CN115270527A - 道路塌陷风险实时评估方法、设备及存储介质 - Google Patents
道路塌陷风险实时评估方法、设备及存储介质 Download PDFInfo
- Publication number
- CN115270527A CN115270527A CN202211181406.5A CN202211181406A CN115270527A CN 115270527 A CN115270527 A CN 115270527A CN 202211181406 A CN202211181406 A CN 202211181406A CN 115270527 A CN115270527 A CN 115270527A
- Authority
- CN
- China
- Prior art keywords
- road
- index
- risk evaluation
- model
- risk
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- 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
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Geometry (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Game Theory and Decision Science (AREA)
- Computer Hardware Design (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Computer Graphics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及数据处理技术领域,具体涉及一种道路塌陷风险实时评估方法、设备及存储介质,该方法包括:获取目标道路所在区域内的监测数据;获取预设的道路塌陷风险评估模型;获取目标道路的三维动态数值模型;基于监测数据和三维动态数值模型,对道路塌陷风险评估模型对应的风险评价指标的当前阈值进行实时修正;基于监测数据和三维动态数值模型,对道路塌陷风险评估模型进行实时修正;基于修正后的道路塌陷风险评估模型和修正后的风险评价指标的当前阈值,确定目标道路的塌陷风险等级。本申请可解决因人工巡检和勘测效率低且数据处理不够及时,而导致的道路塌陷风险评估实时性差或准确率低的问题。
Description
技术领域
本申请涉及数据处理技术领域,具体涉及一种道路塌陷风险实时评估方法、设备及存储介质。
背景技术
近年来,随着城市道路建设和地下空间开发步伐的日益加快,城市车辆急剧增加、道路及配套设施老化、地下管网渗漏和极端天气频发等问题造成道路塌陷事故频繁发生,尤其各类深基坑、隧道、非开挖地下管道和地铁等地下工程施工更是大大增加了道路塌陷的风险。道路塌陷不仅给城镇道路正常运行带来了极大的压力,也给城镇居民的出行造成很大的不便,甚至给附近居民带来不可预估的生命和财产威胁,对社会的负面影响也非常大。
通过综合考量自然和人为因素进行道路塌陷风险评估,以制定针对性的风险控制对策,保障城镇道路的安全运行。
现有的道路塌陷风险评估是通过人工对道路进行巡检和勘测,效率低且数据处理不够及时,导致道路塌陷风险评估存在实时性差或准确率低的问题。
发明内容
本申请提供了道路塌陷风险实时评估方法、设备及存储介质,可以解决因人工对道路进行巡检和勘测效率低且数据处理不够及时,而导致的道路塌陷风险评估实时性差或准确率低的问题。本申请提供如下技术方案:
第一方面,提供了一种道路塌陷风险实时评估方法包括:获取目标道路所在区域内的监测数据;获取预设的道路塌陷风险评估模型;获取所述目标道路的三维动态数值模型;基于所述监测数据和所述三维动态数值模型,对所述道路塌陷风险评估模型对应的风险评价指标的当前阈值进行实时修正;基于所述监测数据和所述三维动态数值模型,对所述道路塌陷风险评估模型进行实时修正;基于修正后的道路塌陷风险评估模型和修正后的风险评价指标的当前阈值,确定所述目标道路的塌陷风险等级。
可选地,所述基于所述监测数据和所述三维动态数值模型,对风险评价指标的当前阈值进行实时修正,包括:基于所述监测数据与所述三维动态数值模型的模拟结果进行对比,得到对比结果;基于所述对比结果更新所述三维动态数值模型;基于更新后的三维动态数值模型得到所述目标道路的道路情况;所述目标道路的道路情况用于指示所述目标道路的长期服役状态和塌陷长期演化的预测结果;基于所述目标道路的道路情况和所述监测数据,实时修正所述风险评价指标的当前阈值。
可选地,所述基于所述目标道路的道路情况和所述监测数据,实时修正所述风险评价指标的当前阈值,包括:基于所述目标道路的道路情况,更新所述风险评价指标;基于所述目标道路的道路情况和所述监测数据,对更新后的风险评价指标的当前阈值进行实时修正。
可选地,所述获取所述目标道路的三维动态数值模型,包括:确定所述目标道路中代表性危险结构物;基于所述代表性危险结构物,建立所述目标道路的三维动态数值模型。
可选地,所述基于所述代表性危险结构物,建立所述目标道路的三维动态数值模型之后,还包括:获取所述目标道路的道路情况的实际监测数据作为测试数据;获取所述三维动态数值模型对所述目标道路的道路情况的测试结果;将所述测试数据与所述测试结果进行对比验证,得到验证结果;基于所述验证结果,调整所述三维动态数值模型。
可选地,所述基于所述监测数据和所述三维动态数值模型,对所述道路塌陷风险评估模型进行实时修正,包括:基于所述目标道路的道路情况,更新所述风险评价指标;基于所述更新后的风险评价指标,对所述道路塌陷风险评估模型进行实时修正。
可选地,所述基于所述监测数据和所述三维动态数值模型,对所述道路塌陷风险评估模型对应的风险评价指标的当前阈值进行实时修正之前,还包括:获取预训练的初始阈值确定模型,所述初始阈值确定模型包括人工智能模型;获取初始阈值确定数据,所述初始阈值确定数据包括InSAR监测数据、历史灾害情况和多场景监测数据;将所述初始阈值确定数据输入所述人工智能模型,得到道路塌陷情况预测结果;通过所述初始阈值确定模型对所述道路塌陷情况预测结果进行分析,得到所述风险评价指标的初始阈值。
