CN115481793A - 一种基于人工智能的地质灾害治理方法 - Google Patents
一种基于人工智能的地质灾害治理方法 Download PDFInfo
- Publication number
- CN115481793A CN115481793A CN202211106705.2A CN202211106705A CN115481793A CN 115481793 A CN115481793 A CN 115481793A CN 202211106705 A CN202211106705 A CN 202211106705A CN 115481793 A CN115481793 A CN 115481793A
- Authority
- CN
- China
- Prior art keywords
- disaster
- treatment
- measures
- measure
- bodies
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 20
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 70
- 230000006378 damage Effects 0.000 claims abstract description 61
- 238000012545 processing Methods 0.000 claims abstract description 24
- 238000007726 management method Methods 0.000 claims abstract description 17
- 239000002689 soil Substances 0.000 claims description 28
- 239000011435 rock Substances 0.000 claims description 21
- 230000002265 prevention Effects 0.000 claims description 18
- 238000004140 cleaning Methods 0.000 claims description 10
- 230000000903 blocking effect Effects 0.000 claims description 9
- 238000009933 burial Methods 0.000 claims description 8
- 230000000087 stabilizing effect Effects 0.000 claims description 7
- 239000004576 sand Substances 0.000 claims description 4
- 229920006395 saturated elastomer Polymers 0.000 claims description 4
- 238000011084 recovery Methods 0.000 claims description 2
- 239000002352 surface water Substances 0.000 claims description 2
- 230000001681 protective effect Effects 0.000 abstract description 15
- 238000003062 neural network model Methods 0.000 abstract description 6
- 238000012549 training Methods 0.000 description 19
- 238000010586 diagram Methods 0.000 description 14
- 230000000694 effects Effects 0.000 description 12
- 239000010410 layer Substances 0.000 description 11
- 238000012360 testing method Methods 0.000 description 11
- 238000013528 artificial neural network Methods 0.000 description 10
- 238000002790 cross-validation Methods 0.000 description 7
- 238000012795 verification Methods 0.000 description 6
- 241000282414 Homo sapiens Species 0.000 description 5
- 230000009471 action Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000010200 validation analysis Methods 0.000 description 5
