CN114973606A - 一种基于树莓派控制模块的滑坡监测预警方法 - Google Patents
一种基于树莓派控制模块的滑坡监测预警方法 Download PDFInfo
- Publication number
- CN114973606A CN114973606A CN202210730230.8A CN202210730230A CN114973606A CN 114973606 A CN114973606 A CN 114973606A CN 202210730230 A CN202210730230 A CN 202210730230A CN 114973606 A CN114973606 A CN 114973606A
- Authority
- CN
- China
- Prior art keywords
- early warning
- raspberry
- monitoring
- landslide
- displacement
- 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.)
- Granted
Links
Images
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
-
- 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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B7/00—Signalling systems according to more than one of groups G08B3/00 - G08B6/00; Personal calling systems according to more than one of groups G08B3/00 - G08B6/00
- G08B7/06—Signalling systems according to more than one of groups G08B3/00 - G08B6/00; Personal calling systems according to more than one of groups G08B3/00 - G08B6/00 using electric transmission, e.g. involving audible and visible signalling through the use of sound and light sources
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/38—Services specially adapted for particular environments, situations or purposes for collecting sensor information
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Emergency Management (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geology (AREA)
- Business, Economics & Management (AREA)
- Environmental & Geological Engineering (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Pit Excavations, Shoring, Fill Or Stabilisation Of Slopes (AREA)
- Emergency Alarm Devices (AREA)
Abstract
Description
技术领域
本发明涉及滑坡监测技术领域,具体涉及一种基于树莓派控制模块的滑坡监测预警方法。
背景技术
滑坡是一种常见的自然灾害,它对自然环境和人民生命财产安全构成严重的威胁,滑坡灾害形变监测是滑坡灾害防治工作的数据支撑。由于传感器的普及以及物联网技术的发展,目前滑坡灾害监测预警方法以改进切线角四级预警机制作为阈值判断,实地自动采集滑坡灾害监测,并通过后台服务器对数据进行自动计算,将结果与阈值进行对比,并通过短信、现场的声光设备来完成对滑坡灾害的预警预报消息发布;
