CN115116202B - 一种滑坡灾害预警方法、装置、设备及可读存储介质 - Google Patents

一种滑坡灾害预警方法、装置、设备及可读存储介质 Download PDF

Info

Publication number
CN115116202B
CN115116202B CN202211036838.7A CN202211036838A CN115116202B CN 115116202 B CN115116202 B CN 115116202B CN 202211036838 A CN202211036838 A CN 202211036838A CN 115116202 B CN115116202 B CN 115116202B
Authority
CN
China
Prior art keywords
information
landslide
early warning
neural network
side slope
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
CN202211036838.7A
Other languages
English (en)
Other versions
CN115116202A (zh
Inventor
杨涛
张哲�
饶云康
陈怀林
李搏凯
郁智超
黄国东
冯治国
余家富
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
China State Railway Group Co Ltd
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 CN202211036838.7A priority Critical patent/CN115116202B/zh
Publication of CN115116202A publication Critical patent/CN115116202A/zh
Application granted granted Critical
Publication of CN115116202B publication Critical patent/CN115116202B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B29/00—Checking or monitoring of signalling or alarm systems; Prevention or correction of operating errors, e.g. preventing unauthorised operation
    • G08B29/18—Prevention or correction of operating errors
    • G08B29/185—Signal analysis techniques for reducing or preventing false alarms or for enhancing the reliability of the system
    • G08B29/186—Fuzzy logic; 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
    • 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
    • Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
    • Y02A10/23—Dune restoration or creation; Cliff stabilisation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Computer Security & Cryptography (AREA)
  • Fuzzy Systems (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Environmental & Geological Engineering (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Geology (AREA)
  • Business, Economics & Management (AREA)
  • Emergency Management (AREA)
  • Pit Excavations, Shoring, Fill Or Stabilisation Of Slopes (AREA)

Abstract

本发明提供了一种滑坡灾害预警方法、装置、设备及可读存储介质，涉及滑坡灾害的预警技术领域，包括获取第一信息，计算第二信息，根据所获取的第一信息构建出虚拟的边坡模型，仿真模拟计算得到滑坡信息；根据第一信息和第二信息构建神经网络模型，并根据神经网络模型得到预测滑坡信息；根据预测滑坡信息，对边坡的潜在滑坡进行等级划分，得到滑坡预警等级。本发明通过监测点的数据来计算边坡浅层的速率，加速度，点与点之间的倾角变化，计算简单，容易实现；并且，通过神经网络模型的预测，将滑坡形成的具体时间和发生滑坡的体积大小结合起来进行预警，能够有效准确的避免人员伤亡和经济损失。