- 238000011049 filling Methods 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 230000004888 barrier function Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000005484 gravity Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 239000007921 spray Substances 0.000 description 3
- 244000025254 Cannabis sativa Species 0.000 description 2
- 239000004927 clay Substances 0.000 description 2
- 238000005507 spraying Methods 0.000 description 2
- 239000004575 stone Substances 0.000 description 2
- 241000251468 Actinopterygii Species 0.000 description 1
- 241000196324 Embryophyta Species 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 238000011010 flushing procedure Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000009545 invasion Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000013535 sea water Substances 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000002344 surface layer Substances 0.000 description 1
Images
Classifications
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/08—Construction
-
- 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
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
- G06Q50/265—Personal security, identity or safety
-
- 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
Abstract
本发明公开了一种基于人工智能的地质灾害治理方法,具体包括以下步骤:S1、地质灾害灾害体归类,S2、灾害体影响特征处理,S3、治理防治措施的类别化和数值化处理,本发明涉及地质灾害治理技术领域。该基于人工智能的地质灾害治理方法,通过将灾害体分为了滑坡、崩塌、泥石流、河沟道水毁、台田地水毁、台田地水毁六大类别,分别提取不同类别灾害体的影响特征,以及在不同特征性下采取的治理防护措施,构建神经网络模型对这些特征和治理防护措施进行分析,获取特征与治理防护措施之间的内在关联关系,以实现根据不同灾害体特征参数自动推荐治理防护措施。
Description
技术领域
本发明涉及地质灾害治理技术领域,具体为一种基于人工智能的地质灾害治理方法。
背景技术
地质灾害是指在自然或者人为因素的作用下形成的,对人类生命财产造成损失、对环境造成破坏的地质作用或地质现象,它在时间和空间上的分布变化规律,既受制于自然环境,又与人类活动有关,往往是人类与自然界相互作用的结果。常见的地质灾害有滑坡、泥石流、地面塌陷等,地质灾害主要是指崩塌(宙危岩体)、滑坡、泥石流、岩溶地而塌陷和地裂缝等,它们是比较公认的园地壳表层地质结构的剧烈变化而产生的,且通常被认为是突发性的,地质环境灾害是指区域性地质生态环境变异引起的危害,如区域性地而沉降、海水人侵、干旱半干旱地区的荒漠化、石山地区的水土流失、石漠化和区域性地质构造沉降背景下平原或盆地地区的频繁洪灾等,这些问题通常都是由多种因素引起且缓慢发生的,地质界常称其为缓变性地质灾。
本发明将灾害体分为了滑坡、崩塌、泥石流、河沟道水毁、台田地水毁、台田地水毁六大类别,分别提取不同类别灾害体的影响特征,以及在不同特征性下采取的治理防护措施。构建神经网络模型对这些特征和治理防护措施进行分析,获取特征与治理防护措施之间的内在关联关系,以实现根据不同灾害体特征参数自动推荐治理防护措施。
发明内容
(一)解决的技术问题
针对现有技术的不足,本发明提供了一种基于人工智能的地质灾害治理方法,通过构建神经网络模型对这些特征和治理防护措施进行分析,获取特征与治理防护措施之间的内在关联关系,以实现根据不同灾害体特征参数自动推荐治理防护措施。
(二)技术方案
为实现以上目的,本发明通过以下技术方案予以实现:一种基于人工智能的地质灾害治理方法,具体包括以下步骤:
S1、地质灾害灾害体归类:根据灾害体类型将灾害体分为滑坡、崩塌、泥石流、河沟道水毁、台田地水毁、台田地水毁六大类别分类,为不同类型灾害体收集不同特征下的治理防护措施;
S2、灾害体影响特征处理:对不同类别的灾害体,分析灾害体的各种参数中与治理防护措施直接相关联的参数作为特征,来对灾害体的治理防护措施进行分析和预测,不同类别的灾害体具有不同的特性,需要考虑的特征也各不相同,根据实地勘察数据、历史记录和专家经验分别对滑坡灾害体的特征、崩塌灾害体的特征、泥石流灾害体的特征、河沟道水毁灾害体的特征、台田地水毁灾害体的特征和坡面水毁灾害体的特征进行提取;
S3、治理防治措施的类别化和数值化处理:对于步骤S2中提取的滑坡灾害体的特征、崩塌灾害体的特征、泥石流灾害体的特征、河沟道水毁灾害体的特征、台田地水毁灾害体的特征和坡面水毁灾害体分别进行治理防治措施的数值化处理,并建立了灾害点与不同类别措施之间的对应关系。
优选的,所述步骤S3中对滑坡灾害体的治理防治措施的数值化处理所得到的处理措施为:
措施Ⅰ:抗滑桩工程;
措施Ⅱ:锚杆索工程;
措施Ⅲ:抗滑挡墙工程;
措施Ⅳ:减载反压及其他工程;
辅助措施:排水沟、格构、普通护坡、骨架护坡、预制块护坡和坡面清理。
优选的,所述步骤S3中对崩塌灾害体的治理防治措施的数值化处理所得到的处理措施为:
措施Ⅰ:危岩清理;
措施Ⅱ:主动拦挡;
措施Ⅲ:缓冲层;
措施Ⅳ:被动拦挡;
辅助措施:截水沟、排水沟和坡面清理。
优选的,所述步骤S3中对泥石流灾害体的治理防治措施的数值化处理所得到的处理措施为:
措施Ⅰ:拦挡工程;
措施Ⅱ:排导工程;
措施Ⅲ:管体保护工程;
措施Ⅳ:普通护坡、骨架护坡以及预制块护坡+辅助措施;
辅助措施:截水沟、排水沟和坡面清理。
优选的,所述步骤S3中对河沟道水毁害体的治理防治措施的数值化处理所得到的处理措施为:
措施Ⅰ:稳管措施;
措施Ⅱ:护底工程;
措施Ⅲ:护岸工程;
措施Ⅳ:护脚工程;
辅助措施:疏浚河道和沉管。
优选的,所述步骤S3中对坡面水毁害体的治理防治措施的数值化处理所得到的处理措施为:
措施Ⅰ:挡土墙工程;
措施Ⅱ:护坡工程;
措施Ⅲ:护面工程;
措施Ⅳ:坡面水土保持工程;
辅助措施:截水沟和排水沟。
优选的,所述步骤S3中对台田地水毁害体的治理防治措施的数值化处理所得到的处理措施为:
措施Ⅰ:挡土墙工程;
措施Ⅱ:地表恢复工程;
措施Ⅲ:排水工程;
辅助措施:截水沟和排水沟。
优选的,所述步骤S2中滑坡灾害体的特征包括:坡度、坡高、滑体厚度、滑体天然重度、滑带饱和粘聚力、滑带饱和内摩擦角和植被覆盖率。
优选的,所述步骤S2中崩塌灾害体的特征包括:岩石坚硬程度、距管道垂直高度、距管道水平距离、最大块体体积、岩体破碎程度和管顶埋深。
优选的,所述步骤S2中泥石流灾害体的特征包括:一次最大降雨量、河沟纵比降、泥砂沿程长度补给比、流域面积、区域岩性、管道穿越沟段类型和管顶埋深。
(三)有益效果
本发明提供了一种基于人工智能的地质灾害治理方法。与现有技术相比具备以下有益效果:该基于人工智能的地质灾害治理方法,通过将灾害体分为了滑坡、崩塌、泥石流、河沟道水毁、台田地水毁、台田地水毁六大类别,分别提取不同类别灾害体的影响特征,以及在不同特征性下采取的治理防护措施。构建神经网络模型对这些特征和治理防护措施进行分析,获取特征与治理防护措施之间的内在关联关系,以实现根据不同灾害体特征参数自动推荐治理防护措施。
附图说明
图1为本发明实施例中滑坡灾害体特征数据图;
图2为本发明实施例中崩塌灾害体特征的原始数据图;
图3为本发明实施例中崩塌灾害体特征分类赋值处理后的数据图;
图4为本发明实施例中泥石流灾害体特征的原始数据图;
图5为本发明实施例中泥石流灾害体特征分类赋值处理后的数据图;
图6为本发明实施例中河沟道水毁灾害体特征的原始数据图;
图7为本发明实施例中河沟道水毁灾害体特征分类赋值处理后的数据图;
图8为本发明实施例中台田地水毁灾害体特征的原始数据图;
图9为本发明实施例中台田地水毁灾害体特征分类赋值处理后的数据图;
图10为本发明实施例中坡面水毁灾害体特征的原始数据图;
图11为本发明实施例中坡面水毁灾害体特征分类赋值处理后的数据图;
图12为本发明实施例中超参数优化空间的算法示意图;
图13为本发明实施例中二分类基础网络的算法示意图;
图14为本发明实施例中模型评价的算法示意图。
具体实施方式
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,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做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。
请参阅图1-14,本发明实施例提供一种技术方案:一种基于人工智能的地质灾害治理方法,具体包括以下步骤:
S1、地质灾害灾害体归类:根据灾害体类型将灾害体分为滑坡、崩塌、泥石流、河沟道水毁、台田地水毁、台田地水毁六大类别分类,为不同类型灾害体收集不同特征下的治理防护措施;
S2、灾害体影响特征处理:对不同类别的灾害体,分析灾害体的各种参数中与治理防护措施直接相关联的参数作为特征,来对灾害体的治理防护措施进行分析和预测,不同类别的灾害体具有不同的特性,需要考虑的特征也各不相同,根据实地勘察数据、历史记录和专家经验分别对滑坡灾害体的特征、崩塌灾害体的特征、泥石流灾害体的特征、河沟道水毁灾害体的特征、台田地水毁灾害体的特征和坡面水毁灾害体的特征进行提取;
