CN115455791B - 一种基于数值模拟技术提高滑坡位移预测准确率的方法 - Google Patents

一种基于数值模拟技术提高滑坡位移预测准确率的方法 Download PDF

Info

Publication number
CN115455791B
CN115455791B CN202211242391.9A CN202211242391A CN115455791B CN 115455791 B CN115455791 B CN 115455791B CN 202211242391 A CN202211242391 A CN 202211242391A CN 115455791 B CN115455791 B CN 115455791B
Authority
CN
China
Prior art keywords
time sequence
landslide
displacement
similarity
numerical simulation
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
CN202211242391.9A
Other languages
English (en)
Other versions
CN115455791A (zh
Inventor
康燕飞
徐洪
陈结
徐文瀚
陈立川
仉文岗
姜德义
梁丹
李柏佚
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.)
Chongqing University
Chongqing Institute of Geology and Mineral Resources
Original Assignee
Chongqing University
Chongqing Institute of Geology and Mineral Resources
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 Chongqing University, Chongqing Institute of Geology and Mineral Resources filed Critical Chongqing University
Priority to CN202211242391.9A priority Critical patent/CN115455791B/zh
Publication of CN115455791A publication Critical patent/CN115455791A/zh
Application granted granted Critical
Publication of CN115455791B publication Critical patent/CN115455791B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F30/23—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
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06F2119/12—Timing analysis or timing optimisation
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Pit Excavations, Shoring, Fill Or Stabilisation Of Slopes (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)

Abstract

本发明涉及滑坡位移预测方法领域，具体涉及一种基于数值模拟技术提高滑坡位移预测准确率的方法，包括：获取目标滑坡隐患点的地质条件参数、物理力学参数、土水特征曲线、渗透系数函数、历史监测数据；对历史监测数据进行预处理，得到实际监测数据的时间序列；建立目标滑坡隐患点的数值分析模型；拟合计算得到目标滑坡隐患点上与实际监测位置相对应的水位、地表位移、深部位移、应力的时间序列数据；对两组已经得到的时间序列进行相似性分析和准确性分析；判断相似性分析和准确性分析是否满足预设要求，若满足，则进行滑坡位移预测，若不满足，根据两个时间序列的差异进行调试，直到满足预设要求。本发明提升滑坡位移预测的准确率。

Description

一种基于数值模拟技术提高滑坡位移预测准确率的方法
技术领域
本发明涉及滑坡位移预测方法领域，具体涉及一种基于数值模拟技术提高滑坡位移预测准确率的方法。
背景技术
滑坡是一种危害比较严重的自然地质灾害，灾害性滑坡每年发生的次数较多，造成经济损失超过10亿元，严重影响人民群众生命财产安全，因此，建立滑坡灾害预警体系具有重要意义。
位移预测是滑坡灾害预警中的一项重要内容，滑坡的位移预测普遍使用静态预测模型，由于滑坡变形是一个复杂的非线性动力学过程，静态预测模型的预测效果很差。对于此，随着人工智能技术的兴起，基于机器学习的滑坡位移预测能够一定程度上提高预测效果，但是，利用机器学习算法对滑坡位移进行预测时，预测准确性高度依赖滑坡位移的历史监测数据质量，对于基于机器学习预测滑坡位移这种数据驱动的滑坡位移预测方法，用于机器学习算法训练模型的滑坡位移历史监测数据的数量与质量将直接影响滑坡位移预测的准确性。
而由于滑坡工程现场监测仪器有限、监测仪器数据采集频率有限、监测仪器安装的时间往往在滑坡出现较大变形后等原因，导致用于机器学习预测滑坡位移的原始数据量较少；同时，由于设备稳定性、设备储存或传输故障、极端恶劣天气等原因，原始监测数据出现数据缺失和数据异常的概率极大，导致用于机器学习预测滑坡位移的原始数据质量较差，所以，机器学习预测滑坡位移的预测结果准确性差。
发明内容
本发明意在提供一种基于数值模拟技术提高滑坡位移预测准确率的方法，以解决现有机器学习预测滑坡位移的预测结果准确性差的问题。
本方案中的基于数值模拟技术提高滑坡位移预测准确率的方法，包括以下步骤：
步骤1，获取目标滑坡隐患点的地质条件参数；
步骤2，获得目标滑坡隐患点岩土体的物理力学参数、土水特征曲线、渗透系数函数；
步骤3，获取目标滑坡隐患点表征空间分布特征的历史监测数据；
步骤4，对步骤3中的历史监测数据进行预处理，得到目标滑坡隐患点的表面位移监测、深部位移监测、地下水位监测、应力监测的实际监测数据的时间序列；
步骤5，利用步骤1和步骤2获取的目标滑坡隐患点的地质条件参数与关键岩土层物理力学参数、土水特征曲线、渗透系数函数，基于数值模拟手段建立目标滑坡隐患点的数值分析模型；
步骤6，获取目标滑坡隐患点的工况信息，并根据工况信息设定滑坡数值模拟过程的边界条件进行数值分析计算，得到目标滑坡隐患点上与实际监测位置相对应的水位、地表位移、深部位移、应力的时间序列数据；
步骤7，对步骤6中得到水位、地表位移、深部位移、应力的时间序列数据与步骤4中预处理后目标滑坡隐患点历史监测数据的时间序列，进行时间序列相似性分析、准确性分析；
步骤8，若步骤7中时间序列相似性和准确性满足预设要求，则利用步骤6中数值模拟得到的水位、地表位移、深部位移、应力的时间序列数据作为机器学习训练数据对滑坡位移进行预测；
步骤9，若步骤7中时间序列相似性和准确性不满足预设要求，则根据步骤6中基于数值模拟得到的时间序列与步骤4中目标滑坡隐患点对应实际监测数据时间序列的差异，对步骤6中数值模拟模型参数进行调试，重新执行步骤6和步骤7，直到步骤7中时间序列相似性和准确性均满足预设要求，执行步骤8。
本方案的有益效果是：
基于目标滑坡隐患点的地质背景条件和岩土体物理力学参数、土水特征曲线、渗透系数函数对目标滑坡隐患点进行数值建模与计算，得到与目标滑坡隐患点实际监测数据时间序列相似度和准确性较高的模拟监测数据，从物理机制上实现了对目标滑坡隐患点时间监测数据的加密以及缺失数据的修复，并减少由于现场传感器误差等原因导致的数据噪声，从而大幅提升数据数量和质量。
利用与目标滑坡隐患点实际监测数据时间序列相似度和准确性较高的模拟监测数据作为滑坡位移预测时机器学习算法的训练数据，可以有效解决使用目标滑坡隐患点原始现场监测数据直接作为滑坡位移预测时机器学习算法训练数据时由于训练数据数据量小、质量差等原因导致位移预测准确性不高的问题，提升滑坡位移预测的准确率。
进一步，所述步骤3中，所述历史监测数据包括表面位移监测、深部位移监测、地下水位监测、应力监测以及其在目标滑坡隐患点的监测位置、深度。
有益效果是：多种历史监测数据，能够准确、完整地表征滑坡演化的情况。
进一步，所述步骤5中，所述数值模拟手段为有限元、离散元、物质点法中的一种。
有益效果是：多种不同的数值模拟手段，适用范围更大。
进一步，所述步骤6中，所述工况信息包括降雨、库水位变化和地震，所述时间序列数据的采集频率和时间跨度与步骤4中目标滑坡隐患点实际监测数据相同。
有益效果是：数值模拟拟合的时间序列在采集频率和时间跨度与步骤4中目标滑坡隐患点实际监测数据保持一致，可以保证在步骤7分析数据相似性和准确性时数据格式相同。
进一步，所述步骤7中，所述相似性分析包括数值相似性和方向相似性，所述准确性分析包括动态时间规整距离。
有益效果是：通过数值相似性能够表征两条时间序列在数值上的相似程度，表征两条序列的每个点在二维平面上相距多远，通过方向相似性能够对两条序列的上升或下降趋势进行判断，准确性分析避免了时间序列偏移及时间序列长度不一致可能带来的问题。
进一步，所述步骤7中，所述数值相似性分析包括，设步骤6得到的时间序列和步骤4中监测得到的时间序列分别表示为P＝(x1,x2,...,xn)和Q＝(y1,y2,...,yn)，计算时间序列P与时间序列Q的欧式距离，根据欧式距离进行时间序列P与时间序列Q的相似性分析，欧式距离表示为：
所述方向相似性分析包括，将时间序列P与时间序列Q上的点投射在一个平面坐标系中，将时间序列P与时间序列Q分别所组成曲线上的每个点和坐标轴原点之间的线作为一个矢量，计算两个矢量夹角的余弦用来表示余弦相似度，计算时间序列P与时间序列Q的平均余弦相似度，根据平均余弦相似度进行时间序列P与时间序列Q的方向相似性分析，余弦相似度表示为：
有益效果是：通过对两个序列计算欧式距离和余弦相似度，量化标识两个时间序列的相似程度，提高相似程度判断的直观性和准确性。
进一步，所述步骤7中，所述动态时间规整距离分析包括，设步骤6得到的时间序列P和步骤4中监测得到的时间序列Q分别表示为P＝(x1,x2,...,xm)和Q＝(y1,y2,...,yn)，将两条时间序列间的距离矩阵表示为Am×n＝(aij)m×n，其中aij采用欧式距离进行计算；
设动态时间规划路径为W＝(w1,w2,...,wn)，计算步骤6得到的时间序列P和步骤4中监测得到的时间序列Q的DTW距离，根据DTW距离进行相似性分析，DTW距离表示为：
有益效果是：通过动态时间规整距离分析，便于准确描述并判断两个时间序列在整体的差距上的关系，以准确确定两个时间序列之间的偏移差距。
进一步，所述步骤8中，所述预设要求为同时满足数值相似性要求、方向相似性要求和DTW相似性要求；
设实际监测数据的极差为R，所述预设要求为：若指标SDE满足SDE＝DE/R≤10％，则步骤6得到的时间序列P和步骤4中监测得到的时间序列Q满足数值相似性要求；对实际监测数据的时间序列曲线设定一条决定系数(R2)大于0.98的拟合曲线，计算实际监测数据的时间序列Q与拟合曲线的DTW距离DTW1，计算实际监测数据的时间序列P与步骤6中时间序列P的DTW距离DTW2，若满足DTW2≤DTW1，则步骤6得到的时间序列P和步骤4中监测得到的时间序列Q满足DWT相似性要求。
有益效果是：将预设要求设置为同时满足数值相似性要求、方向相似性要求和DTW相似性要求，能够判断通过拟合方式得到的时间序列与实际的时间序列的是否相似，进而确定拟合的时间序列是否符合实际情况，提高后续预测结果的准确性。
进一步，所述步骤8中，将水位、地表位移、深部位移、应力的监测数据的时间序列数据，根据滑坡机器学习预测模型的需要增加采集频率。
有益效果是：通过采集频率的增加，能够增加步骤8中用于机器学习训练数据的数据量。
进一步，所述步骤8中，根据目标滑坡隐患点位移预测需增大水位、地表位移、深部位移、应力的监测数据采集的时间跨度。
有益效果是：通过对采集数据的时间跨度进行增加，能够提升数据覆盖范围。
附图说明
图1为本发明基于数值模拟技术提高滑坡位移预测准确率的方法实施例的示意图。
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
如图1所示，基于数值模拟技术提高滑坡位移预测准确率的方法，包括以下步骤：
步骤1，获取目标滑坡隐患点的地质条件参数，地质条件参数从获取的勘察资料中获取，地质条件参数包括地层层序、岩性特征、接触关系、岩层产状、结构面分布和组合特征、水文信息。
步骤2，基于现场测试与室内试验获取目标滑坡隐患点岩土体的物理力学参数、土水特征曲线、渗透系数函数，现场测试与室内试验使用现有的方式进行，在此不再赘述。
步骤3，根据目标滑坡隐患点现场监测资料，获取目标滑坡隐患点表征空间分布特征的历史监测数据，现场监测资料可以是对传感器和监测设备前期监测过程中存储所得，历史监测数据包括表面位移监测、深部位移监测、地下水位监测、应力监测以及其在目标滑坡隐患点的监测位置、深度。
步骤4，对步骤3中的历史监测数据进行预处理，得到目标滑坡隐患点的表面位移监测、深部位移监测、地下水位监测、应力监测的实际监测数据的时间序，预处理包括去除数据噪声、删除异常数据列，以去除具有明显逻辑错误的异常数据。
步骤5，利用步骤1和步骤2获取的目标滑坡隐患点的地质条件参数与关键岩土层的物理力学参数、土水特征曲线、渗透系数函数，基于数值模拟手段建立目标滑坡隐患点1:1的数值分析模型，数值模拟手段为有限元、离散元、物质点法中的一种。
步骤6，获取目标滑坡隐患点的工况信息，工况信息包括降雨、库水位变化和地震，基于步骤5建立的数值分析模型，根据工况信息设定滑坡数值模拟过程的边界条件进行数值分析计算，边界条件为降雨、库水位变化对应水力边界条件，地震对应地震边界条件，得到目标滑坡隐患点上与实际监测位置相对应的水位、地表位移、深部位移、应力的时间序列数据，时间序列数据的采集频率和时间跨度与步骤4中目标滑坡隐患点实际监测数据相同。
步骤7，对步骤6中得到水位、地表位移、深部位移、应力的时间序列数据与步骤4中预处理后历史监测数据的时间序列，进行时间序列相似性分析、准确性分析。相似性分析包括数值相似性和方向相似性，准确性分析包括动态时间规整距离。
数值相似性即表示两条时间序列在数值上有多相似，也即两条序列的每个点在二维平面上相距多远。数值相似性分析包括，设步骤6得到的时间序列和步骤4中监测得到的时间序列分别表示为P＝(x1,x2,...,xn)和Q＝(y1,y2,...,yn)，计算时间序列P与时间序列Q的欧式距离，根据欧式距离进行时间序列P与时间序列Q的数值相似性分析，当欧式距离越小，即欧式距离的预设要求为不高于10％，若指标SDE满足SDE＝DE/R≤10％，则代表步骤6与步骤4中的时间序列在数值上越相近，即可以判断它们的数值相似程度，欧式距离表示为：
方向相似性能够表示两条时间序列曲线在同一时刻应具有相似的上升或下降趋势。方向相似性分析包括，将时间序列P与时间序列Q上的点投射在一个平面坐标系中，将时间序列P与时间序列Q分别所组成曲线上的每个点和坐标轴原点之间的线作为一个矢量，计算两个矢量夹角的余弦表示余弦相似度，计算时间序列P与时间序列Q的平均余弦相似度，根据平均余弦相似度进行时间序列P与时间序列Q的方向相似性分析，当余弦值越接近1，表明时间序列P与时间序列Q间的余弦相似度越高，在方向上越一致，余弦相似度表示为：
动态时间规整距离分析包括，设步骤6得到的时间序列P和步骤4中监测得到的时间序列Q分别表示为P＝(x1,x2,...,xm)和Q＝(y1,y2,...,yn)，其中，m和n可以相等，m和n可以不相等，将两条时间序列间的距离矩阵表示为Am×n＝(aij)m×n，其中aij采用欧式距离进行计算；
设动态时间规划路径为W＝(w1,w2,...,wn)，计算步骤6得到的时间序列P和步骤4中监测得到的时间序列Q的DTW距离，根据DTW距离进行相似性分析，DTW距离越小代表时间序列P与时间序列Q之间的相似度越高，DTW距离表示为：
步骤8，若步骤7中时间序列相似性和准确性满足预设要求，则利用步骤6中数值模拟得到的水位、地表位移、深部位移、应力的时间序列数据作为机器学习训练数据对滑坡位移进行预测。
预设要求为同时满足数值相似性要求、方向相似性要求和DTW相似性要求。
设实际监测数据的极差为R，所述预设要求为：若指标SDE满足SDE＝DE/R≤10％，则步骤6得到的时间序列P和步骤4中监测得到的时间序列Q满足数值相似性要求；对实际监测数据的时间序列曲线设定一条决定系数(R2)大于0.98的拟合曲线，计算实际监测数据的时间序列Q与拟合曲线的DTW距离DTW1，计算实际监测数据的时间序列P与步骤6中时间序列P的DTW距离DTW2，若满足DTW2≤DTW1，则步骤6得到的时间序列P和步骤4中监测得到的时间序列Q满足DWT相似性要求。
将水位、地表位移、深部位移、应力的监测数据的时间序列数据，根据滑坡机器学习预测模型的需要增加采集频率。根据目标滑坡隐患点位移预测需增大水位、地表位移、深部位移、应力的监测数据采集的时间跨度。
步骤9，若步骤7中时间序列相似性和准确性不满足预设要求，则根据步骤6中基于数值模拟得到的时间序列与步骤4中目标滑坡隐患点对应实际监测数据时间序列的差异，对步骤6中数值模拟模型参数进行调试，调试即为在岩土体的物理力学参数的分布区间内进行取值、计算、检验、微调的过程，重新执行步骤6和步骤7，直到步骤7中时间序列相似性和准确性均满足预设要求，执行步骤8。
相较于现有的静态预测模型以及机器学习的滑坡位移预测，针对数据量小、质量差，影响预测准确性的问题，普遍是通过提高数据采集设备的性能，以及增加数据量的采集量或者采集频率进行，本实施例不是简单的增加数据的数量，或者简单的改善监测端的监测效果，而是通过基于目标滑坡隐患点的地质背景条件和岩土体物理力学参数、土水特征曲线、渗透系数函数对目标滑坡隐患点进行数值建模与计算，得到与目标滑坡隐患点实际监测数据时间序列相似度和准确性较高的模拟监测数据，实现了对目标滑坡隐患点时间监测数据的密度增加以及缺失数据的修复，并减少由于现场传感器误差等原因导致的数据噪声，从而大幅提升数据数量和质量。利用与目标滑坡隐患点实际监测数据时间序列相似度和准确性较高的模拟监测数据作为滑坡位移预测时机器学习算法的训练数据，可以有效解决使用目标滑坡隐患点原始现场监测数据直接作为滑坡位移预测时机器学习算法训练数据时由于训练数据数据量小、质量差等原因导致位移预测准确性不高的问题，提升滑坡位移预测的准确率。
以上所述的仅是本发明的实施例，方案中公知的具体结构及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，在不脱离本发明结构的前提下，还可以作出若干变形和改进，这些也应该视为本发明的保护范围，这些都不会影响本发明实施的效果和专利的实用性。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 (10)

1.一种基于数值模拟技术提高滑坡位移预测准确率的方法，其特征在于，包括以下步骤：
步骤1，获取目标滑坡隐患点的地质条件参数；
步骤2，获得目标滑坡隐患点岩土体的物理力学参数、土水特征曲线、渗透系数函数；
步骤3，获取目标滑坡隐患点表征空间分布特征的历史监测数据；
步骤4，对步骤3中的历史监测数据进行预处理，去除具有明显逻辑错误的异常数据，得到目标滑坡隐患点的表面位移监测、深部位移监测、地下水位监测、应力监测的实际监测数据的时间序列；
步骤5，利用步骤1和步骤2获取的目标滑坡隐患点的地质条件参数与关键岩土层物理力学参数、土水特征曲线、渗透系数函数，基于数值模拟手段建立目标滑坡隐患点的数值分析模型；
步骤6，获取目标滑坡隐患点的工况信息，并根据工况信息设定滑坡数值模拟过程的边界条件进行数值分析计算，得到目标滑坡隐患点上与实际监测位置相对应的水位、地表位移、深部位移、应力的时间序列数据；
步骤7，对步骤6中得到水位、地表位移、深部位移、应力的时间序列数据与步骤4中预处理后目标滑坡隐患点历史监测数据的时间序列，进行时间序列相似性分析、准确性分析；
步骤8，若步骤7中时间序列相似性和准确性满足预设要求，则利用步骤6中数值模拟得到的水位、地表位移、深部位移、应力的时间序列数据作为机器学习训练数据对滑坡位移进行预测；
步骤9，若步骤7中时间序列相似性和准确性不满足预设要求，则根据步骤6中基于数值模拟得到的时间序列与步骤4中目标滑坡隐患点对应实际监测数据时间序列的差异，对步骤6中数值模拟模型参数进行调试，重新执行步骤6和步骤7，直到步骤7中时间序列相似性和准确性均满足预设要求，执行步骤8。
2.根据权利要求1所述的基于数值模拟技术提高滑坡位移预测准确率的方法，其特征在于：所述步骤3中，所述历史监测数据包括表面位移监测、深部位移监测、地下水位监测、应力监测以及其在目标滑坡隐患点的监测位置、深度。
3.根据权利要求2所述的基于数值模拟技术提高滑坡位移预测准确率的方法，其特征在于：所述步骤5中，所述数值模拟手段为有限元、离散元、物质点法中的一种。
4.根据权利要求3所述的基于数值模拟技术提高滑坡位移预测准确率的方法，其特征在于：所述步骤6中，所述工况信息包括降雨、库水位变化和地震，所述时间序列数据的采集频率和时间跨度与步骤4中目标滑坡隐患点实际监测数据相同。
5.根据权利要求4所述的基于数值模拟技术提高滑坡位移预测准确率的方法，其特征在于：所述步骤7中，所述相似性分析包括数值相似性和方向相似性，所述准确性分析包括动态时间规整距离。
6.根据权利要求5所述的基于数值模拟技术提高滑坡位移预测准确率的方法，其特征在于：所述步骤7中，所述数值相似性分析包括，设步骤6得到的时间序列和步骤4中监测得到的时间序列分别表示为P＝(x1,x2,...,xn)和Q＝(y1,y2,...,yn)，计算时间序列P与时间序列Q的欧式距离，根据欧式距离进行时间序列P与时间序列Q的相似性分析，欧式距离表示为：
所述方向相似性分析包括，将时间序列P与时间序列Q上的点投射在一个平面坐标系中，将时间序列P与时间序列Q分别所组成曲线上的每个点和坐标轴原点之间的线作为一个矢量，计算两个矢量夹角的余弦用来表示余弦相似度，计算时间序列P与时间序列Q的平均余弦相似度，根据平均余弦相似度进行时间序列P与时间序列Q的方向相似性分析，余弦相似度表示为：
7.根据权利要求5所述的基于数值模拟技术提高滑坡位移预测准确率的方法，其特征在于：所述步骤7中，所述动态时间规整距离分析包括，设步骤6得到的时间序列P和步骤4中监测得到的时间序列Q分别表示为P＝(x1,x2,...,xm)和Q＝(y1,y2,...,yn)，将两条时间序列间的距离矩阵表示为Am×n＝(aij)m×n，其中aij采用欧式距离进行计算；
设动态时间规划路径为W＝(w1,w2,...,wn)，计算步骤6得到的时间序列P和步骤4中监测得到的时间序列Q的DTW距离，根据DTW距离进行相似性分析，DTW距离表示为：
8.根据权利要求5所述的基于数值模拟技术提高滑坡位移预测准确率的方法，其特征在于：所述步骤8中，所述预设要求为同时满足数值相似性要求、方向相似性要求和DTW相似性要求；
设实际监测数据的极差为R，所述预设要求为：若指标SDE满足SDE＝DE/R≤10％，则步骤6得到的时间序列P和步骤4中监测得到的时间序列Q满足数值相似性要求；对实际监测数据的时间序列曲线设定一条决定系数(R2)大于0.98的拟合曲线，计算实际监测数据的时间序列Q与拟合曲线的DTW距离DTW1，计算实际监测数据的时间序列P与步骤6中时间序列P的DTW距离DTW2，若满足DTW2≤DTW1，则步骤6得到的时间序列P和步骤4中监测得到的时间序列Q满足DWT相似性要求。
9.根据权利要求4所述的基于数值模拟技术提高滑坡位移预测准确率的方法，其特征在于：所述步骤8中，将水位、地表位移、深部位移、应力的监测数据的时间序列数据，根据滑坡机器学习预测模型的需要增加采集频率。
10.根据权利要求5所述的基于数值模拟技术提高滑坡位移预测准确率的方法，其特征在于：所述步骤8中，根据目标滑坡隐患点位移预测需增大水位、地表位移、深部位移、应力的监测数据采集的时间跨度。
CN202211242391.9A 2022-10-11 2022-10-11 一种基于数值模拟技术提高滑坡位移预测准确率的方法 Active CN115455791B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211242391.9A CN115455791B (zh) 2022-10-11 2022-10-11 一种基于数值模拟技术提高滑坡位移预测准确率的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211242391.9A CN115455791B (zh) 2022-10-11 2022-10-11 一种基于数值模拟技术提高滑坡位移预测准确率的方法

Publications (2)

Publication Number Publication Date
CN115455791A CN115455791A (zh) 2022-12-09
CN115455791B true CN115455791B (zh) 2024-02-02

Family

ID=84309246

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211242391.9A Active CN115455791B (zh) 2022-10-11 2022-10-11 一种基于数值模拟技术提高滑坡位移预测准确率的方法

Country Status (1)

Country Link
CN (1) CN115455791B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116739184B (zh) * 2023-08-08 2023-11-07 四川川核地质工程有限公司 一种滑坡预测方法及系统

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110837669A (zh) * 2019-10-25 2020-02-25 中国地质大学（武汉） 基于多源异构数据融合的滑坡不确定模型动态构建方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10536616B2 (en) * 2017-08-31 2020-01-14 Canon Kabushiki Kaisha Image pickup apparatus

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110837669A (zh) * 2019-10-25 2020-02-25 中国地质大学（武汉） 基于多源异构数据融合的滑坡不确定模型动态构建方法

Also Published As

Publication number Publication date
CN115455791A (zh) 2022-12-09

Similar Documents

Publication Publication Date Title
CN108256172B (zh) 一种顶管下穿既有箱涵过程中险情预警预报方法
CN115455791B (zh) 一种基于数值模拟技术提高滑坡位移预测准确率的方法
CN110705179A (zh) 基于融合神经网络的导水裂缝带高度精确预测方法及系统
CN112364422B (zh) 基于mic-lstm的盾构施工地表变形动态预测方法
CN107368463B (zh) 基于光纤光栅传感网络数据的巷道非线性变形预测方法
Kothari et al. Machine learning: A novel approach to predicting slope instabilities
CN109902265B (zh) 一种基于隐马尔可夫模型的井下预警方法
Arabameri et al. Application of novel ensemble models and k-fold CV approaches for Land subsidence susceptibility modelling
CN116677569A (zh) 一种风机塔架应力监测与预警方法及其系统
CN103134433A (zh) 一种利用位移监测鉴别边坡失稳致滑因子的方法
CN115640996B (zh) 一种富水复杂地层隧道突涌水灾害的评估方法
CN117386355A (zh) 深埋土层中高强混凝土井壁破坏预测方法
CN115019476B (zh) 一种基于多源信息融合的滑坡时空信息监测预警方法
CN116045903A (zh) 一种采煤区地面形变识别与评价方法
CN113190902B (zh) 一种隧道施工引起地表位移的预测方法及系统
CN103953024A (zh) 基坑自动化监测异常数据识别方法
CN114066271A (zh) 一种隧道突水灾害监测管理系统
CN114693151A (zh) 基于分布式应变空间相关性的桥梁桩基础状态诊断方法
Lyu et al. Health state inversion of Jack-up structure based on feature learning of damage information
CN114330442A (zh) 一种基于k-近邻法的管道应变特征分类计算方法及系统
CN113808370A (zh) 一种面向滑坡的多指标耦合监测预警方法
CN112084553A (zh) 一种用于隧道规划的勘测方法
CN118008479A (zh) 一种高风险岩溶地区隧道地质灾害数字化预报预警方法
CN117195664B (zh) 一种地下管线监测预警方法和系统
CN117688659B (zh) 水库大坝的深厚覆盖层坝基防渗墙的渗漏风险预测方法

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
GR01 Patent grant
GR01 Patent grant