Description

一种滑坡灾害预警方法、装置、设备及可读存储介质
技术领域
本发明涉及滑坡灾害预警技术领域，具体而言，涉及一种滑坡灾害预警方法、装置、设备及可读存储介质。
背景技术
滑坡灾害的分布十分的广泛，严重的滑坡事故会对人类造成巨大的经济财产损失，甚至造成人员伤亡。现有的各种滑坡预警方法设置预警阈值的时候，通常是通过大量的统计分析或者结合了滑坡各种宏观变形情况做出粗略的判断，没有办法对边坡的各种细微变形进行有效的检测，监测不够及时；且目前市场上的各种边坡位移检测装置的成本造价和保养维护费用高昂，装置测量的精度也是十分的有限，导致对于滑坡的预警不够准确，也不够及时，因此往往起不到很好的预警效果。
发明内容
本发明的目的在于提供一种滑坡灾害预警方法、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，本申请提供了一种滑坡灾害预警方法，包括：
获取第一信息，所述第一信息包括边坡的地质信息、监测点信息和所述边坡的土体参数信息，所述监测点信息为设置在所述边坡上的至少两个监测点采集的信息；
根据所述监测点信息计算出第二信息，所述第二信息包括每个所述监测点的位移变化信息和所述边坡的表面数据；
根据所述第一信息，构建出虚拟边坡模型，仿真模拟计算得到所述虚拟边坡模型的滑坡信息，所述滑坡信息包括虚拟滑坡的形状、所述虚拟滑坡在所述虚拟边坡模型中出现的位置信息和所述虚拟滑坡形成的时间信息；
根据所述第一信息、所述第二信息和所述滑坡信息构建神经网络模型，并根据所述神经网络模型，得到预测滑坡信息，包括预测滑坡的形状信息、所述预测滑坡位置信息和所述预测滑坡形成的时间信息；
根据所述预测滑坡信息，对所述边坡的潜在滑坡进行等级划分，得到滑坡预警等级。
第二方面，本申请还提供了一种滑坡灾害预警装置，包括：
信息获取模块，用于获取第一信息，所述第一信息包括边坡的地质信息、监测点信息和所述边坡的土体参数信息，所述监测点信息为设置在所述边坡上的至少两个监测点采集的信息；
计算建模模块，用于根据所述监测点信息计算出第二信息，所述第二信息包括每个所述监测点的位移变化信息和所述边坡的表面数据，并根据所述第一信息构建出虚拟边坡模型，仿真模拟计算得到所述虚拟边坡模型的滑坡信息，所述滑坡信息包括虚拟滑坡的形状、所述虚拟滑坡在所述虚拟边坡模型中出现的位置信息和所述虚拟滑坡形成的时间信息；
神经网络训练模块，用于根据所述第一信息、所述第二信息和所述滑坡信息构建神经网络模型，并根据所述神经网络模型，得到预测滑坡信息，包括预测滑坡的形状信息、预测滑坡位置信息和预测滑坡形成的时间信息；
预警信息模块，用于根据所述预测滑坡信息，对所述边坡的潜在滑坡进行等级划分，得到滑坡预警等级。
第三方面，本申请还提供了一种滑坡灾害预警设备，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所述滑坡灾害预警方法的步骤。
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基于滑坡灾害预警方法的步骤。
本发明的有益效果为：本发明通过监测点信息得到现场的位移数据，对监测点信息、边坡的各种土体参数和边坡的地质信息进行处理，并且结合神经网络模型对边坡的滑坡的位置以及滑坡的形态进行准确的预测，及实地进行边坡预警等级的反馈，能够避免可能发生的滑坡造成人员财产的损失。
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滑坡灾害预警方法流程示意图；
图2为本发明实施例中所述的滑坡灾害预警装置结构示意图；
图3为本发明实施例中所述的滑坡灾害预警设备结构示意图。
图中标记：100、信息获取模块；200、计算建模模块；201、第一计算单元；202、第二计算单元；203、第三计算单元；204、第一建模单元；205、第四计算单元；300、神经网络训练模块；301、第一训练单元；302、第二训练单元；303、第三训练单元；400、预警信息模块；401、第一预警信息单元；402、第二预警信息单元；800、滑坡灾害预警设备；801、处理器；802、存储器；803、多媒体组件；804、I/O接口；805、通信组件。
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：
本实施例提供了一种滑坡灾害预警方法。
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和步骤S500，其中：
步骤S100、获取第一信息，第一信息包括边坡的地质信息、监测点信息和边坡的土体参数信息，监测点信息为设置在所述边坡上的至少两个监测点采集的信息。
在本步骤中，基于卫星遥感技术、无人机摄影技术和高密度电阻率法分别获取边坡的地质信息。边坡的地质信息包括边坡的坡度、坡向、高程、地貌类型、地层岩性等信息。监测点信息包括各个监测点的空间上的位移、各个监测点之间的距离和连线的倾角等信息。边坡的土体参数包括内摩擦角、粘聚力、重度、弹性模量、泊松比、剪切模量、液性指数、塑性指数、孔隙率和含水量等信息。
在本实施例中，监测点的设置应该能够反应边坡的变形情况，因此监测点一般布置在边坡的剖面或者断面位置，同时这些位置要尽可能地悬在变形量大的位置。各个监测点的距离为5-10米之间，根据具体情况选择，地形较为平坦，起伏不大的地方，监测点布置可以较为稀疏，在地形变化明显，且有特殊地形的地方应该尽可能地把监测点布置的密集一些。同时，还需要保证监测点之间连线的倾角不能过大。
步骤S200、根据监测点信息计算出第二信息，第二信息包括每个监测点的位移变化信息和边坡的表面数据。第二信息的计算方法包括步骤S201、步骤S202、步骤S203、步骤S204，其中：
步骤S201、获取设置在边坡上的所有监测点的位移信息，包括各个监测点自身的空间上的位移、各个监测点之间相互连线的长度变化和连线的倾角变化；
步骤S202、根据监测点位移信息，计算出各个监测点的位移变化曲线；
步骤S203、根据各个监测点的位移变化曲线，计算出每个监测点的位移变化信息，包括每个监测点在三维空间中的位移速率和沿着三个方向的位移加速度；
步骤S204、根据各个监测点的位移信息，计算出边坡的表面数据，包括边坡表面的振动频率、最大振幅和边坡表面各个位置的倾角变化速率。