S3、治理防治措施的类别化和数值化处理:对于步骤S2中提取的滑坡灾害体的特征、崩塌灾害体的特征、泥石流灾害体的特征、河沟道水毁灾害体的特征、台田地水毁灾害体的特征和坡面水毁灾害体分别进行治理防治措施的数值化处理,并建立了灾害点与不同类别措施之间的对应关系。
本发明实施例,步骤S3中对滑坡灾害体的治理防治措施的数值化处理所得到的处理措施为:
措施Ⅰ:抗滑桩工程,如抗滑桩、挡土板等+辅助措施;
措施Ⅱ:锚杆索工程,如锚杆、锚索、格构等+辅助措施;
措施Ⅲ:抗滑挡墙工程,如抗滑挡墙+辅助措施;
措施Ⅳ:减载反压及其他工程,如减载、反压等+辅助措施;
辅助措施:排水沟、格构、普通护坡、骨架护坡、预制块护坡和坡面清理。
本发明实施例,步骤S3中对崩塌灾害体的治理防治措施的数值化处理所得到的处理措施为:
措施Ⅰ:危岩清理,如清理危岩等+辅助措施;
措施Ⅱ:主动拦挡,如主动防护网、封填、支顶、网喷、素喷、锚杆、锚索等+辅助措施;
措施Ⅲ:缓冲层,如沙袋、柔性缓冲材料等+辅助措施;
措施Ⅳ:被动拦挡,如被动防护网、拦石墙等+辅助措施;
辅助措施:截水沟、排水沟和坡面清理。
本发明实施例,步骤S3中对泥石流灾害体的治理防治措施的数值化处理所得到的处理措施为:
措施Ⅰ:拦挡工程,如拦砂坝、防冲墙、防冲墩以及重力式拦挡坝+辅助措施;
措施Ⅱ:排导工程,如排导槽、导流堤护岸、单边防护堤、挡墙式护岸+辅助措施;
措施Ⅲ:管体保护工程,如箱涵、过水面、U形槽+辅助措施;
措施Ⅳ:普通护坡、骨架护坡以及预制块护坡+辅助措施;
辅助措施:截水沟、排水沟和坡面清理。
本发明实施例,步骤S3中对河沟道水毁害体的治理防治措施的数值化处理所得到的处理措施为:
措施Ⅰ:稳管措施,如混凝土连续浇筑稳管、混凝土配重块稳管、石笼稳管、袋装土稳管、打桩护管+辅助措施;
措施Ⅱ:护底工程,如过水面、地下防冲墙、拦砂坝、淤积坝或石谷坊、U形槽等+辅助措施;
措施Ⅲ:护岸工程,如挡墙式护岸、坡式护岸、石笼护岸、丁坝护岸、草袋植物护岸等+辅助措施;
措施Ⅳ:护脚工程,如柔性混凝土块板、抛石护脚、石笼护脚、柴枕护脚等+辅助措施;
辅助措施:疏浚河道和沉管。
本发明实施例,步骤S3中对坡面水毁害体的治理防治措施的数值化处理所得到的处理措施为:
措施Ⅰ:挡土墙工程,如重力式挡土墙、悬臂式挡土墙、扶壁式挡土墙、锚定板挡土墙、加筋挡土墙、桩板式挡土墙等+辅助措施;
措施Ⅱ:护坡工程,如普通护坡、骨架护坡、预制块护坡、换填夯实、回填夯实等+辅助措施;
措施Ⅲ:护面工程,如截水墙、实体护面墙、素喷护面、锚杆、网喷、素喷、冲土墙、灰土干打垒等+辅助措施;
措施Ⅳ:坡面水土保持工程,如堡坎、水平沟、鱼鳞坑、植生带、植树或植草等+辅助措施;
辅助措施:截水沟和排水沟。
本发明实施例,步骤S3中对台田地水毁害体的治理防治措施的数值化处理所得到的处理措施为:
措施Ⅰ:挡土墙工程,如重力式挡土墙+辅助措施;
措施Ⅱ:地表恢复工程,如堡坎、回填夯实,或多种措施组合等+辅助措施;
措施Ⅲ:排水工程,如排水沟,或多种措施组合等+辅助措施;
辅助措施:截水沟和排水沟。
本发明实施例,步骤S2中滑坡灾害体的特征包括:坡度、坡高、滑体厚度、滑体天然重度、滑带饱和粘聚力、滑带饱和内摩擦角和植被覆盖率,所有特征均是以连续型浮点数的方式来表示的,并且分布均匀,可以直接作为模型的输入使用。如图1所示,滑坡类别的灾害体一共采集了17处灾害点的特征数据。
本发明实施例,步骤S2中崩塌灾害体的特征包括:岩石坚硬程度、距管道垂直高度、距管道水平距离、最大块体体积、岩体破碎程度和管顶埋深,如图2和3所示,其中岩石坚硬程度和岩体破碎程度是采用文字描述的方式来进行表示的,无法直接作为模型的输入来使用。根据专家经验通过分类赋值的方式来对其进行处理:将崩塌危岩体坚硬程度划分为软岩、较软、较硬、坚硬4个等级,分布赋值为2、5、8、10;将岩体破碎程度按照岩体完整程度的定性分类,分为完整、较完整、较破碎、破碎、极破碎,分别赋值10、8、6、4、2、1。
本发明实施例,步骤S2中泥石流灾害体的特征包括:一次最大降雨量、河沟纵比降、泥砂沿程长度补给比、流域面积、区域岩性、管道穿越沟段类型和管顶埋深,如图4和5所示,其中区域岩性和管道穿越沟段类型是采用文字描述的方式来进行表示的,无法直接作为模型的输入来使用。根据专家经验通过分类赋值的方式来对其进行处理:区域岩性分为松散地层为主、基岩及松散层、基岩为主,分别赋值1、2、3;管道穿越沟段类型分为清水区、流通区、堆积区,分别赋值1、2、3。
本发明实施例中,河沟道水毁灾害体的特征包括:最大水流速度,河道形态与管道敷设位置,灾害活动性,河沟床或岸坡岩性,管顶埋深。由图6和7所示,其中河道形态与管道敷设位置,灾害活动性,河沟床或岸坡岩性是采用文字描述的方式来进行表示的,无法直接作为模型的输入来使用。根据专家经验通过分类赋值的方式来对其进行处理:灾害活动性分为低易发、中易发、高易发,分别赋值1、2、3;河沟床性质及岸坡岩性分别为泥沙质、砾质、基岩,分别赋值1、2、3;河道形态与管道敷设位置分别为直穿、斜穿、顺河,分别赋值1、2、3。