可选地,所述获取预设的道路塌陷风险评估模型,包括:获取所述目标道路的风险评价指标;基于所述风险评价指标,建立所述道路塌陷风险评估模型。
可选地,所述目标道路的风险评价指标包括监测指标、外驱动因子、自身因子和影响因子;所述监测指标包括以下几种中的至少一种:InSAR道路沉降监测指标、移动雷达地下空洞探测指标;所述外驱动因子包括以下几种中的至少一种:所述目标道路周边的盾构施工在线监测指标、所述目标道路周边的在建基坑在线监测指标;所述自身因子至少包括道路等级;所述影响因子包括以下几种中的至少一种:地下管网污水管检测指标、地下管网雨水管检测指标、地下管网供水管监测指标。
可选地,所述道路塌陷风险等级包括一级、二级、三级和四级;不同的所述塌陷风险等级对应不同的预警信号和不同的风险指数值。
第二方面,提供一种电子设备,包括存储器、控制器以及存储在存储器上并可在控制器上运行的计算机程序,所述控制器执行所述计算机程序时实现上述道路塌陷风险实时评估方法的步骤。
第三方面,提供一种计算机可读存储介质,所述存储介质中存储有程序,所述程序被处理器执行时用于实现第一方面提供的道路塌陷风险实时评估方法。
本申请的有益效果至少包括:通过获取目标道路所在区域内的监测数据;获取预设的道路塌陷风险评估模型;获取目标道路的三维动态数值模型;基于监测数据和三维动态数值模型,对风险评价指标的当前阈值进行实时修正;基于监测数据和三维动态数值模型,对道路塌陷风险评估模型进行实时修正;基于修正后的道路塌陷风险评估模型和修正后的风险评价指标的当前阈值,确定目标道路的塌陷风险等级。
本方法可以解决通过人工对道路进行巡检和勘测,效率低且数据处理不够及时,而导致的道路塌陷风险评估实时性差或准确率低的问题;通过构建的道路塌陷风险评价指标的初始阈值确定模型来确定所述风险评价指标对应的初始阈值,降低了人工对于风险评价指标初始阈值进行赋值的主观性,提高了初始阈值的准确性;通过目标道路的实时监测数据和三维动态数值模型对道路塌陷风险评估模型和风险评价指标的初始阈值进行实时修正,运用修正后的道路塌陷风险评估模型和风险评价指标的当前阈值来确定目标道路的塌陷风险等级,无需以人工巡检和勘测的分析结果作为目标道路塌陷风险确定的主要依据,可以提高目标道路的塌陷风险评估结果的准确率和实时性。
另外,基于所述更新和修正后的三维动态数值模型得到所述目标道路的道路情况中长期服役状态和塌陷长期演化的预测结果;当目标道路的道路情况发生变化时,可以将实际道路情况与道路塌陷风险评估模型的预测结果进行对比验证,避免了因为道路情况发生变化而导致道路塌陷风险评估模型的输出结果与目标道路不匹配的问题,可以提高道路塌陷风险评估的准确率。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见,下面描述中的附图是本发明的一些实施方式,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的附图。
图1是本申请一个实施例提供的道路塌陷风险实时评估方法的流程图;
图2是本申请一个实施例提供的三层风险评估指标体系示意图;
图3是本申请一个实施例提供的判断矩阵的示意图;
图4是本申请一个实施例提供的风险评价指标之间重要程度示意图;
图5是本申请一个实施例提供的随机一致性指标取值示意图;
图6是本申请一个实施例提供的一个二级指标判断矩阵要素权重的示意图;
图7是本申请一个实施例提供的另一个二级指标判断矩阵要素权重的示意图;
图8是本申请一个实施例提供的一个一级指标判断矩阵要素权重的示意图;
图9是本申请一个实施例提供的三维动态数值模型示意图;
图10是本申请一个实施例提供的确定初始阈值的流程图;
图11是本申请一个实施例提供的道路塌陷风险等级示意图;
图12是本申请一个实施例提供的一个综合权重及指标分值的示意图;
图13是本申请一个实施例提供的另一个综合权重及指标分值的示意图;
图14是本申请一个实施例提供的道路塌陷风险实时评估装置的框图;
图15是本申请一个实施例提供的电子设备的框图。
具体实施方式
下面将结合附图对本申请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申请一部分实施例,而不是全部的实施例。下文中将参考附图并结合实施例来详细说明本申请。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。
在本申请中,在未作相反说明的情况下,使用的方位词如“上、下、顶、底”通常是针对附图所示的方向而言的,或者是针对部件本身在竖直、垂直或重力方向上而言的;同样地,为便于理解和描述,“内、外”是指相对于各部件本身的轮廓的内、外,但上述方位词并不用于限制本申请。
首先,对于本申请涉及的若干名词进行介绍。
干涉雷达(Interferometric Synthetic Aperture Radar,InSAR):指采用干涉测量技术的合成孔径雷达(InSAR),是新近发展起来的空间对地观测技术,是传统的SAR遥感技术与射电天文干涉技术相结合的产物。它利用雷达向目标区域发射微波,然后接收目标反射的回波,得到同一目标区域成像的SAR复图像对,若复图像对之间存在相干条件,SAR复图像对共轭相乘可以得到干涉图,根据干涉图的相位值,得出两次成像中微波的路程差,从而计算出目标地区的地形、地貌以及表面的微小变化,可用于数字高程模型建立、地壳形变探测等。
下面对本申请提供的道路塌陷风险实时评估方法进行详细介绍。
如图1所示,本申请的实施例提供一种道路塌陷风险实时评估方法,该方法的实现可依赖于计算机程序,该计算机程序可运行于智能手机、平板电脑、个人电脑等计算机设备或者运行于服务器,本实施例不对该方法的运行主体作限定。该方法至少包括以下几个步骤:
步骤101,获取目标道路所在区域内的监测数据。
其中,监测数据是指风险评价指标对应的监测数据。风险评价指标用于多方面的评价目标道路的道路塌陷风险。
本实施例中,风险评价指标是通过目标道路的实际情况,结合社会经济、重大工程建设、以及《公路桥梁技术状况评定标准》等评估标准分析得到的,用于评估目标道路的塌陷风险等级。
可选地,确定的道路塌陷风险评价指标包括监测指标、外驱动因子、自身因子和影响因子。
本实施例中,监测指标包括以下几种中的至少一种:InSAR道路沉降监测指标、移动雷达地下空洞探测指标。
