load–settlement response of piles in sand using an interface constitutive model
CN114676646B (zh) 用于边坡的智能预警方法、装置、设备及可读存储介质
Zhao et al. Three‐Dimensional, Real‐Time, and Intelligent Data Acquisition of Large Deformation in Deep Tunnels
Rodgers et al. Seismic response and damage detection analyses of an instrumented steel moment-framed building
Carpinteri et al. Structural assessment of a 17th-century masonry vault with acoustic emissions and numerical techniques
CN115238533A (zh) 边坡块体稳定性评价方法、系统、设备及可读存储介质
Ong et al. Soil–structure interactions in a capped CBP Wall System triggered by localized Hydrogeological Drawdown in a Complex Geological setting
CN119203729A (zh) 一种桩基承载能力智能预测方法及装置
Feng et al. Three-dimensional finite element modelling for seismic response analysis of pile-supported bridges
Van Hoa Rational Pile Design using Computer-based Program Coding in Matlab: A Case Study

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
CB03 Change of inventor or designer information

Inventor after: Feng Jun

Inventor after: Zhang Junyun

Inventor after: Xiang Bo

Inventor after: Wu Kai

Inventor after: Yang Tao

Inventor after: Jiang Nan

Inventor before: Feng Jun

Inventor before: Zhang Junyun

Inventor before: Xiang Bo

Inventor before: Zou Kai

Inventor before: Yang Tao

Inventor before: Jiang Nan

CB03 Change of inventor or designer information