本发明实施例中,台田地水毁灾害体的特征包括:土体密实度,土体类型,灾害活动性,灾害特征,管顶埋深。由图8和9所示,其中土体密实度,土体类型,灾害活动性,灾害特征是采用文字描述的方式来进行表示的,无法直接作为模型的输入来使用。根据专家经验通过分类赋值的方式来对其进行处理:土体密实度分为密实、中密、松散,分别赋值为1、2、3;土体类型分为碎石土、粉土、砂土、人工填土、黏性土/粘土,分别赋值为1、2、3、4、5;灾害活动性分为低、中、高,分别赋值为1、2、3;灾害特征分为陷穴、水毁冲沟、台坎坍塌分别赋值为1、2、3。
本发明实施例中,坡面水毁灾害体的特征包括:斜坡坡度,斜坡长度,土体密实度,土体类型,管道敷设方式,灾害活动性,植被覆盖率。由图10和11所示,其中土体密实度,土体类型,管道敷设方式,灾害活动性是采用文字描述的方式来进行表示的,无法直接作为模型的输入来使用。根据专家经验通过分类赋值的方式来对其进行处理:土体密实度分为密实、中密、松散,分别赋值为1、2、3;土体类型分为碎石土、粉土、砂土、人工填土、黏性土/粘土,分别赋值为1、2、3、4、5;管道敷设方式分为横坡、顺坡、斜穿,分别赋值为1、2、3;灾害活动性分为低、中、高,分别赋值为1、2、3。
对灾害体防护治理措施的分析和预测本发明也通过构建对应的BP神经网络来完成。将不同类别的灾害体看成独立的个体进行考虑,分别为不同类别的灾害体建立独立的神经网络模型,通过分析建模灾害体特征与防护治理措施之间的关联关系,来预测推断出不同特征参数所对应的防护治理措施类别。
模型将待解决的问题划归为一个分类问题进行处理,问题的输入就是不同灾害体的特征参数,问题的输出就是这些特征参数对应的防护治理措施类别。从输入到输出的映射关系,通过建立BP神经网络,并使用已采集的灾害点的数据对网络进行训练来获得。
分类问题根据分类原理可以划分为:二分类、多分类和多标签分类三种类别。简单来讲,二分类是将样本分为正样本和负样本两个类别的分个类处理方法,这意味着样本只可能有两种类别,非此即彼,比如通过着装特点来区分人的性别就是一个二分类处理。
多分类则是意味着样本集合是属于多个类别的,而不仅仅是两个类别,不是是与否的问题,而是属于多类中哪一类的问题。一个样本属于且只属于多个分类中的一个,一个样本只能属于一个类,不同类之间是互斥的。比如常用的数字手写体识别,它是一个多分类的过程,要将数字手写体识别为0~9中的某一个数字。
多标签分类则是指一个样本的所属类别不仅仅局限于一个类别,可以具有多个类别,不同类之间是可以是独立的也有关联的。比如一件衣服,其具有的特征类别有长袖、带领等属性,这两个类别标签不是互斥的,可以同时拥有。
在神经网络中,通过从输入层开始经过1个或多个隐层的计算,获得的值是一个连续型的数值,并非一个离散型的类别值。要将其划分为不同的类别,还需要再添加一个输出层。这个输出层实质上可以理解为对神经网络的输出结果属于哪个类别再进行了一次回归分析,从而获得类别输出。针对二分类、多分类和多标签分类神经网络采用不同的激活函数。对于二分类问题通常采用sigmoid函数作为神经网络的最后一层,多分类问题一般用softmax函数作为神经网络的最后一层,多标签问题一般根据标签之间的相关性转换为多个二分类问题进行处理。
本实施例中对于灾害体防护治理措施的分类问题,由于灾害体的防治措施可能会存在多种措施同时采用的情况,因此属于多标签分类问题。但是多种措施之间是相互独立的,因此可以将这个多标签问题分解为多个二分类问题进行处理。因此本发明针对每一种灾害体采用多个二分类神经网络模型来分析预测灾害点适用的防护治理措施。
特征工程
系统根据不同类别的灾害体,提供了灾害体的影响特征。这些特征通过专业的技术人员通过勘查及历史资料得出,是调查人员根据实际测量结果与实际经验,凭分析对象过去和现在的延续状况及最新的信息资料,对分析对象的性质、特点、发展变化规律做出的判断。因此这些特征具有很高的可靠性和可信度,可以直接作为模型的特征来进行使用。
构造训练和测试数据
由于实际采集的各类灾害体的防护治理措施数据量有限,无法满足覆盖性验证和测试的需要,为了提高模型的准确度和可用性,本发明采用交叉验证的方式来构建训练集、验证集和测试集。
交叉验证的基本思想是把在某种意义下将原始数据(dataset)进行分组:一部分作为训练集(train set),另一部分作为验证集和测试集(validation set or test set)。首先用训练集对模型进行训练,再利用验证集来测试训练得到的模型(model),以此来做为评价模型的性能指标,为模型的优化提供依据。常用的交叉验证方法有Holdout验证、K折交叉验证以及留一验证。本发明采用K折交叉验证。
K折交叉验证,将初始样本采样分割成K个子样本,一个单独的子样本被保留作为验证模型的数据,其他K-1个样本用来训练。交叉验证重复K次,每个子样本验证一次,平均K次的结果或者使用其它结合方式,最终得到一个单一估测。这个方法的优势在于,同时重复运用随机产生的子样本进行训练和验证,每次的结果验证一次。本发明中K值取4。