外驱动因子包括以下几种中的至少一种:目标道路周边的盾构施工在线监测指标、目标道路周边的在建基坑在线监测指标。
自身因子包括道路等级,道路等级用于指示目标道路的耐用程度,其中,道路等级与耐用程度可以呈反比,也可以呈正比,本实施例不对道路等级与耐用程度的关系作限定。
影响因子包括以下几种中的至少一种:地下管网污水管检测指标、地下管网雨水管检测指标、地下管网供水管监测指标。
其中,各项风险评价指标对应的指标判别及指标定义可以参考下表一,如表一所示,各项风险评价指标对应不同的指标判别及不同的指标定义。
表一:
风险评价指标 | 指标判别 | 指标定义 |
InSAR道路沉降监测指标 | 年均沉降速率(毫米/年)及累计沉降量(毫米) | 基于InSAR数据获取年均沉降速率和时序累计沉降量,判别是否超过阈值。 |
移动雷达地下空洞探测指标 | 断面检测公里数(km) | 探测道路下方7m内基础中是否存在空洞、脱空等问题。 |
地下管网污水管检测指标 | 清淤后检测管网长度及管网完好率 | 统计相邻空间的地下污水管网长度及管道破损情况,评价管线运行状态。 |
地下管网雨水管检测指标 | 清淤后检测管网长度及管网完好率 | 统计相邻空间的地下雨水管网长度及管道破损情况,评价管线运行状态。 |
地下管网供水管监测指标 | 管网漏损信息 | 统计相邻空间的供水管网长度及管道破损情况,评价管线运行状态。 |
目标道路周边的盾构施工在线监测指标 | 目标道路周边盾构施工异常数据率、与地铁工程距离 | 接入地铁公司实时监测数据设定阈值 |
目标道路周边的在建基坑在线监测指标 | 目标道路周边在建基坑异常数据率、与基坑距离 | 接入施工单位实时监测数据设定阈值 |
本实施例中,可以通过目标道路所在区域的水文地质资料、气象资料、道路工程特性资料、工程地质勘察资料、监测资料、水土物理力学性质及人类活动等要素,分析确定道路塌陷发生的可能性和造成的后果,再通过道路塌陷发生的可能性和造成的后果,确定风险评价指标。
其中,人类活动包括但不限于地下水开采强度、水位变化速率、工程活动程度等。
比如:以地下水开采强度为例,从道路塌陷发生可能性角度考虑,地下水开采强度大,会影响区域地下水位大幅度下降,导致道路塌陷发生可能性大幅度增加;从道路塌陷发生造成的后果角度考虑,区域地下水位大幅度下降所造成的道路塌陷范围可能变大,造成的后果更严重。
本实施例中,可以按照监测指标、外驱动因子、自身因子和影响因子构建三层风险评估指标体系。
其中,三层风险评估指标体系包括目标层、一级指标和二级指标。比如:参考图2,以图2所示的三层风险评估指标体系为例,包括目标层、一级指标和二级指标,目标层为道路塌陷风险;一级指标包括监测指标A1、外驱动因子A2、自身因子A3和影响因子A4;二级指标包括InSAR道路沉降监测指标B1、移动雷达地下空洞探测指标B2、目标道路周边的盾构施工在线监测指标B3、目标道路周边的在建基坑在线监测指标B4、道路等级B5、地下管网污水管检测指标B6、地下管网雨水管检测指标B7、地下管网供水管监测指标B8。
步骤102,获取预设的道路塌陷风险评估模型。
其中,道路塌陷风险评估模型用于确定目标道路的塌陷风险等级,目标道路的塌陷风险等级用于指示目标道路发生塌陷的可能性。
具体地,获取预设的道路塌陷风险评估模型,包括:获取目标道路的风险评价指标;基于风险评价指标,建立道路塌陷风险评估模型。
在本实施例中,基于风险评价指标,确定风险评价指标对应的权重;风险评价指标对应的权重用于指示风险评价指标相对于道路塌陷风险的重要程度。
比如:以风险评价指标为移动雷达地下空洞探测指标、地下管网污水管检测指标为例,权重是指移动雷达地下空洞探测指标相对于道路塌陷风险的重要程度和地下管网污水管检测指标相对于道路塌陷风险的重要程度。
具体地,确定风险评价指标对应的权重,包括:获取判断矩阵,判断矩阵用于指示风险评价指标的相对重要程度;基于判断矩阵,确定风险评价指标对应的权重。
本实施例中,可以采用数字1至9或者倒数来表示相对重要程度。
比如:参考图4,以n为4为例,表示第1个风险评价指标相对于第4个风险评价指标的相对重要程度的比较结果,若等于1,则表示第1个风险评价指标与第4个风险评价指标具有同样的重要程度;若等于3,则表示第1个风险评价指标比第4个风险评价指标稍重要;若等于0.5,则表示第4个风险评价指标和第1个风险评价指标的重要程度之比为1/0.5。
具体地,基于判断矩阵确定风险评价指标对应的权重,至少包括步骤S11至步骤S12:
步骤S11,获取判断矩阵。
步骤S12,基于判断矩阵确定风险指标对应的权重。
其中,风险指标对应的权重可以通过下式表示:
在实际实现时,为了保证风险评价指标的权重的准确性,还需要对判断矩阵进行一致性检测,至少包括步骤S21至步骤S23:
步骤S21,确定判断矩阵的权重向量。
其中,判断矩阵的权重向量W可以通过下式表示:
步骤S22,确定判断矩阵的最大特征值。
步骤S23,对判断矩阵进行一致性检验。
其中,一致性是指判断思维的逻辑一致性。例如,当甲与丙相比,甲是更重要,而乙与丙相比,丙是更重要时,那依据逻辑一致性,甲一定比乙重要。
具体地,对判断矩阵进行一致性检验,包括:确定一致性指标;基于判断矩阵的阶数,获取随机一致性指标;基于一致性指标和随机一致性指标,确定一致性比例,一致性比例用于指示判断矩阵的一致性。
其中,一致性指标(Consistency Index,CI)具体可以通过下式表示:
随机一致性指标(Random Index,RI)是基于判断矩阵的阶数确定的,不同的阶数对应的随机一致性指标不同。
比如:参考图5所示,若判断矩阵的阶数为1或2,则随机一致性指标的取值可以为0;若判断矩阵的阶数为3,则随机一致性指标的取值可以为0.52;若判断矩阵的阶数为4,则随机一致性指标的取值可以为0.89;若判断矩阵的阶数为5,则随机一致性指标的取值可以为1.12;若判断矩阵的阶数为6,则随机一致性指标的取值可以为1.26;若判断矩阵的阶数为7,则随机一致性指标的取值可以为1.36;若判断矩阵的阶数为8,则随机一致性指标的取值可以为1.41;若判断矩阵的阶数为9,则随机一致性指标的取值可以为1.46。
一致性比例(Consistency Ratio,CR)是指一致性指标与随机一致性指标之比。一致性比例CR具体可以通过下式表示:
式中,CI用于表示一致性指标;RI用于表示随机一致性指标。
本实施例中,一致性比例可以用于指示判断矩阵是否满足一致性,例如若一致性比例CR小于0.1,则表示判断矩阵满足一致性;若一致性比例CR大于或等于0.1,则表示判断矩阵不满足一致性。在判断矩阵不满足一致性的情况下,重新获取判断矩阵。
为了更清楚地表示对判断矩阵进行一致性检测的过程,本实施例以图2中的二级指标为例,对判断矩阵进行一致性检测的过程进行说明。
如图6所示,以图2中的监测指标A1中的InSAR道路沉降监测指标B1和移动雷达地下空洞探测指标B2为例。此时,判断矩阵A可以通过下式表示:
由于此时判断矩阵A为二阶矩阵,参考图5,若判断矩阵的阶数为2,则随机一致性指标的取值为0。即随机一致性指标RI的取值为0。
基于一致性指标和随机一致性指标确定一致性比例CR,具体可以通过下式表示:
此时,由于一致性比例CR为0,小于0.1,因此判断矩阵A具有满意的一致性,因此,判断矩阵A有效。
如图7所示,以外驱动因子A2中的目标道路周边的盾构施工在线监测B3和目标道路周边的在建基坑在线监测B4为例。此时,判断矩阵A可以通过下式表示:
由于此时判断矩阵A为二阶矩阵,参考图5,若判断矩阵的阶数为2,则随机一致性指标的取值为0。即随机一致性指标RI的取值为0。
基于一致性指标和随机一致性指标确定一致性比例CR,具体可以通过下式表示:
此时,由于一致性比例CR为0,小于0.1,因此判断矩阵A具有满意的一致性,判断矩阵有效。
由于三层风险评估指标体系包括目标层,一级指标和二级指标,相应地,获取的初始阈值包括一级指标对应的初始阈值和二级指标对应的初始阈值,确定的权重也包括一级指标对应的权重和二级指标对应的权重。
为了更清楚的表示对判断矩阵进行一致性检测的过程,本实施例以图2中的一级指标为例,对判断矩阵进行一致性检测的过程进行举例说明。
如图8所示,以监测指标A1、外驱动因子A2、自身因子A3和影响因子A4为例。此时,判断矩阵A可以通过下式表示:
由于此时判断矩阵A为四阶矩阵,参考图5,若判断矩阵的阶数为4,则随机一致性指标的取值为0.89。即随机一致性指标RI的取值为0.89。
基于一致性指标和随机一致性指标确定一致性比例CR,具体可以通过下式表示:
此时,由于一致性比例CR为0,小于0.1,因此判断矩阵A具有满意的一致性,判断矩阵A有效。
本实施例中,一级指标对应的权重的确定方式与二级指标对应的权重的确定方式相同,此处不再赘述。
步骤103,获取目标道路的三维动态数值模型。
在本实施例中,三维动态数值模型是指使用有限元技术(Finite ElementMethod,FEM)建立的目标道路中的代表性危险结构物的模型。
其中,代表性危险结构物是指影响道路塌陷的结构物,例如目标道路的地下管网布置结构、目标道路的地下空洞情况等。
具体地,获取目标道路的三维动态数值模型,包括:确定目标道路中代表性危险结构物;基于代表性危险结构物,建立目标道路的三维动态数值模型。
通过该三维动态数值模型可以对目标道路进行模拟,从而可以预测得到目标道路中的道路情况,其中,目标道路的道路情况用于指示长期服役状态、塌陷和沉降长期演化的预测结果。
比如:参考图9,以代表性危险结构物为目标道路的截面为例,通过目标道路的截面构建三维动态数值模型,以对目标道路的塌陷和沉降长期演化趋势进行预测。
为了更好的预测目标道路的道路情况,对构建的三维动态数值模型进行模型的准确性检验。
具体地,基于代表性危险结构物,建立目标道路的三维动态数值模型之后,还包括:获取目标道路的实际监测数据作为测试数据;获取三维动态数值模型对目标道路的道路情况的测试结果;将测试数据与测试结果进行对比验证,得到验证结果;基于验证结果,调整三维动态数值模型。
比如:测试数据与测试结果的验证结果大于预设误差阈值,则调整三维动态数值模型的相关数值,直至测试数据与测试结果的验证结果小于预设误差阈值。预设阈值是根据实际需要设定的。本实施例中,不对该预设阈值的具体值进行限定。
步骤104,基于监测数据和三维动态数值模型,对道路塌陷风险评估模型对应的风险评价指标的当前阈值进行实时修正。
其中,风险评价指标的当前阈值是指风险评价指标在当前时刻下对应的阈值,而风险评价指标的最初始的阈值,即初始阈值可以由人工打分决定,也可以是通过初始阈值确定模型得到的,此处不对初始阈值的实现方式作限定。
本实施例中,风险评价指标对应的初始阈值可以参考下表二,如表二所示,风险评价指标对应的初始阈值的确定是根据风险评价指标对应的评判依据得到的。
表二:
在本实施列中,基于监测数据和三维动态数值模型,对道路塌陷风险评估模型对应的风险评价指标的当前阈值进行实时修正之前,还包括:获取预训练的初始阈值确定模型,初始阈值确定模型包括人工智能模型;获取初始阈值确定数据,初始阈值确定数据包括InSAR监测数据、历史灾害情况和多场景监测数据;将初始阈值确定数据输入人工智能模型,得到道路塌陷情况预测结果;通过初始阈值确定模型对道路塌陷情况预测结果进行分析,得到风险评价指标的初始阈值。
其中,人工智能模型用于从初始阈值确定数据中得到道路塌陷情况预测结果;初始阈值确定模型用于从塌陷情况预测结果中得到风险评价指标的初始阈值;历史灾害情况是指目标道路历史发生的塌陷情况,多场景监测数据是指目标道路周边不同场景下的监测数据。
具体地,参考图10,初始阈值的确定至少包括以下几个步骤:
步骤201:获取训练样本数据。
其中,训练样本数据包括以往目标道路所在区域的工程地质和水文地质条件和道路塌陷情况。
步骤202:通过训练样本数据构建人工智能模型。
具体地,通过训练样本数据构建人工智能模型:使用训练样本数据对预设神经网络模型进行训练,得到人工智能模型。
其中,预设神经网络模型可以是基于长短期记忆算法(Long Short Term Memory,LSTM)的模型,也可以是基于循环神经网络(Recurrent Neural Network,RNN)的模型,此处不对预设神经网络模型的类型作限定。
实际实现时,还可以结合目前既有研究资料、现场资料分析、规范标准、业主意见和专家问卷调查结果等数据,建立初始阈值确定模型。
步骤203:判断是否存在初始阈值确定数据可获取,在存在初始阈值确定数据可以获取的情况下,执行步骤204;否则,结束步骤。
步骤204:将初始阈值确定数据输入人工智能模型,得到道路塌陷情况预测结果。