完整的滑坡监测数据分为初始变形阶段、等速变形阶段、加速变形阶段。目前滑坡灾害预警方法中的阈值判据是采用定量划分标准:(1)当改进切线角α≈45°,斜坡变形处于等速变形阶段,进行蓝色预警;(2)当改进切线角45°<α<80°,斜坡变形进入初加速变形阶段,进行黄色预警;(3)当改进切线角80°≤α<85°,斜坡变形进入中加速变形阶段,进行橙色预警;(4)当改进切线角α≥85°,斜坡变形进入加加速变形(临滑)阶段,进行红色预警;当改进切线角≈89°,滑坡进入临滑状态,应发布临滑警报;然而并不是所有的滑坡变形曲线都满足上述的划分标准,有些滑坡临滑时刻改进切线角是小于89°的,甚至不足85°(例如塔子坪滑坡的临滑切线角为75.6°)。
目前滑坡灾害预警系统中数据的计算,预警预报消息的发布多数通过后台服务器完成,该系统存在因采集数据传输、预警预报指令发布导致的时间滞后问题。
发明内容
本发明意在提供一种基于树莓派控制模块的滑坡监测预警方法,以解决改进切线角四级预警机制存在漏报以及监测设备因采集数据传输、预警预报质量发布导致时间滞后的问题。
为达到上述目的,本发明提供了一种基于树莓派控制模块的滑坡监测预警方法,具体包括以下步骤:
S1:在服务器端建立滑坡累计位移-时间曲线样本库,对样本库中的滑坡累计位移-时间曲线进行初始变形阶段、等速变形阶段和加速变形阶段划分;
S4:若滑坡累计位移-时间曲线样本库更新,则重复S1~S3步骤更新预测关系模型;
S5:所述服务器将预测关系模型同步到树莓派中,位移监测传感器采集位移监测数据并将位移监测数据传输到树莓派中;
S6:通过树莓派中的数据预处理模块提取位移监测数据的标签数据,所述标签数据包括:等速变形阶段平均速率和每个监测时刻的改进切线角α,树莓派将从位移监测数据中提取的标签数据作为S5中预测关系模型的输入因子,得到加速变形阶段完成率预测值CP′;
S7:若加速变形阶段完成率预测值CP′满足设置的预警阈值,树莓派发出预警指令。
优选的,作为一种改进,所述加速变形阶段完成率CP公式如下:
式中tx为加速变形阶段中的任意时刻;ts为加速变形阶段的起始时刻;tf为加速变形阶段的终点时刻;CP为加速变形阶段的加速变形阶段完成率,CP∈[0,1]。
优选的,作为一种改进,所述S4中定时对滑坡累计位移-时间曲线样本库进行更新。通过滑坡累计位移-时间曲线样本库不间断更新,服务器会定时更新预测关系模型,使α和CP三个参数的对应关系越来越准,提高加速变形阶段完成率预测值CP′的准确性。
优选的,作为一种改进,所述改进切线角α的公式如下:
式中T(j)为变换后与时间相同量纲的纵坐标数值,tj为某一监测时刻,Δt为计算累计位移S时对应的单位时刻,ΔT为单位时间段内T(j)的变化量。
优选的,作为一种改进,所述T(j)的公式如下:
式中Sj为某一单位时间刻监测斜坡的累计位移值,T(j)为变换后与时间相同量纲的纵坐标数值。
式中vi为等速变形阶段内各不同时刻,其中l为等速变形阶段的监测次数。
优选的,作为一种改进,所述S7中树莓派通过GPRS模块向服务器发出预警指令。通过GPRS模块可以快速找到服务器地址,从而可以快速将预警指令信息发送到服务器。
优选的,作为一种改进,所述S5中位移监测数据通过位移监测传感器和ZigBee传感器组建的局域网向树莓派发送,位移监测数据通过树莓派和GPRS模块实时的上传至服务器。ZigBee网路技术时延较低,树莓派可以及时获取到位移监测数据,从而可以从预测关系模型快速获得加速变形阶段完成率预测值CP′,树莓派可以及时发出预警指令,保障生命安全和减少财产损失。
优选的,作为一种改进,所述树莓派通过ZigBee传感器向声光预警传感器发出预警指令。通过声光传感器快速执行树莓派的预警指令,使得监测点的监测人员可以及时进行相关工作。
优选的,作为一种改进,所述加速阶段完成率真实值CP与加速变形阶段完成率预测值CP′的误差百分比小于5%。
本发明采用的BP神经网络算法属于深度学习算法中较为经典的一种,有较强大特征数据对应关系的挖掘能力,等速变形阶段的平均速率可看作滑坡蠕变模型中各参数的综合外在表现,加速变形阶段的改进切线角α能直接反映累计位移-时间曲线加速变形特征,因此采用BP神经网络算法建立构建α和CP三个参数的预测关系模型,挖掘α与CP之间的对应关系,其中α作为模型输入参数,CP作为输出参数。随着数据样本的增加,反应滑坡累计位移-时间曲线的有效样本增加,加速变形阶段完成率的预测准确率将得到提升;本发明通过预测加速变形阶段完成率并将预测结果与预设阈值作对比从而判断是否需要进行预警和发送预警信息,通过加速变形阶段完成率的预测关系模型解决了改进切线角滑坡预警机制的漏报问题;本发明通过将训练好的预测关系模型定期更新并下载至树莓派中,树莓派将预测值与设定的预警阈值进行对比并进行预警信息发布,实现了预警处理任务从服务器转移至下位机,解决了因数据传输至服务器而导致的预警发布滞后问题;粒子群优化BP神经网络算法拟解决BP神经网络算法易陷入局部最优解的问题。