在具体的实现上,采用Scikit-learn机器学习库中模型选择包内的train_test_split方法和cross_val_score方法来完成。使用train_test_split方法来进行训练集和测试集的划分,按照8:2的比例划分训练集和测试集。在训练集中再将其细分为训练数据和验证数据两部分,这一工作通过cross_val_score方法来实现,将训练集划分为4个部分,将其中3个作为训练数据,剩下一个作为测试数据。
另外,由于原始数据中的防护治理措施标签是将适用的多个措施作为单一标签进行标注的。需要将其进行拆分,并与灾害点特征重新进行组合,形成多个不同的训练集和测试集。这个工作通过编写Python代码自动完成。
模型调参和训练
采用基于反向误差传播的多层感知神经网络(BP神经网络)进行模型的训练。
1、构建一个具有两个隐藏层,使用relu函数作为激活函数的二分类神经网络作为基础网络。
2、用交叉验证方法对模型进行训练和验证。并获得模型的评价结果。
3、采用自动优化程序,更具模型的评价结果,不断调整每个隐藏层中节点个数、惩罚系数、激活函数等参数,再进行模型的训练,最终获得最优的模型。
对比分析与实例应用
发明对已采集的滑坡、崩塌、泥石流、河沟道水毁、台田地水毁和坡面水毁六个类别共计227个灾害点的灾害防护治理措施,使用构建好的模型进行分析和预测,结果如下表所示。
灾害体类型 | 预测措施数量 | 预测正确数量 | 符合度 |
滑坡 | 17 | 15 | 88% |
崩塌 | 50 | 45 | 90% |
泥石流 | 54 | 49 | 91% |
河沟道水毁 | 73 | 68 | 93% |
台田地水毁 | 68 | 62 | 91% |
坡面水毁 | 119 | 88 | 74% |
同时本说明书中未作详细描述的内容均属于本领域技术人员公知的现有技术。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (10)
1.一种基于人工智能的地质灾害治理方法,其特征在于:具体包括以下步骤:
S1、地质灾害灾害体归类:根据灾害体类型将灾害体分为滑坡、崩塌、泥石流、河沟道水毁、台田地水毁、台田地水毁六大类别分类,为不同类型灾害体收集不同特征下的治理防护措施;
S2、灾害体影响特征处理:对不同类别的灾害体,分析灾害体的各种参数中与治理防护措施直接相关联的参数作为特征,来对灾害体的治理防护措施进行分析和预测,不同类别的灾害体具有不同的特性,需要考虑的特征也各不相同,根据实地勘察数据、历史记录和专家经验分别对滑坡灾害体的特征、崩塌灾害体的特征、泥石流灾害体的特征、河沟道水毁灾害体的特征、台田地水毁灾害体的特征和坡面水毁灾害体的特征进行提取;
S3、治理防治措施的类别化和数值化处理:对于步骤S2中提取的滑坡灾害体的特征、崩塌灾害体的特征、泥石流灾害体的特征、河沟道水毁灾害体的特征、台田地水毁灾害体的特征和坡面水毁灾害体分别进行治理防治措施的数值化处理,并建立了灾害点与不同类别措施之间的对应关系。
2.根据权利要求1所述的一种基于人工智能的地质灾害治理方法,其特征在于:所述步骤S3中对滑坡灾害体的治理防治措施的数值化处理所得到的处理措施为:
措施Ⅰ:抗滑桩工程;
措施Ⅱ:锚杆索工程;
措施Ⅲ:抗滑挡墙工程;
措施Ⅳ:减载反压及其他工程;
辅助措施:排水沟、格构、普通护坡、骨架护坡、预制块护坡和坡面清理。
3.根据权利要求1所述的一种基于人工智能的地质灾害治理方法,其特征在于:所述步骤S3中对崩塌灾害体的治理防治措施的数值化处理所得到的处理措施为:
措施Ⅰ:危岩清理;
措施Ⅱ:主动拦挡;
措施Ⅲ:缓冲层;
措施Ⅳ:被动拦挡;
辅助措施:截水沟、排水沟和坡面清理。
4.根据权利要求1所述的一种基于人工智能的地质灾害治理方法,其特征在于:所述步骤S3中对泥石流灾害体的治理防治措施的数值化处理所得到的处理措施为:
措施Ⅰ:拦挡工程;
措施Ⅱ:排导工程;
措施Ⅲ:管体保护工程;
措施Ⅳ:普通护坡、骨架护坡以及预制块护坡+辅助措施;
辅助措施:截水沟、排水沟和坡面清理。
5.根据权利要求1所述的一种基于人工智能的地质灾害治理方法,其特征在于:所述步骤S3中对河沟道水毁害体的治理防治措施的数值化处理所得到的处理措施为:
措施Ⅰ:稳管措施;
措施Ⅱ:护底工程;
措施Ⅲ:护岸工程;
措施Ⅳ:护脚工程;
辅助措施:疏浚河道和沉管。
6.根据权利要求1所述的一种基于人工智能的地质灾害治理方法,其特征在于:所述步骤S3中对坡面水毁害体的治理防治措施的数值化处理所得到的处理措施为:
措施Ⅰ:挡土墙工程;
措施Ⅱ:护坡工程;
措施Ⅲ:护面工程;
措施Ⅳ:坡面水土保持工程;
辅助措施:截水沟和排水沟。
7.根据权利要求1所述的一种基于人工智能的地质灾害治理方法,其特征在于:所述步骤S3中对台田地水毁害体的治理防治措施的数值化处理所得到的处理措施为:
措施Ⅰ:挡土墙工程;
措施Ⅱ:地表恢复工程;
措施Ⅲ:排水工程;
辅助措施:截水沟和排水沟。
8.根据权利要求1所述的一种基于人工智能的地质灾害治理方法,其特征在于:所述步骤S2中滑坡灾害体的特征包括:坡度、坡高、滑体厚度、滑体天然重度、滑带饱和粘聚力、滑带饱和内摩擦角和植被覆盖率。
9.根据权利要求1所述的一种基于人工智能的地质灾害治理方法,其特征在于:所述步骤S2中崩塌灾害体的特征包括:岩石坚硬程度、距管道垂直高度、距管道水平距离、最大块体体积、岩体破碎程度和管顶埋深。
10.根据权利要求1所述的一种基于人工智能的地质灾害治理方法,其特征在于:所述步骤S2中泥石流灾害体的特征包括:一次最大降雨量、河沟纵比降、泥砂沿程长度补给比、流域面积、区域岩性、管道穿越沟段类型和管顶埋深。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211106705.2A CN115481793A (zh) | 2022-09-09 | 2022-09-09 | 一种基于人工智能的地质灾害治理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211106705.2A CN115481793A (zh) | 2022-09-09 | 2022-09-09 | 一种基于人工智能的地质灾害治理方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115481793A true CN115481793A (zh) | 2022-12-16 |
Family
ID=84424333
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211106705.2A Pending CN115481793A (zh) | 2022-09-09 | 2022-09-09 | 一种基于人工智能的地质灾害治理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115481793A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110443741A (zh) * | 2019-08-21 | 2019-11-12 | 中国地质科学院探矿工艺研究所 | 一种基于风险控制的特大泥石流灾害多期治理方法 |
AU2020103698A4 (en) * | 2020-11-01 | 2021-02-04 | Anhui University of Science and Technology | Monitoring method for dynamic height of overburden failure during underground coal seam mining |
CN113779888A (zh) * | 2021-09-23 | 2021-12-10 | 自然资源部第二海洋研究所 | 地面沉降危险性评估方法、装置、设备及存储介质 |
CN114399210A (zh) * | 2022-01-18 | 2022-04-26 | 中国地质大学(武汉) | 一种地质灾害应急管理与决策系统、方法及可读存储介质 |
WO2022126806A1 (zh) * | 2020-12-18 | 2022-06-23 | 东南大学 | 一种基于人工智能的控规地块城市设计多方案生成方法 |
-
2022
- 2022-09-09 CN CN202211106705.2A patent/CN115481793A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110443741A (zh) * | 2019-08-21 | 2019-11-12 | 中国地质科学院探矿工艺研究所 | 一种基于风险控制的特大泥石流灾害多期治理方法 |
AU2020103698A4 (en) * | 2020-11-01 | 2021-02-04 | Anhui University of Science and Technology | Monitoring method for dynamic height of overburden failure during underground coal seam mining |
WO2022126806A1 (zh) * | 2020-12-18 | 2022-06-23 | 东南大学 | 一种基于人工智能的控规地块城市设计多方案生成方法 |
CN113779888A (zh) * | 2021-09-23 | 2021-12-10 | 自然资源部第二海洋研究所 | 地面沉降危险性评估方法、装置、设备及存储介质 |
CN114399210A (zh) * | 2022-01-18 | 2022-04-26 | 中国地质大学(武汉) | 一种地质灾害应急管理与决策系统、方法及可读存储介质 |
Non-Patent Citations (2)
Title |
---|
李亮亮 等: "基于范例推理的油气管道地质灾害防护决策方法", pages 1 - 12 * |
汪荣贵: "《Python机器学习》", 机械工业出版社, pages: 169 - 175 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Erkens et al. | Sinking coastal cities | |
James | Time and the persistence of alluvium: River engineering, fluvial geomorphology, and mining sediment in California | |
Erskine | Channel response to large‐scale river training works: Hunter River, Australia | |
Nam et al. | Identification and quantitative analysis of sinkhole contributing factors in Florida's Karst | |
Marijnissen et al. | How natural processes contribute to flood protection-A sustainable adaptation scheme for a wide green dike | |
Sundell et al. | A probabilistic approach to soil layer and bedrock-level modeling for risk assessment of groundwater drawdown induced land subsidence | |
Wyżga et al. | Use of high-water marks and effective discharge calculation to optimize the height of bank revetments in an incised river channel | |
CN113742995A (zh) | 一种基于煤矿大数据的矿井涌水量预测方法及系统 | |
CN109615195B (zh) | 一种山区河流水文地貌分级评价方法 | |
DeNeale et al. | Hydropower Geotechnical Foundations: Current Practice and Innovation Opportunities for Low-Head Applications | |
CN115481793A (zh) | 一种基于人工智能的地质灾害治理方法 | |
Hedayati Talouki et al. | Assessment and presentation of a treatment method to seepage problems of the alluvial foundation of Ghordanloo dam, NE Iran | |
Deverel et al. | Evolution of Arability and Land Use, Sacramento–San Joaquin Delta, California | |
Ahmed et al. | Mapping of slope failure potential of Galiat area Pakistan using Fuzzy Logic Concept | |
GUIDE | Hydropower Erosion and Sedimentation | |
Beck et al. | The Engineering Geology and Hydrology of Karst Terrains | |
Şahin | Three dimensional numerical modelling of recharge: Case study: Eğri creek sub-basin, İzmir | |
Hajian et al. | Prior applications of neural networks in geophysics | |
Gilbert | Development and application of a catchment scale sediment routing model | |
Fogarty | Linking Morphodynamic Processes and Silvery Minnow Habitat Conditions in the Middle Rio Grande-Isleta Reach, New Mexico | |
Slingerland et al. | Enhanced geomorphic design for reclamation of rural waste-scapes | |
Schwindt et al. | Hydro-morphological parameters generate lifespan maps for stream restoration | |
Marijnissen | Shared-use of flood defences | |
Dong et al. | Impacts of tectonic subsidence on basin depth and delta lobe building | |
Csiki | The impact of run-of-river dams on channel morphology and sedimentation |
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 |