步骤205:通过初始阈值确定模型对道路塌陷情况预测结果进行分析,得到风险评价指标的初始阈值。
本实施例中,为了使风险评价指标的当前阈值能够更准确的表示目标道路当前时刻的道路情况,因此,需要使用目标道路的所在区域内的监测数据和三维动态数值模型,对风险评价指标的当前阈值进行实时修正。
具体地,基于监测数据和三维动态数值模型,对道路塌陷风险评估模型对应的风险评价指标的当前阈值进行实时修正,包括:基于监测数据与三维动态数值模型的模拟结果进行对比,得到对比结果;基于对比结果更新三维动态数值模型;使用更新后的三维动态数值模型模拟得到目标道路的道路情况;目标道路的道路情况用于指示目标道路的长期服役状态和塌陷长期演化的预测结果;基于目标道路的道路情况和监测数据,实时修正风险评价指标的当前阈值。
其中,模拟结果是指三维动态数值模型对当前的目标道路的道路情况的模拟结果。
在本实施例中,基于监测数据与三维动态数值模型的模拟结果进行对比,得到对比结果,该对比结果用于对三维动态数值模型进行更新。由于目标道路的监测数据是实时变化的,因此在对阈值进行修正前需要先对三维动态数值模型进行更新。
比如:目标道路周边新增了在建基坑,对应地,监测数据中增加了在建基坑在线监测数据,则将当前的监测数据与三维动态数值模型的模拟结果进行对比,对比结果中包括了模拟结果缺少在建基坑,进而基于该对比结果更新三维动态数值模型的在建基坑的相关内容。
在获得更新后的三维动态数值模型之后,还需要依据三维动态数值模型得到目标道路的道路情况对风险评价指标的当前阈值进行实时修正。
在本实施例中,基于目标道路的道路情况和监测数据,实时修正风险评价指标的当前阈值,包括:基于目标道路的道路情况,更新风险评价指标;基于目标道路的道路情况和监测数据,对更新后的风险评价指标的当前阈值进行实时修正。
其中,更新风险评价指标包括:增加风险评价指标、减少风险评价指标或者保持风险评价指标不变。
比如:若当前的风险评价指标包括InSAR道路沉降监测指标、移动雷达地下空洞探测指标,而目标道路的道路情况用于指示目标道路的长期服役状态和塌陷长期演化的预测结果,当预测结果中包括InSAR道路沉降监测指标、移动雷达地下空洞探测指标和地下管网供水管监测指标,则基于目标道路的道路情况,更新风险评价指标表现为将地下管网供水管监测指标加入当前的风险评价指标中,得到更新后的风险评价指标。更新后的风险评价指标包括InSAR道路沉降监测指标、移动雷达地下空洞探测指标和地下管网供水管监测指标。
在得到更新后的风险评价指标后,需要对更新后的风险评价指标的阈值进行实时修正。
在本实施例中,基于目标道路的道路情况和监测数据,对更新后的风险评价指标的当前阈值进行实时修正。
比如:若目标道路的道路情况指示的预测结果中显示地下管网供水管有较大形变,则提高地下管网供水管监测指标对应的当前阈值。
步骤105,基于监测数据和三维动态数值模型,对道路塌陷风险评估模型进行实时修正。
为了使道路塌陷风险评估模型适于目标道路的道路情况,保证道路塌陷风险评估模型输出结果的准确性,还需要对道路塌陷风险评估模型进行修正。
具体地,基于监测数据和三维动态数值模型,对道路塌陷风险评估模型进行实时修正,包括:基于目标道路的道路情况,更新风险评价指标;基于更新后的风险评价指标,对道路塌陷风险评估模型进行实时修正。
其中,道路塌陷风险评估模型根据更新后的风险评价指标确定更新后各项风险评价指标对应的权重。
比如:基于目标道路的道路情况,在风险评价指标中增加了目标道路周边的盾构施工在线监测指标,相应地,道路塌陷风险评估模型也需要将目标道路周边的盾构施工在线监测指标纳入判断矩阵中,从而得到目标道路周边的盾构施工在线监测指标对应的权重。
步骤106,基于修正后的道路塌陷风险评估模型和修正后的风险评价指标的当前阈值,确定目标道路的塌陷风险等级。
其中,塌陷风险等级是综合考虑道路塌陷可能性和危害性后的等级划分,用于对道路塌陷进行预警。
本实施例中,结合道路塌陷的特点以及对道路的影响,建立四级风险标准,相应地,塌陷风险等级包括一级、二级、三级和四级,不同的塌陷风险等级对应不同的预警信号和不同的风险指数值。
比如:参考图11,塌陷风险等级包括一级、二级、三级和四级;其中,一级表示高风险,对应的预警信号为红色预警,对应的风险指数值在80-100之间;二级表示中风险,对应预警信号为橙色预警,对应的风险指数值在60-80之间;三级表示中风险,对应的预警信号为黄色预警,对应的风险指数值在40-60之间;四级表示安全,对应的预警信号为蓝色信号,对应的风险指数值在0-40之间。
实际实现时,也可以建立五级风险标准,包括一级、二级、三级、四级和五级,对应的风险指数值与预警信号可以根据实际情况进行调整。本实施例不对风险分级标准以及层级对应的风险标准的实现方向作限定。
在一个示例中,对目标道路的风险指数值可以通过下式表示:
比如:以三层风险评估指标体系为例,三层风险评估指标体系包括目标层,一级指标和二级指标,共3层指标,其中,二级指标的数量为2个,包括第一个二级指标和第二个二级指标,一级指标的数量为2个,包括第一个一级指标和第二个一级指标,第一个二级指标是第一个一级指标的子指标,第二个二级指标是第二个一级指标的子指标;那第一个二级指标的综合权重值为,为第一个二级指标的权重与第一个一级指标的权重的乘积;那第二个二级指标的综合权重值为,为第二个二级指标的权重与第二个一级指标的权重的乘积。
为了更清楚的表示本实施例中道路塌陷风险等级的确定过程,对得到道路塌陷风险等级的过程进行举例说明。
如图11所示,将图12中所示的各个二级指标对应的指标分值及综合权重值代入风险指数值的公式,得到:
此时,基于四级风险标准划分,该区域道路塌陷风险等级属于四级,对应安全状态,不需要预警。
参考图13,为了更清楚的表示本实施例中道路塌陷风险等级的确定过程,在图12所示内容的基础上修改了部分二级指标对应的指标分值,并对得到道路塌陷风险等级的过程进行举例说明。
将图13中所示的各个二级指标对应的指标分值及综合权重值代入风险指数值的公式,得到:
此时,基于四级风险标准划分,该区域道路塌陷风险等级属于二级,对应中风险状态,应执行橙色预警。
综上,本实施例提供的道路塌陷风险实时评估方法,通过获取目标道路所在区域内的监测数据;获取预设的道路塌陷风险评估模型;获取所述目标道路的三维动态数值模型;基于所述监测数据和所述三维动态数值模型,对风险评价指标的当前阈值进行实时修正;基于所述监测数据和所述三维动态数值模型,对所述道路塌陷风险评估模型进行实时修正;基于修正后的道路塌陷风险评估模型和修正后的风险评价指标的当前阈值,确定所述目标道路的塌陷风险等级。