附图说明
图1为本发明实施例滑坡监测预警方法的流程图。
图2为本发明实施例的滑坡监测方法采用系统的系统架构图。
图3为本发明实施例的滑坡累计位移-时间变化曲线图。
具体实施方式
下面通过具体实施方式进一步详细说明:
实施例1:
如附图1所示,本发明提供了一种基于树莓派控制模块的滑坡监测方法,具体包括以下步骤:
S1、在服务器端建立滑坡累计位移-时间曲线样本库,对样本库中的滑坡累计位移-时间曲线进行初始变形阶段、等速变形阶段、加速变形阶段划分;样本库中的滑坡累计位移-时间曲线具体如图3所示,横坐标为时间,纵坐标为位移,由图3可知,滑坡的累计位移在加速变形阶段变化比较快。由于滑坡介质(有滑坡全是土、有些是滑坡岩土混合并且混合的比例也不一样)的不同,周期性及非周期性的环境因素(如降雨、人工开挖、库区水位、地下水等等),不同的滑坡其累计位移-时间监测曲线很少有雷同的。
式中vi为等速变形阶段内各不同时刻,其中l为等速变形阶段的监测次数;变换后与时间相同量纲的纵坐标数值T(j),具体计算公式如下:
式中Sj为某一单位时间刻监测斜坡的累计位移值;改进切线角α,具体计算公式如下:
式中T(j)为变换后与时间相同量纲的纵坐标数值,tj为某一监测时刻,Δt为计算累计位移S时对应的单位时刻,ΔT为单位时间段内T(j)的变化量;加速变形阶段完成率CP,具体计算公式如下:
式中tx为加速变形阶段中的任意时刻;ts为加速变形阶段的起始时刻;tf为加速变形阶段的终点时刻(即滑坡的临滑时刻);CP为加速变形阶段的加速变形阶段完成率,CP∈[0,1]。BP神经网络算法属于深度学习算法中较为经典的一种,有较强大特征数据对应关系的挖掘能力,等速变形阶段的平均速率可看作滑坡蠕变模型中各参数的综合外在表现,加速变形阶段的改进切线角α能直接反映累计位移-时间曲线加速变形特征,因此采用BP神经网络算法建立构建α和CP三个参数的预测关系模型,挖掘α与CP之间的对应关系,其中α作为模型输入参数,CP作为输出参数,粒子群优化BP神经网络算法拟解决BP神经网络算法易陷入局部最优解的问题。
S41:若滑坡累计位移-时间曲线样本库更新,则重复S1~S3步骤更新预测关系模型;根据实际数据对预测关系模型进行训练更新,使得模型中的α和CP三个参数的关系更加准确,使得加速变形阶段完成率预测值CP′更加准确,减少误差,提高预警信息的准确性。
S42:定时对滑坡累计位移-时间曲线样本库更新。通过滑坡累计位移-时间曲线样本库不间断更新,服务器会定时更新预测关系模型,使α和CP三个参数的对应关系越来越准,提高加速变形阶段完成率预测值CP′的准确性。
本实施例经过几十组坡累计位移-时间曲线样本训练处的关系预测模型得到的加速阶段完成率真实值CP与加速变形阶段完成率预测值CP′的误差百分比小于5%。
S51:位移监测传感器采集位移监测数据并将位移监测数据传输到树莓派中;位移监测传感器与树莓派间有ZigBee传感器组建的局域网,ZigBee网路技术时延较低,树莓派可以及时获取到位移监测数据,从而可以使预测关系模型快速获得加速变形阶段完成率预测值CP′,树莓派可以及时发出预警指令,保障生命安全和减少财产损失;
S52:服务器将预测关系模型传输到树莓派中,在树莓派中计算加速变形阶段完成率预测值CP′,实现了预警处理任务从服务器转移至下位机,解决了因数据传输至服务器而导致的预警发布滞后问题;
S53:树莓派获取到位移监测数据后会讲位移监测数据传输到服务器端,从而更新坡累计位移-时间曲线样本库,再根据滑坡累计位移-时间曲线样本库同步更新关系预测模型至树莓派中。
S6:树莓派数据预处理模块根据内嵌的计算公式(1)~公式(3)提取位移监测数据的标签数据,所述标签数据包括:等速变形阶段平均速率每个监测时刻的改进切线角α,树莓派将标签数据作为S5中预测关系模型的输入因子,得到加速变形阶段完成率预测值CP′。具体步骤如下:
S61:树莓派的数据预处理模块根据内嵌的计算公式(1)获取等速变形阶段的平均速率将l和vi参数代入计算公式(1)获得平均速率vi的各不同时刻根据监测周期确定,例如1天或者1周等,其中l也可根据监测周期进行确定。
S63:树莓派的数据预处理模块根据内嵌的公式(3)获取改进切线角α,将Δt和ΔT带入公式(3)获得改进切线角α。
S7:若加速变形阶段完成率预测值CP′满足设置的预警阈值,树莓派发出预警指令。树莓派通过GPRS模块向服务器发出预警指令。通过GPRS模块可以快速找到服务器地址,从而可以快速将预警指令信息发送到服务器。树莓派通过ZigBee传感器向声光预警传感器发出预警指令。通过声光传感器快速执行树莓派的预警指令,使得监测点的监测人员可以及时进行相关工作。
本步骤中预警阈值设置有多个,不同的预警阈值对应不同的预警指令,这样可以引导相应工作人员进行及时正确的处理,减少滑坡带来的危害。例如预警阈值为0.7、0.8和0.9,其中当预警阈值为0.7时,树莓派发出黄色预警的预警指令;当预警阈值为0.8时,树莓派发出橙色预警的预警指令;当预警阈值为0.9时,树莓派发出红色预警的预警指令。其中黄色预警时滑坡的可能性最低,红色预警时滑坡的可能性最高。
本发明一种基于树莓派控制模块的滑坡监测方法采用系统的系统架构图,如附图2所示,
位移监测传感器通过ZigBee传感器组建的局域网向树莓派中实时地传输位移监测数据,树莓派通过GPRS模块实时地将位移监测数据上传至服务器;服务器端对预测关系模型进行训练,并将预测关系模型同步更新到树莓派中,树莓派通过训练好的预测关系模型,实时获取加速变形阶段完成率预测值CP′,当取加速变形阶段完成率预测值CP′达到预先设置的阈值时,树莓派通过ZigBee传感器向声光预警传感器发送预警指令,实现灾害现场的预警信息发布,另外,树莓派通过GPRS模块将预警指令信息发送至服务器。
具体过程如下:
S51中通过ZigBee网络获取位移监测数据,即位移监测传感器检测到的数据。
实时传输的位移监测数据通过位移监测传感器和ZigBee传感器组建的局域网向树莓派发送,位移监测数据通过树莓派和GPRS模块实时的上传至服务器。树莓派通过ZigBee传感器向声光预警传感器发送预警指令。服务器中的滑坡累计位移-时间曲线样本不间断更新,服务器会定时更新预测关系模型,并同步更新至树莓派中。
S7中通过GPRS模块向指定的监测点驻守人员发送预警信息。通过GPRS模块可以快速找到监测点驻守人员和发送预警信息给监测点驻守人员。
ZigBee的响应速度较快,一般从睡眠转入工作状态只需15ms,节点连接进入网络只需30ms,采用ZigBee网路技术时延较低,树莓派可以及时获取到位移监测数据,加速获取速变形阶段完成率预测值CP′,可以及时发送出预警指令信息,保障生命安全和减少财产损失。
本发明采用BP神经网络算法建立构建α和CP三个参数的预测关系模型,挖掘α与CP之间的对应关系,其中α作为模型输入参数,CP作为输出参数,解决改了进切线角四级预警机制存在漏报的问题,同时粒子群优化BP神经网络算法拟解决BP神经网络算法易陷入局部最优解的问题;定时更新滑坡累计位移-时间曲线的样本库,对预测关系模型进行更新训练,使得加速变形阶段完成率预测值CP′准确率得到提升;本发明通过预测加速变形阶段完成率并将预测结果与预设阈值作对比从而判断是否需要进行预警和发送预警信息,通过加速变形阶段完成率的预测关系模型解决了改进切线角滑坡预警机制的漏报问题;本发明通过将训练好的预测关系模型定期更新并下载至树莓派中,树莓派将预测值与设定的预警阈值进行对比并进行预警信息发布,实现了预警处理任务从服务器转移至下位机,解决了因数据传输至服务器而导致的预警发布滞后问题;采用ZigBee网路技术进行信息传输,可以及时向监测点驻守人员发送预警信息,保障生命安全和减少财产损失。
以上所述的仅是本发明的实施例,方案中公知的具体技术方案和/或特性等常识在此未作过多描述。应当指出,对于本领域的技术人员来说,在不脱离本发明技术方案的前提下,还可以作出若干变形和改进,在本发明中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。本申请要求的保护范围应当以其权利要求的内容为准,说明书中的具体实施方式等记载可以用于解释权利要求的内容。
Claims (9)
1.一种基于树莓派控制模块的滑坡监测预警方法,其特征在于,具体包括以下步骤:
S1:在服务器端建立滑坡累计位移-时间曲线样本库,对样本库中的滑坡累计位移-时间曲线进行初始变形阶段、等速变形阶段和加速变形阶段划分;
S4:若滑坡累计位移-时间曲线样本库更新,则重复S1~S3步骤更新预测关系模型;
S5:所述服务器将预测关系模型同步到树莓派中,位移监测传感器采集位移监测数据并将位移监测数据传输到树莓派中;
S6:通过树莓派中的数据预处理模块提取位移监测数据的标签数据,所述标签数据包括:等速变形阶段平均速率和每个监测时刻的改进切线角α,树莓派将从位移监测数据中提取的标签数据作为S5中预测关系模型的输入因子,得到加速变形阶段完成率预测值CP′;
S7:若加速变形阶段完成率预测值CP′满足设置的预警阈值,树莓派发出预警指令。
3.根据权利要求1所述的一种基于树莓派控制模块的滑坡监测预警方法,其特征在于,所述S4中定时对滑坡累计位移-时间曲线样本库进行更新。
7.根据权利要求1所述的一种基于树莓派控制模块的滑坡监测预警方法,其特征在于,所述S7中树莓派通过GPRS模块向服务器发出预警指令。
8.根据权利要求1所述的一种基于树莓派控制模块的滑坡监测预警方法,其特征在于,所述S5中位移监测数据通过位移监测传感器和ZigBee传感器组建的局域网向树莓派发送,位移监测数据通过树莓派和GPRS模块实时的上传至服务器。
9.根据权利要求8所述的一种基于树莓派控制模块的滑坡监测预警方法,其特征在于,所述树莓派通过ZigBee传感器向声光预警传感器发出预警指令。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210730230.8A CN114973606B (zh) | 2022-06-24 | 2022-06-24 | 一种基于树莓派控制模块的滑坡监测预警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210730230.8A CN114973606B (zh) | 2022-06-24 | 2022-06-24 | 一种基于树莓派控制模块的滑坡监测预警方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114973606A true CN114973606A (zh) | 2022-08-30 |
CN114973606B CN114973606B (zh) | 2023-07-28 |
Family
ID=82966324
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210730230.8A Active CN114973606B (zh) | 2022-06-24 | 2022-06-24 | 一种基于树莓派控制模块的滑坡监测预警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114973606B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115457736A (zh) * | 2022-07-25 | 2022-12-09 | 重庆大学 | 一种基于加速变形阶段完成率的滑坡预警方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090121888A1 (en) * | 2005-07-25 | 2009-05-14 | Bryan Reeves | Method and System of Determining Alarm Conditions |
CN101692129A (zh) * | 2009-09-09 | 2010-04-07 | 杨人光 | 生态灾害监测预报系统 |
CN106599372A (zh) * | 2016-11-18 | 2017-04-26 | 中国电建集团成都勘测设计研究院有限公司 | 边坡变形阶段位移时间曲线切线角的确定方法 |
CN108416150A (zh) * | 2018-03-15 | 2018-08-17 | 河北工业大学 | 一种具有流变及加速变形特征的斜边坡预警预报方法 |
WO2021106006A1 (en) * | 2019-11-29 | 2021-06-03 | Lovely Professional University | Machine learning enabled system for landslide early warning |
CN113743242A (zh) * | 2021-08-13 | 2021-12-03 | 成都理工大学 | 一种基于树莓派的滑坡体检测与识别方法 |
-
2022
- 2022-06-24 CN CN202210730230.8A patent/CN114973606B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090121888A1 (en) * | 2005-07-25 | 2009-05-14 | Bryan Reeves | Method and System of Determining Alarm Conditions |
CN101692129A (zh) * | 2009-09-09 | 2010-04-07 | 杨人光 | 生态灾害监测预报系统 |
CN106599372A (zh) * | 2016-11-18 | 2017-04-26 | 中国电建集团成都勘测设计研究院有限公司 | 边坡变形阶段位移时间曲线切线角的确定方法 |
CN108416150A (zh) * | 2018-03-15 | 2018-08-17 | 河北工业大学 | 一种具有流变及加速变形特征的斜边坡预警预报方法 |
WO2021106006A1 (en) * | 2019-11-29 | 2021-06-03 | Lovely Professional University | Machine learning enabled system for landslide early warning |
CN113743242A (zh) * | 2021-08-13 | 2021-12-03 | 成都理工大学 | 一种基于树莓派的滑坡体检测与识别方法 |
Non-Patent Citations (2)
Title |
---|
蔡泽宏;: "基于滑坡监测数据的预警判据研究", 福建建筑, no. 09, pages 71 - 75 * |
许强;曾裕平;钱江澎;王承俊;何成江;: "一种改进的切线角及对应的滑坡预警判据", 地质通报, no. 04, pages 501 - 505 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115457736A (zh) * | 2022-07-25 | 2022-12-09 | 重庆大学 | 一种基于加速变形阶段完成率的滑坡预警方法 |
CN115457736B (zh) * | 2022-07-25 | 2023-08-04 | 重庆大学 | 一种基于加速变形阶段完成率的滑坡预警方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114973606B (zh) | 2023-07-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114331000A (zh) | 一种基于人工智能的智慧园区能耗管理系统 | |
CN111341068B (zh) | 一种基于深度学习的钻井现场危险区域预警系统构成方法 | |
CN111945796A (zh) | 基于bim技术的基坑变形监测同步模拟分析及实时预警系统 | |
CN114973606A (zh) | 一种基于树莓派控制模块的滑坡监测预警方法 | |
CN115907446B (zh) | 一种基建工程施工进度的智能管控评估系统 | |
CN111882202A (zh) | 一种基于bp神经网络的群体建筑同步建造风险管理系统 | |
CN111882071A (zh) | 一种基于机器学习的预应力钢构件监测方法 | |
CN111539690A (zh) | 基于bim的施工项目协同管理方法及系统 | |
CN112084550A (zh) | 一种装配式建筑预制构件智能吊装过程数字孪生建模方法 | |
CN110097100A (zh) | 一种基于离散动态贝叶斯网络的桥梁状态评估方法 | |
CN113962439A (zh) | 基于工业大数据的云平台数据管理系统及其构建方法 | |
CN113516819A (zh) | 烟草仓库智能化电气火灾预警系统及方法 | |
CN115766501B (zh) | 一种基于大数据的隧道施工数据管理系统及方法 | |
CN112529399A (zh) | 一种河道智能监控综合管理系统及方法 | |
CN110991799A (zh) | 一种配电网生产综合预警方法 | |
CN114936409A (zh) | 土木工程结构数字孪生建模方法 | |
CN116777085B (zh) | 基于数据分析和机器学习技术的煤矿水害预测系统 | |
CN114092051A (zh) | 一种工程施工全流程实时监控管理系统 | |
CN208752678U (zh) | 一种基于bim管理平台的建筑施工监测系统 | |
CN110595926A (zh) | 一种建筑材料硬度承受能力检测系统及方法 | |
CN115640980A (zh) | 基于目标控制的电网工程造价动态管理系统 | |
CN211015077U (zh) | 一种基于智能系统平台的桥梁监测系统 | |
CN112947240A (zh) | 牵引系统智能数控平台 | |
CN113487157A (zh) | 基于云技术的预应力施工质量无人化监管平台及方法 | |
CN117877198B (zh) | 一种应用于施工现场的安全运维系统 |
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 |