在上述步骤中，各个监测点的初始的空间坐标为(xj1,yj1,zj1),(xj2,yj2,zj2),(xj3,yj3,zj3),(xj4,yj4,zj4),……,(xjn,yjn,zjn)，各个监测点发生位移变化后的空间坐标为(x′j1,y′j1,z′j1),(x′j2,y′j2,z′j2),(x′j3,y′j3,z′j3),(x′j4,y′j4,z′j4),……,(x′jn,y′jn,z′jn)，△t表示时间的变化量，Ljab表示监测点a与监测点b之间的距离，fa表示监测点a的振动频率，vjn表示监测点n的速率，ajn表示n点的加速度，各个监测点在三维空间中的位移速率的计算公式为：
Figure GDA0003887522240000061
各个监测点沿着三个方向的位移加速度的计算公式为：
Figure GDA0003887522240000062
监测点a与监测点b之间的距离的计算公式为：
Figure GDA0003887522240000071
监测点a的振动频率的计算公式为：
Figure GDA0003887522240000072
步骤S300、根据第一信息，构建出虚拟边坡模型，仿真模拟计算得到虚拟边坡模型的滑坡信息，滑坡信息包括虚拟滑坡的形状、虚拟滑坡在虚拟边坡模型中出现的位置信息和虚拟滑坡形成的时间信息。虚拟边坡模型的构建还包括步骤S301、步骤S302、步骤S303，滑坡信息的获取还包括步骤S304，其中：
步骤S301、根据第一信息，通过UG NX软件建立第一模型；
步骤S302、根据边坡地质信息中的地层信息对第一模型进行地层划分，得到第二模型；
步骤S303、将第二模型导入ANSYS软件中，对边坡进行网格的划分，得到虚拟边坡模型；
步骤S304、将虚拟边坡模型导入3DEC软件中，赋予模型边坡的土体参数信息，对虚拟边坡模型进行强度折减，仿真模拟计算得到虚拟边坡模型的滑坡信息。
步骤S400、根据第一信息、第二信息和滑坡信息构建神经网络模型，并根据神经网络模型，得到预测滑坡信息，预测滑坡信息包括预测滑坡的形状信息、预测滑坡位置信息和预测滑坡形成的时间信息，此步骤中还包括步骤S401、步骤S402、步骤S403，其中：
步骤S401、将第一信息、第二信息和滑坡信息进行集合，建立样本，将所有的样本按照4:1的比例进行划分，80％的样本为训练集用于训练，20％的样本为测试集用于预测；
步骤S402、将第一信息和第二信息作为神经网络模型的输入参数，滑坡信息作为神经网络模型的输出标签，构建神经网络模型；
步骤S403、利用训练集对神经网络模型进行训练，得到训练后的神经网络模型，将测试集用于神经网络模型的预测，输出得到预测滑坡信息。
在本实施例中，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应性。
步骤S500、根据预测滑坡信息，对边坡的潜在滑坡进行等级划分，得到滑坡预警等级，此步骤中还包括步骤S501、步骤S502，其中：
步骤S501、根据预测滑坡信息中的预测滑坡的形状信息，计算滑坡的体积和滑坡的形成信息，滑坡的形成信息包括一个监测组对应的评价指标和预设的第一计算公式得到的信息，评价指标由一个监测点对应的坡面函数与一个底滑面函数的导数之商计算得到；
步骤S502、根据滑坡的体积、滑坡的形成信息和和预测滑坡形成的时间信息，按表1-3预警等级划分标准，得到滑坡预警等级。
在本实施例中，预测滑坡的形状信息包括坡面的函数、底滑面的函数和长度。xn表示为第n个监测点的位置信息，一个监测点对应一个坡面和一个底滑面，坡面的函数采用多个分段函数g(x1),g(x2),g(x3),g(x4)……g(xn)表示，底滑面的函数采用多个分段函数s(x1),s(x2),s(x3),s(x4)……s(xn)表示，横向长度为l1，l2，l3，l4……ln，则滑坡的体积用以下表达式进行计算：
Figure GDA0003887522240000081
在本实施例中，评价指标为滑坡分析函数k(xn)计算得到，该函数的值在1的范围内一定程度地波动能判定滑坡的形成已经成熟，该函数表示如下：
Figure GDA0003887522240000091
式中，s′(xn)表示的是在监测点xn处的底滑面的函数的导数，当k(xn)的值接近1时，表示该位置的滑动即将发生。在申请中取5个相邻的监测点作为一个监测组，当预设的第一计算公式
Figure GDA0003887522240000092
Figure GDA0003887522240000093
时，判断xn到xn+5，5个点之间的滑面是成熟的滑面，
Figure GDA0003887522240000094
Figure GDA0003887522240000095
的计算公式如下：
Figure GDA0003887522240000096
在本实施例中，提供了预警等级划分标准如下表1-3所示：
表1预警等级划分
滑坡形成时间(V≥2000m<sup>3</sup>) 预警等级
滑坡形成时间小于10天 红色：预警等级Ⅳ
滑坡形成时间大于10天小于30天 紫色：预警等级Ⅲ
滑坡形成时间大于30天小于6个月 蓝色：预警等级Ⅱ
滑坡形成时间大于1年 黄色：预警等级Ⅰ
表1中，V代表土方量，表1表示所述边坡的滑带上部可能发生滑移的土体总量在V≥2000m3情况下的划分标准，也就是说在这种情况下，滑坡时间大于1年，预警等级为I，滑坡形成时间大于30天小于6个月，预警等级II，滑坡形成时间大于30天小于6个月，预警等级III，滑坡形成时间大于10天小于30天，预警等级IV，滑坡形成时间小于10天，以此类推。
表2预警等级划分
Figure GDA0003887522240000101
表2中，V代表土方量，表2表示所述边坡的滑带上部可能发生滑移的土体总量在2000m3≥V≥1000m3情况下的划分标准，也就是说在这种情况下，滑坡时间大于1年，预警等级为I，滑坡形成时间大于30天小于6个月，预警等级I，滑坡形成时间大于30天小于6个月，预警等级III，滑坡形成时间大于10天小于30天，预警等级IV，滑坡形成时间小于10天，以此类推。
表3预警等级划分
滑坡形成时间(V≤1000m3) 预警等级
滑坡形成时间小于10天 紫色：预警等级III
滑坡形成时间大于10天小于30天 蓝色：预警等级II
滑坡形成时间大于30天小于6个月 黄色：预警等级I
滑坡形成时间大于1年 绿色：安全
表3中，V代表土方量，表3表示所述边坡的滑带上部可能发生滑移的土体总量在V≤1000m3情况下的划分标准，也就是说在这种情况下，滑坡时间大于1年，预警等级为I，滑坡形成时间大于30天小于6个月，预警等级II，滑坡形成时间大于30天小于6个月，预警等级III，滑坡形成时间大于10天小于30天，预警等级IV，滑坡形成时间小于10天，以此类推。
本实施例中，综合考虑了滑坡形成的时间信息和滑坡的体积两个因素，再对预警等级进行确定，通过这种方式对于预警等级的划分十分的细致，让管理者能够有效的进行反馈，可以得到更为准确、实用的预警信息。
实施例2：
如图2所示，本实施例提供了一种滑坡灾害预警装置，所述装置包括信息获取模块100、计算建模模块200、神经网络训练模块300和预警信息模块400，其中：
信息获取模块100：用于获取第一信息，第一信息包括边坡的地质信息、监测点信息和所述边坡的土体参数信息，所述监测点信息为设置在所述边坡上的至少两个监测点采集的信息。
计算建模模块200：用于根据所述监测点信息计算出第二信息，所述第二信息包括每个所述监测点的位移变化信息和所述边坡的表面数据，并根据所述第一信息构建出虚拟边坡模型，仿真模拟计算得到所述虚拟边坡模型的滑坡信息，所述滑坡信息包括虚拟滑坡的形状、所述虚拟滑坡在所述虚拟边坡模型中出现的位置信息和所述虚拟滑坡形成的时间信息。
计算建模模块200还包括第一计算单元201、第二计算单元202、第三计算单元203、第一建模单元204和第四计算单元205，其中：
第一计算单元201：用于根据监测点信息，计算得到监测点的位移信息，包括各个监测点之间的连线长度数据和倾角变化数据；
第二计算单元202：用于根据监测点信息和监测点的位移信息，绘制出各个监测点的位移变化曲线，根据监测点的位移变化曲线，计算得到监测点的位移变化信息，包括监测点在三维空间中的位移速率和沿着三个方向的位移加速度；
第三计算单元203：用于根据监测点的位移信息，计算出边坡的表面数据，包括边坡的表面的振动频率、最大振幅和边坡的监测点的倾角变化速率；
第一建模单元204：用于根据第一信息，通过UG NX软件建立第一模型，根据地质信息中地层信息对第一模型进行地层划分，得到第二模型，将第二模型导入ANSYS软件，对所述第二模型进行网格划分，得到所述虚拟边坡模型；
第四计算单元205：用于将虚拟边坡模型导入3DEC软件中，根据边坡的土体参数信息对虚拟边坡模型进行强度折减，仿真模拟计算得到虚拟边坡模型的滑坡信息。
神经网络训练模块300：用于根据第一信息、第二信息和滑坡信息构建神经网络模型，并根据神经网络模型，得到预测滑坡信息，包括预测滑坡的形状信息、预测滑坡位置信息和预测滑坡形成的时间信息。
神经网络训练模块300还包括第一训练单元301、第二训练单元302和第三训练单元303，其中：
第一训练单元301：用于根据第一信息、第二信息和滑坡信息，进行集合，建立样本，将样本按4:1的比例进行划分，80％的样本为训练集用于训练，20％的样本为测试集用于预测；
第二训练单元302：用于将第一信息和第二信息作为神经网络模型的输入参数，滑坡信息作为神经网络模型的输出标签，构建神经网络模型；
第三训练单元303：用于对神经网络模型进行训练，得到训练后的神经网络模型，将测试集用于神经网络模型的预测，输出得到预测滑坡信息。
预警信息模块400：用于根据预测滑坡信息，对边坡的潜在滑坡进行等级划分，得到滑坡预警等级。
预警信息模块400还包括第一预警信息单元401和第二预警信息单元402，其中：
第一预警信息单元401，用于根据预测滑坡信息，计算得到滑坡的形成信息；滑坡的形成信息为一个监测组对应的评价指标和预设的第一计算公式得到的信息；评价指标由一个监测点对应的坡面函数与一个底滑面函数的导数之商计算得到，监测组为相邻预设数目的监测点构成；
第二预警信息单元402：用于根据滑坡的形成信息、预测滑坡形成的时间信息和预测滑坡的形状信息，得到滑坡预警等级。
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滑坡灾害预警设备，下文描述的一种滑坡灾害预警设备与上文描述的一种滑坡灾害预警方法可相互对应参照。
图3是根据示例性实施例示出的一种滑坡灾害预警设备800的框图。如图3所示，该滑坡灾害预警设备800可以包括：处理器801，存储器802。该滑坡灾害预警设备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用于控制该滑坡灾害预警设备800的整体操作，以完成上述的滑坡灾害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滑坡灾害预警设备800的操作，这些数据例如可以包括用于在该滑坡灾害预警设备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 Random Access Memory，简称SRAM)，电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory，简称EEPROM)，可擦除可编程只读存储器(Erasable Programmable 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用于该滑坡灾害预警设备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，滑坡灾害预警设备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，用于执行上述的滑坡灾害预警方法。
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滑坡灾害预警方法的步骤。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，上述程序指令可由滑坡灾害预警设备800的处理器801执行以完成上述的滑坡灾害预警方法。
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滑坡灾害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滑坡灾害预警方法的步骤。
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。
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 (8)

1.一种滑坡灾害预警方法，其特征在于，包括：
获取第一信息，所述第一信息包括边坡的地质信息、监测点信息和所述边坡的土体参数信息，所述监测点信息为设置在所述边坡上的至少两个监测点采集的信息；
根据所述监测点信息计算出第二信息，所述第二信息包括每个所述监测点的位移变化信息和所述边坡的表面数据；
根据所述第一信息，构建出虚拟边坡模型，仿真模拟计算得到所述虚拟边坡模型的滑坡信息，所述滑坡信息包括虚拟滑坡的形状、所述虚拟滑坡在所述虚拟边坡模型中出现的位置信息和所述虚拟滑坡形成的时间信息；
根据所述第一信息、所述第二信息和所述滑坡信息构建神经网络模型，并根据所述神经网络模型，得到预测滑坡信息，包括预测滑坡的形状信息、所述预测滑坡位置信息和所述预测滑坡形成的时间信息；
根据所述预测滑坡信息，对所述边坡的潜在滑坡进行等级划分，得到滑坡预警等级；
其中,根据所述预测滑坡信息，对所述边坡的潜在滑坡进行等级划分，得到滑坡预警等级，包括：
根据所述预测滑坡的形状信息，计算得到滑坡的形成信息，所述滑坡的形成信息为一个监测组对应的评价指标和预设的第一计算公式得到的信息，所述评价指标由一个监测点对应的坡面函数与一个底滑面函数的导数之商计算得到，所述监测组为相邻预设数目的所述监测点构成；
根据所述滑坡的形成信息、所述滑坡形成的时间信息和所述边坡的潜在滑坡的体积，得到所述滑坡预警等级；
其中，滑坡体积计算公式如下：
Figure FDA0003887522230000021
式中，g(x1),g(x2),g(x3),g(x4)……g(xn)表示为构成坡面的函数的多个分段函数，s(x1),s(x2),s(x3),s(x4)……s(xn)表示构成底滑面的函数的多个分段函数，l1，l2，l3，l4……ln为横向长度；
评价指标计算公式如下：
Figure FDA0003887522230000022
式中，s′(xn)表示的是在监测点xn处的底滑面的函数的导数，xjn，yjn，zjn分别表示监测点n初始空间坐标，x′jn,y′jn,z′jn分别表示监测点n发生位移变化后初始空间坐标，k(xn)为监测点n的评价指标。
2.根据权利要求1所述的滑坡灾害预警方法，其特征在于,根据所述监测点信息计算出第二信息,包括：
根据所述监测点信息，计算得到监测点的位移信息，包括各个所述监测点之间的连线长度数据和倾角变化数据；
根据所述监测点信息和所述监测点的位移信息，计算得到各个所述监测点的位移变化曲线；
根据所述监测点的位移变化曲线，计算得到所述监测点的位移变化信息，包括所述监测点在三维空间中的位移速率和沿着三个方向的位移加速度；
根据所述监测点的位移信息，计算出所述边坡的表面数据，包括所述边坡的表面的振动频率、最大振幅和所述边坡的监测点的倾角变化速率。
3.根据权利要求1所述的滑坡灾害预警方法，其特征在于,根据所述第一信息、所述第二信息和所述滑坡信息构建神经网络模型，并根据所述神经网络模型，得到预测滑坡信息，包括：
根据所述第一信息、所述第二信息和所述滑坡信息，进行集合，建立样本，将所述样本划分为训练集和测试集；
构建所述神经网络模型，所述神经网络模型的输入参数包括所述第一信息和所述第二信息，所述神经网络模型的输出标签为所述滑坡信息；
利用所述训练集训练所述神经网络模型，得到训练后的所述神经网络模型，所述测试集用于所述神经网络模型的预测；
训练后的所述神经网络模型对所述测试集进行预测，得到所述预测滑坡信息。
4.一种滑坡灾害预警装置，其特征在于，包括：
信息获取模块，用于获取第一信息，所述第一信息包括边坡的地质信息、监测点信息和所述边坡的土体参数信息，所述监测点信息为设置在所述边坡上的至少两个监测点采集的信息；
计算建模模块，用于根据所述监测点信息计算出第二信息，所述第二信息包括每个所述监测点的位移变化信息和所述边坡的表面数据，并根据所述第一信息构建出虚拟边坡模型，仿真模拟计算得到所述虚拟边坡模型的滑坡信息，所述滑坡信息包括虚拟滑坡的形状、所述虚拟滑坡在所述虚拟边坡模型中出现的位置信息和所述虚拟滑坡形成的时间信息；
神经网络训练模块，用于根据所述第一信息、所述第二信息和所述滑坡信息构建神经网络模型，并根据所述神经网络模型，得到预测滑坡信息，包括预测滑坡的形状信息、预测滑坡位置信息和预测滑坡形成的时间信息；
预警信息模块，用于根据所述预测滑坡信息，对所述边坡的潜在滑坡进行等级划分，得到滑坡预警等级；
其中，所述预警信息模块包括：
第一预警信息单元，用于根据所述预测滑坡信息，计算得到滑坡的形成信息，所述滑坡的形成信息为一个监测组对应的评价指标和预设的第一计算公式得到的信息，所述评价指标由一个监测点对应的坡面函数与一个底滑面函数的导数之商计算得到，所述监测组为相邻预设数目的所述监测点构成；
第二预警信息单元，用于根据所述滑坡的形成信息、所述预测滑坡形成的时间信息和所述预测滑坡的形状信息，得到所述滑坡预警等级；
其中，滑坡体积计算公式如下：
Figure FDA0003887522230000041
式中，g(x1),g(x2),g(x3),g(x4)……g(xn)表示为构成坡面的函数的多个分段函数，s(x1),s(x2),s(x3),s(x4)……s(xn)表示构成底滑面的函数的多个分段函数，l1，l2，l3，l4……ln为横向长度；
评价指标计算公式如下：
Figure FDA0003887522230000051
式中，s′(xn)表示的是在监测点xn处的底滑面的函数的导数，xjn，yjn，zjn分别表示监测点n初始空间坐标，x′jn,y′jn,z′jn分别表示监测点n发生位移变化后初始空间坐标，k(xn)为监测点n的评价指标。
5.根据权利要求4所述的滑坡灾害预警装置，其特征在于，所述计算建模模块还可以包括：
第一计算单元，用于根据所述监测点信息，计算得到监测点的位移信息，包括各个所述监测点之间的连线长度数据和倾角变化数据；
第二计算单元，用于根据所述监测点信息和所述监测点的位移信息，绘制出各个所述监测点的位移变化曲线，根据所述监测点的位移变化曲线，计算得到所述监测点的位移变化信息，包括所述监测点在三维空间中的位移速率和沿着三个方向的位移加速度；
第三计算单元，用于根据所述监测点的位移信息，计算出所述边坡的表面数据，包括所述边坡的表面的振动频率、最大振幅和所述边坡的监测点的倾角变化速率；
第一建模单元，用于根据所述第一信息，通过UG NX软件建立第一模型，根据所述地质信息中地层信息对第一模型进行地层划分，得到第二模型，将所述第二模型导入ANSYS软件，对所述第二模型进行网格划分，得到所述虚拟边坡模型；
第四计算单元，用于将所述虚拟边坡模型导入3DEC软件中，根据所述边坡的土体参数信息对所述虚拟边坡模型进行强度折减，仿真模拟计算得到所述虚拟边坡模型的滑坡信息。
6.根据权利要求4所述的滑坡灾害预警装置，其特征在于，所述神经网络训练模块还可以包括：
第一训练单元，用于根据所述第一信息、所述第二信息和所述滑坡信息，进行集合，建立样本，将所述样本划分为训练集和测试集；
第二训练单元，用于根据所述样本，构建所述神经网络模型，所述神经网络模型的输入参数包括所述第一信息和第二信息，所述神经网络模型的输出标签为所述滑坡信息；
第三训练单元，用于利用所述训练集训练所述神经网络模型，得到训练后的所述神经网络模型，所述测试集用于所述神经网络模型的预测，训练后的所述神经网络模型对所述测试集进行预测，得到所述预测滑坡信息。
7.一种滑坡灾害预警设备，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3任一项所述滑坡灾害预警方法的步骤。
8.一种可读存储介质，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3任一项所述滑坡灾害预警方法的步骤。
CN202211036838.7A 2022-08-29 2022-08-29 一种滑坡灾害预警方法、装置、设备及可读存储介质 Active CN115116202B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211036838.7A CN115116202B (zh) 2022-08-29 2022-08-29 一种滑坡灾害预警方法、装置、设备及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211036838.7A CN115116202B (zh) 2022-08-29 2022-08-29 一种滑坡灾害预警方法、装置、设备及可读存储介质

Publications (2)

Publication Number Publication Date
CN115116202A CN115116202A (zh) 2022-09-27
CN115116202B true CN115116202B (zh) 2022-11-15

Family

ID=83335709

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211036838.7A Active CN115116202B (zh) 2022-08-29 2022-08-29 一种滑坡灾害预警方法、装置、设备及可读存储介质

Country Status (1)

Country Link
CN (1) CN115116202B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115329645B (zh) * 2022-10-11 2023-02-28 西南交通大学 一种边坡加固方案优化方法、装置、设备及可读存储介质
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
CN115546433B (zh) * 2022-11-23 2023-04-07 西南交通大学 一种边坡软化区域预测方法、系统、设备及可读存储介质
CN115578845B (zh) * 2022-11-24 2023-04-07 西南交通大学 一种边坡后缘裂缝预警方法、装置、设备及可读存储介质
CN116386300B (zh) * 2022-11-29 2023-09-22 广东堃华建设工程有限公司 一种基于大数据的边坡灾害监测预警方法和系统
CN116108759B (zh) * 2023-04-11 2023-06-30 湖北省地质环境总站 一种基于特征耦合的滑坡危险性评价方法
CN117248546B (zh) * 2023-11-16 2024-02-02 西南交通大学 一种无需挖槽的锚索框架梁快速施工方法及结构

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20090102311A (ko) * 2008-03-26 2009-09-30 (주)성경기술공사 수치지도를 이용한 산사태 발생지 예측 시스템
CN103150871A (zh) * 2013-01-31 2013-06-12 青岛理工大学 利用地下水位与位移实时监测的滑坡预测方法
CN105488307A (zh) * 2016-01-13 2016-04-13 武汉福天通科技有限公司 基于北斗的边坡监测预警系统评价方法
IT201600073319A1 (it) * 2016-07-13 2018-01-13 Univ Della Calabria Sistema e metodo di calcolo di rischio idrogeologico
WO2018016703A1 (ko) * 2016-07-18 2018-01-25 연세대학교 산학협력단 산사태 모니터링 및 예·경보를 위한 무선 센서 네트워크 계측 시스템 및 계측방법
CN109359738A (zh) * 2018-10-19 2019-02-19 西南交通大学 一种基于qpso-bp神经网络的滑坡危险性评估方法
CN110210084A (zh) * 2019-05-18 2019-09-06 西南交通大学 基于时间融合的力学变化判断滑坡可能性的方法及系统
CN112015930A (zh) * 2020-06-05 2020-12-01 中国地质环境监测院 一种山体滑坡本体库的构建方法
CN112950901A (zh) * 2021-01-25 2021-06-11 江苏霆善科技有限公司 一种基于数据分析的灾害监测系统及方法
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
CN113295212A (zh) * 2021-05-26 2021-08-24 西北大学 应用多监测点协同作用的滑坡整体稳定性安全预警系统
AU2021105840A4 (en) * 2021-08-18 2021-10-28 Xinjiang Institute Of Ecology And Geography, Chinese Academy Of Sciences Method for predicting typhoon track

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050234646A1 (en) * 2004-03-31 2005-10-20 Philip Watts Tsunami hazard assessment system
CN106777734A (zh) * 2016-12-27 2017-05-31 湖南师范大学 一种山地滑坡预测方法
CN112231898A (zh) * 2020-09-29 2021-01-15 中国水利水电科学研究院 一种倾倒岩质边坡稳定性的三维分析方法

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20090102311A (ko) * 2008-03-26 2009-09-30 (주)성경기술공사 수치지도를 이용한 산사태 발생지 예측 시스템
CN103150871A (zh) * 2013-01-31 2013-06-12 青岛理工大学 利用地下水位与位移实时监测的滑坡预测方法
CN105488307A (zh) * 2016-01-13 2016-04-13 武汉福天通科技有限公司 基于北斗的边坡监测预警系统评价方法
IT201600073319A1 (it) * 2016-07-13 2018-01-13 Univ Della Calabria Sistema e metodo di calcolo di rischio idrogeologico
WO2018016703A1 (ko) * 2016-07-18 2018-01-25 연세대학교 산학협력단 산사태 모니터링 및 예·경보를 위한 무선 센서 네트워크 계측 시스템 및 계측방법
CN109359738A (zh) * 2018-10-19 2019-02-19 西南交通大学 一种基于qpso-bp神经网络的滑坡危险性评估方法
CN110210084A (zh) * 2019-05-18 2019-09-06 西南交通大学 基于时间融合的力学变化判断滑坡可能性的方法及系统
CN112015930A (zh) * 2020-06-05 2020-12-01 中国地质环境监测院 一种山体滑坡本体库的构建方法
CN112950901A (zh) * 2021-01-25 2021-06-11 江苏霆善科技有限公司 一种基于数据分析的灾害监测系统及方法
CN113295212A (zh) * 2021-05-26 2021-08-24 西北大学 应用多监测点协同作用的滑坡整体稳定性安全预警系统
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
AU2021105840A4 (en) * 2021-08-18 2021-10-28 Xinjiang Institute Of Ecology And Geography, Chinese Academy Of Sciences Method for predicting typhoon track

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
"Stability assessment of homogeneous slopes loaded with mobile tracked cranes-An artificial neural network approach";X.Ai et al;《Cogent Engineering》;20170802;第1-13页 *
"基于GIS的延河流域滑坡崩塌地质灾害空间分布及其引发因素分析";郑苗苗等;《水土保持通报》;20160430;第36卷(第2期);156-160页 *
"基于点安全系数法的大型堆积体变形滑坡稳定性分析";牟琦等;《交通科技》;20211231(第6（2021年）期);72-76页 *

Also Published As

Publication number Publication date
CN115116202A (zh) 2022-09-27

Similar Documents

Publication Publication Date Title
CN115116202B (zh) 一种滑坡灾害预警方法、装置、设备及可读存储介质
CN111210073A (zh) 一种滑坡灾害预测方法及装置
CN113111595B (zh) 一种边坡智能预警方法和装置
CN114021487B (zh) 一种山坡崩塌的预警方法、装置、设备及可读存储介质
Bonadonna et al. Plume height, volume, and classification of explosive volcanic eruptions based on the Weibull function
CN112819207B (zh) 基于相似性度量的地质灾害空间预测方法、系统及存储介质
CN110210776B (zh) 一种基于监控量测的隧道施工动态风险评估方法
Kereszturi et al. Numerical simulation of basaltic lava flows in the Auckland Volcanic Field, New Zealand—implication for volcanic hazard assessment
JP7059466B2 (ja) 予測座標変動算出システム
CN202501869U (zh) 基于物联网的尾矿库在线安全监测系统
CN114333249A (zh) 滑坡预警方法和装置
CN114330144A (zh) 一种边坡危石预警方法、装置、设备及可读存储介质
CN105493100A (zh) 静态地球模型校准方法和系统
Wang et al. Bayesian stochastic soil modeling framework using Gaussian Markov random fields
CN115310361B (zh) 基于wgan-cnn煤矿井下粉尘浓度预测方法和系统
CN117078111B (zh) 一种二氧化碳封存量评估方法和系统
CN103946896A (zh) 利用基于过程的模型和动态异质性估定感兴趣的地质体积的异质性的系统及方法
CN116663762A (zh) 一种城市规划地下空间勘察测绘方法及系统
Barton et al. The fractal size and spatial distribution of hydrocarbon accumulations: Implications for resource assessment and exploration strategy
CN106372815B (zh) 一种基于数字高程模型的矿产资源储量评估方法及应用
Rupp et al. Computational modeling of the 1991 block and ash flows at Colima Volcano, Mexico
Simon et al. Channel form and adjustment: characterization, measurement, interpretation and analysis
CN112711646A (zh) 基于地学信息的找矿方法及装置、电子设备、存储介质
Forte et al. Slope stability in a multi-hazard eruption scenario (Santorini, Greece)
CN117057508A (zh) 一种山洪泥石流灾害风险识别方法、装置、终端及介质

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
TR01 Transfer of patent right

Effective date of registration: 20230817

Address after: 610031 No. two, section 111, ring road, Chengdu, Sichuan, China

Patentee after: SOUTHWEST JIAOTONG University

Patentee after: China National Railway Group Co.,Ltd.

Address before: 610031 No. two, section 111, ring road, Chengdu, Sichuan, China

Patentee before: SOUTHWEST JIAOTONG University

TR01 Transfer of patent right