本方法可以解决通过人工对道路进行巡检和勘测,效率低且数据处理不够及时,而导致的道路塌陷风险评估实时性差或准确率低的问题;通过构建的道路塌陷风险评价指标的初始阈值确定模型来确定风险评价指标对应的初始阈值,降低了人工对于风险评价指标初始阈值进行赋值的主观性,提高了初始阈值的准确性;通过目标道路的实时监测数据和三维动态数值模型对道路塌陷风险评估模型和风险评价指标的初始阈值进行实时修正,运用修正后的道路塌陷风险评估模型和风险评价指标的当前阈值来确定目标道路的塌陷风险等级,无需以人工巡检和勘测的分析结果作为目标道路塌陷风险确定的主要依据,可以提高目标道路的塌陷风险评估结果的实时性和准确率。
另外,基于更新和修正后的三维动态数值模型得到目标道路的道路情况中长期服役状态和塌陷长期演化的预测结果;当目标道路的道路情况发生变化时,可以进行实际道路情况与道路塌陷风险评估模型的预测结果进行对比验证,避免了因为道路情况发生变化而导致道路塌陷风险评估模型的输出结果与目标道路不匹配的问题,可以提高道路塌陷风险评估的准确率。
本实施例提供一种道路塌陷风险实时评估装置,如图14所示。该装置包括至少以下几个模块:第一获取模块1410、第二获取模块1420、第三获取模块1430、阈值修正模块1440、模型修正模块1450、风险评估模块1460。
第一获取模块1410,用于获取目标道路所在区域内的监测数据。
第二获取模块1420,用于获取预设的道路塌陷风险评估模型。
第三获取模块1430,用于获取目标道路的三维动态数值模型。
阈值修正模块1440,用于基于监测数据和三维动态数值模型,对道路塌陷风险评估模型对应的风险评价指标的当前阈值进行实时修正。
模型修正模块1450,用于基于监测数据和三维动态数值模型,对道路塌陷风险评估模型进行实时修正。
风险评估模块1460,用于基于修正后的道路塌陷风险评估模型和修正后的风险评价指标的当前阈值,确定目标道路的塌陷风险等级。
相关细节参考上述方法和设备实施例。
需要说明的是:上述实施例中提供的道路塌陷风险实时评估装置在进行道路塌陷风险实时评估时,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将路塌陷风险实时评估装置的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的路塌陷风险实时评估装置与路塌陷风险实时评估方法实施例属于同一构思,其具体实现过程详见方法实施例,这里不再赘述。
本实施例提供一种电子设备,如图15所示。该电子设备至少包括处理器1510和存储器1520。
处理器1510可以包括一个或多个处理核心,比如:4核心处理器、8核心处理器等。处理器1510可以采用DSP(Digital Signal Processing,数字信号处理)、FPGA(Field-Programmable Gate Array,现场可编程门阵列)、PLA(Programmable Logic Array,可编程逻辑阵列)中的至少一种硬件形式来实现。处理器1510也可以包括主处理器和协处理器,主处理器是用于对在唤醒状态下的数据进行处理的处理器,也称CPU(Central ProcessingUnit,中央处理器);协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中,处理器1510可以在集成有GPU(Graphics Processing Unit,图像处理器),GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中,处理器1510还可以包括AI(Artificial Intelligence,人工智能)处理器,该AI处理器用于处理有关机器学习的计算操作。
存储器1520可以包括一个或多个计算机可读存储介质,该计算机可读存储介质可以是非暂态的。存储器1520还可包括高速随机存取存储器,以及非易失性存储器,比如一个或多个磁盘存储设备、闪存存储设备。在一些实施例中,存储器1520中的非暂态的计算机可读存储介质用于存储至少一个指令,该至少一个指令用于被处理器1510所执行以实现本申请中方法实施例提供的道路塌陷风险实时评估方法。
在一些实施例中,电子设备还可选包括有:外围设备接口和至少一个外围设备。处理器1510、存储器1520和外围设备接口之间可以通过总线或信号线相连。各个外围设备可以通过总线、信号线或电路板与外围设备接口相连。示意性地,外围设备包括但不限于:射频电路、触摸显示屏、音频电路、和电源等。
当然,电子设备还可以包括更少或更多的组件,本实施例对此不作限定。
可选地,本申请还提供有一种计算机可读存储介质,计算机可读存储介质中存储有程序,程序由处理器加载并执行以实现上述方法实施例的道路塌陷风险实时评估方法。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
显然,上述所描述的实施例仅仅是本申请一部分的实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下,可以做出其它不同形式的变化或变动,都应当属于本申请保护的范围。
Claims (12)
1.一种道路塌陷风险实时评估方法,其特征在于,所述方法包括:
获取目标道路所在区域内的监测数据;
获取预设的道路塌陷风险评估模型;
获取所述目标道路的三维动态数值模型;
基于所述监测数据和所述三维动态数值模型,对所述道路塌陷风险评估模型对应的风险评价指标的当前阈值进行实时修正;
基于所述监测数据和所述三维动态数值模型,对所述道路塌陷风险评估模型进行实时修正;
基于修正后的道路塌陷风险评估模型和修正后的风险评价指标的当前阈值,确定所述目标道路的塌陷风险等级。
2.根据权利要求1所述的方法,其特征在于,所述基于所述监测数据和所述三维动态数值模型,对所述道路塌陷风险评估模型对应的风险评价指标的当前阈值进行实时修正,包括:
将所述监测数据与所述三维动态数值模型的模拟结果进行对比,得到对比结果;
基于所述对比结果更新所述三维动态数值模型;
使用更新后的三维动态数值模型模拟得到所述目标道路的道路情况;所述目标道路的道路情况用于指示所述目标道路的长期服役状态和塌陷长期演化的预测结果;
基于所述目标道路的道路情况和所述监测数据,实时修正所述风险评价指标的当前阈值。
3.根据权利要求2所述的方法,其特征在于,所述基于所述目标道路的道路情况和所述监测数据,实时修正所述风险评价指标的当前阈值,包括:
基于所述目标道路的道路情况,更新所述风险评价指标;
基于所述目标道路的道路情况和所述监测数据,对更新后的风险评价指标的当前阈值进行实时修正。
4.根据权利要求1所述的方法,其特征在于,所述获取所述目标道路的三维动态数值模型,包括:
确定所述目标道路中代表性危险结构物;
基于所述代表性危险结构物,建立所述目标道路的三维动态数值模型。
5.根据权利要求4所述的方法,其特征在于,所述基于所述代表性危险结构物,建立所述目标道路的三维动态数值模型之后,还包括:
获取所述目标道路的实际监测数据作为测试数据;
获取所述三维动态数值模型对所述目标道路的道路情况的测试结果;
将所述测试数据与所述测试结果进行对比验证,得到验证结果;
基于所述验证结果,调整所述三维动态数值模型。
6.根据权利要求2所述的方法,其特征在于,所述基于所述监测数据和所述三维动态数值模型,对所述道路塌陷风险评估模型进行实时修正,包括:
基于所述目标道路的道路情况,更新所述风险评价指标;
基于所述更新后的风险评价指标,对所述道路塌陷风险评估模型进行实时修正。
7.根据权利要求1所述的方法,其特征在于,所述基于所述监测数据和所述三维动态数值模型,对所述道路塌陷风险评估模型对应的风险评价指标的当前阈值进行实时修正之前,还包括:
获取预训练的初始阈值确定模型,所述初始阈值确定模型包括人工智能模型;
获取初始阈值确定数据,所述初始阈值确定数据包括InSAR监测数据、历史灾害情况和多场景监测数据;
将所述初始阈值确定数据输入所述人工智能模型,得到道路塌陷情况预测结果;
通过所述初始阈值确定模型对所述道路塌陷情况预测结果进行分析,得到所述风险评价指标的初始阈值。
8.根据权利要求1所述的方法,其特征在于,所述获取预设的道路塌陷风险评估模型,包括:
获取所述目标道路的风险评价指标;
基于所述风险评价指标,建立所述道路塌陷风险评估模型。
9.根据权利要求8所述的方法,其特征在于,所述目标道路的风险评价指标包括监测指标、外驱动因子、自身因子和影响因子;
所述监测指标包括以下几种中的至少一种:InSAR道路沉降监测指标、移动雷达地下空洞探测指标;
所述外驱动因子包括以下几种中的至少一种:所述目标道路周边的盾构施工在线监测指标、所述目标道路周边的在建基坑在线监测指标;
所述自身因子至少包括道路等级;
所述影响因子包括以下几种中的至少一种:地下管网污水管检测指标、地下管网雨水管检测指标、地下管网供水管监测指标。
10.根据权利要求1至9任一所述的方法,其特征在于,所述道路塌陷风险等级包括一级、二级、三级和四级;不同的所述塌陷风险等级对应不同的预警信号和不同的风险指数值。
11.一种电子设备,其特征在于,所述电子设备包括:存储器和至少一个处理器,所述存储器中存储有指令;所述至少一个处理器调用所述存储器中的所述指令,以使得所述电子设备执行如权利要求1至10中任一项所述道路塌陷风险实时评估方法的步骤。
12.一种计算机可读存储介质,所述计算机可读存储介质上存储有程序,其特征在于,所述程序被处理器执行时实现如权利要求1至10中任一项所述道路塌陷风险实时评估方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211181406.5A CN115270527B (zh) | 2022-09-27 | 2022-09-27 | 道路塌陷风险实时评估方法、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211181406.5A CN115270527B (zh) | 2022-09-27 | 2022-09-27 | 道路塌陷风险实时评估方法、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115270527A true CN115270527A (zh) | 2022-11-01 |
CN115270527B CN115270527B (zh) | 2022-12-23 |
Family
ID=83755878
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211181406.5A Active CN115270527B (zh) | 2022-09-27 | 2022-09-27 | 道路塌陷风险实时评估方法、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115270527B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116720728A (zh) * | 2023-04-26 | 2023-09-08 | 广州地铁设计研究院股份有限公司 | 风险评估方法、电子设备及存储介质 |
CN117273430A (zh) * | 2023-05-31 | 2023-12-22 | 三峡生态环境投资有限公司 | 一种公路施工过程中的风险评估方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113360830A (zh) * | 2021-05-31 | 2021-09-07 | 中钢集团武汉安全环保研究院有限公司 | 一种金属冶炼企业重大安全风险重大风险辨识与评估方法 |
CN114357691A (zh) * | 2021-11-03 | 2022-04-15 | 温州电力建设有限公司 | 一种电力设施地质基础变形安全评估方法 |
CN114372633A (zh) * | 2022-01-11 | 2022-04-19 | 武汉工程大学 | 一种地质灾害预警方法和装置 |
-
2022
- 2022-09-27 CN CN202211181406.5A patent/CN115270527B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113360830A (zh) * | 2021-05-31 | 2021-09-07 | 中钢集团武汉安全环保研究院有限公司 | 一种金属冶炼企业重大安全风险重大风险辨识与评估方法 |
CN114357691A (zh) * | 2021-11-03 | 2022-04-15 | 温州电力建设有限公司 | 一种电力设施地质基础变形安全评估方法 |
CN114372633A (zh) * | 2022-01-11 | 2022-04-19 | 武汉工程大学 | 一种地质灾害预警方法和装置 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116720728A (zh) * | 2023-04-26 | 2023-09-08 | 广州地铁设计研究院股份有限公司 | 风险评估方法、电子设备及存储介质 |
CN117273430A (zh) * | 2023-05-31 | 2023-12-22 | 三峡生态环境投资有限公司 | 一种公路施工过程中的风险评估方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115270527B (zh) | 2022-12-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115270527B (zh) | 道路塌陷风险实时评估方法、设备及存储介质 | |
Pan et al. | Multi-classifier information fusion in risk analysis | |
Jeong et al. | Prediction of flexible pavement deterioration in relation to climate change using fuzzy logic | |
CN112100727B (zh) | 一种断层破碎带影响下的富水隧道突水的预警防控方法 | |
Wang et al. | A patch‐based cellular automaton for simulating land‐use changes at fine spatial resolution | |
Li et al. | Real‐Time Warning and Risk Assessment of Tailings Dam Disaster Status Based on Dynamic Hierarchy‐Grey Relation Analysis | |
Lin et al. | A quantitative method to assess the ecological indicator system's effectiveness: a case study of the ecological province construction indicators of China | |
CN110234811A (zh) | 道路坍塌风险度评价装置和道路坍塌风险度评价方法,以及道路坍塌风险度评价用计算机程序 | |
CN111859779A (zh) | 一种燃气管网防第三方施工破坏风险预警的方法及装置 | |
CN115481940A (zh) | 一种基于大数据的油气管道区域风险监测系统 | |
CN105427189A (zh) | 一种滑坡灾害下的电网易损性评测方法 | |
CN111612336B (zh) | 一种基于大数据的油气管道失效因素修正方法 | |
Taghlabi et al. | Prelocalization and leak detection in drinking water distribution networks using modeling-based algorithms: A case study for the city of Casablanca (Morocco) | |
Kim et al. | Increasing reliability of participatory sensing for utility pole condition assessment using fuzzy inference | |
CN116433008A (zh) | 基于数据库的公路边坡的风险预警方法和系统 | |
CN115438547A (zh) | 基于路面服役状态的整体评价方法及系统 | |
CN111767649B (zh) | 一种软基地区变电站地质变形安全评估方法 | |
CN107609395A (zh) | 一种数值融合模型构建方法及装置 | |
Chen et al. | Smart bridge maintenance using cluster merging algorithm based on self-organizing map optimization | |
Zhou et al. | Developing a cloud evidence method for dynamic early warning of tunnel construction safety risk in undersea environment | |
Meng et al. | Risk identification and assessment during the excavation of the deep foundation pit | |
Berardinelli et al. | An advanced highway asset management system | |
Janál et al. | Fuzzy logic based flash flood forecast | |
Wang et al. | A procedure for risk assessment of check dam systems: A case study of Wangmaogou watershed | |
CN103196424A (zh) | 油气采空区沉降预警方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |