CN115546433B - 一种边坡软化区域预测方法、系统、设备及可读存储介质 - Google Patents

一种边坡软化区域预测方法、系统、设备及可读存储介质 Download PDF

Info

Publication number
CN115546433B
CN115546433B CN202211473378.4A CN202211473378A CN115546433B CN 115546433 B CN115546433 B CN 115546433B CN 202211473378 A CN202211473378 A CN 202211473378A CN 115546433 B CN115546433 B CN 115546433B
Authority
CN
China
Prior art keywords
slope
data
model
dimensional
softening
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
CN202211473378.4A
Other languages
English (en)
Other versions
CN115546433A (zh
Inventor
杨涛
李搏凯
余海洪
吴羿君
吴仕伟
吴俊�
朱长城
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
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 CN202211473378.4A priority Critical patent/CN115546433B/zh
Publication of CN115546433A publication Critical patent/CN115546433A/zh
Application granted granted Critical
Publication of CN115546433B publication Critical patent/CN115546433B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06T17/05—Geographic models
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • 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
    • 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
    • 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • 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)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • General Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Marketing (AREA)
  • Computing Systems (AREA)
  • Geometry (AREA)
  • General Business, Economics & Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Educational Administration (AREA)
  • Primary Health Care (AREA)
  • Remote Sensing (AREA)
  • Computer Graphics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Pit Excavations, Shoring, Fill Or Stabilisation Of Slopes (AREA)

Abstract

本发明提供了一种边坡软化区域预测方法、系统、设备及可读存储介质，涉及边坡地质灾害防治领域，包括建立三维边坡模型，通过在所述三维边坡模型中添加软化区域的数据，以获得三维边坡中的裂缝数据；根据所述软化区域的数据和裂缝数据生成数据样本，构建神经网络模型所需的训练集和测试集；搭建神经网络模型，利用所述训练集和测试集对所述神经网络模型进行训练和测试，以获得边坡软化区域预测模型；将待预测边坡的裂缝数据输入所述边坡软化区域预测模型中，预测得到软化区域的数据。本发明用于解决现有边坡预测方法无法预测出边坡滑带的软化区域的位置，从而无法对边坡的防止提供有效的帮助的技术问题。

Description

一种边坡软化区域预测方法、系统、设备及可读存储介质
技术领域
本发明涉及边坡地质灾害防治领域，具体而言，涉及一种边坡软化区域预测方法、系统、设备及可读存储介质。
背景技术
边坡在在地质历史时期已经形成了滑带，滑带作为边坡的主要组成部分，对边坡稳定性起控制作用。长时间以来，由于滑带中的土强度弱化引起边坡发生多次滑动，为方便研究，本领域人员将土强度弱化的区域划分为软化区域，软化区域对边坡的滑动有着重大的影响。在对边坡的防治过程中，准确的找到软化区域的位置并得到软化区域的土质数据，可对边坡的防治起到决定性的作用。而现有边坡预测方法无法预测出边坡滑带的软化区域的位置，从而无法对边坡的防止提供有效的帮助。
发明内容
本发明的目的在于提供一种边坡软化区域预测方法、系统、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，本申请提供了一种边坡软化区域预测方法，包括：
建立三维边坡模型，通过在所述三维边坡模型中添加软化区域的数据，以获得三维边坡中的裂缝数据；
根据所述软化区域的数据和裂缝数据生成数据样本，构建神经网络模型所需的训练集和测试集；
搭建神经网络模型，利用所述训练集和测试集对所述神经网络模型进行训练和测试，以获得边坡软化区域预测模型；
将待预测边坡的裂缝数据输入所述边坡软化区域预测模型中，预测得到软化区域的数据。
进一步的，所述建立三维边坡模型，通过在所述三维边坡模型中添加软化区域的数据，以获得三维边坡中的裂缝数据，具体包括：
获取待预测边坡的空间坐标点，在颗粒流软件中建立三维边坡模型；
在所述三维边坡模型中确定出滑带的位置和形状参数；
沿所述三维边坡模型水平方向选取滑带作为软化区域，对所述软化区域中的岩土体的数据进行赋值，所述岩土体的数据包括岩土体的粘聚力和内摩擦角；
沿所述三维边坡模型竖直方向等间距的划分出若干个观察点，并监测所述若干个观察点的位置状态；
基于所述观察点的位置状态计算出三维边坡中的裂缝数据，所述裂缝数据至少包括裂缝的宽度、深度以及角度。
进一步的，所述根据所述软化区域的数据和裂缝数据生成数据样本，构建神经网络模型所需的训练集和测试集，具体包括：
将裂缝数据作为输入特征标签、软化区域的数据作为输出特征标签构建出数据样本；
选取80%的数据样本作为训练集，20%的数据样本作为测试集。
进一步的，所述将待预测边坡的裂缝数据输入所述边坡软化区域预测模型中，预测得到软化区域的数据，具体包括：
获取待预测边坡当前的裂缝数据；
将所述裂缝数据输入边坡软化区域预测模型，得到边坡的软化区域和软化区域中岩土体的粘聚力和内摩擦角。
进一步的，还包括：利用边坡的裂缝数据和软化区域的数据，计算待预测边坡下滑的土方量和局部安全系数，局部安全系数的计算方法为：
；
式中，表示局部安全系数，为计算点的抗剪强度，为粘聚力，为内摩擦角，为剪应力。
进一步的，还包括：基于待预测边坡的局部安全系数和待预测边坡下滑的土方量，评判出待预测边坡的安全等级，所述安全等级包括安全、较安全、较危险、危险及高危险。
第二方面，本申请还提供了一种边坡软化区域预测系统，包括：
三维模型搭建模块：用于建立三维边坡模型，通过在所述三维边坡模型中添加软化区域的数据，以获得三维边坡中的裂缝数据；
数据集划分模块：用于根据所述软化区域的数据和裂缝数据生成数据样本，构建神经网络模型所需的训练集和测试集；
神经网络模型搭建模块：用于搭建神经网络模型，利用所述训练集和测试集对所述神经网络模型进行训练和测试，以获得边坡软化区域预测模型；
预测模块：将待预测边坡的裂缝数据输入所述边坡软化区域预测模型中，预测得到软化区域的数据。
进一步的，所述三维模型搭建模块具体包括：
数据获取单元：用于获取待预测边坡的空间坐标点，在颗粒流软件中建立三维边坡模型；
滑带确定单元：用于在所述三维边坡模型中确定出滑带的位置和形状参数；
赋值单元：用于沿所述三维边坡模型水平方向选取滑带作为软化区域，对所述软化区域中的岩土体的数据进行赋值，所述岩土体的数据包括岩土体的粘聚力和内摩擦角；
监测单元：用于沿所述三维边坡模型竖直方向等间距的划分出若干个观察点，并监测所述若干个观察点的位置状态；
计算单元：用于基于所述观察点的位置状态计算出三维边坡中的裂缝数据，所述裂缝数据至少包括裂缝的宽度、深度以及角度。
第三方面，本申请还提供了一种边坡软化区域预测设备，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边坡软化区域预测方法的步骤。
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边坡软化区域预测方法的步骤。
本发明的有益效果为：
本发明无需大量历史监测数据构造样本数据，而是通过建立三维边坡模型构造出大量的样本数据：通过在三维边坡模型中划分出软化区域，并多次改变软化区域的参数，得到若干组裂缝数据，由软化区域的数据和裂缝数据构造出大量的样本数据，从而减少人力、物力的投入。同时，经过大量样本数据训练的神经网络模型可以准确地预测现场边坡的局部软化位置，在工程上为治理边坡提供依据，使边坡的防治方法更具有依据和实用性。
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边坡软化区域预测方法流程示意图;
图2为边坡的结构示意图；
图3为本发明实施例中所述的边坡软化区域预测系统结构示意图；
图4为本发明实施例中所述的边坡软化区域预测设备结构示意图。
图中标记：800、边坡软化区域预测设备；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边坡软化区域预测方法。
参见图1，图中示出了本方法包括：
S1.建立三维边坡模型，通过在所述三维边坡模型中添加软化区域的数据，以获得三维边坡中的裂缝数据；
具体的，所述S1包括：
S11.获取待预测边坡的空间坐标点，在颗粒流软件中建立三维边坡模型；
获取待预测边坡的地质信息，如图2所示，所述地质信息包括边坡的坐标空间点，边坡的滑体、滑带、滑床中岩土体的物理参数和力学参数，所述物理参数和力学参数包括：岩土体的密度、弹性模量、泊松比、法向刚度及切向刚度、粘聚力、内摩擦角，基于所述参数在颗粒流软件PFC3D中建立待预测边坡的三维边坡模型；
S12.在所述三维边坡模型中确定出滑带的位置和形状参数；
S13.沿所述三维边坡模型水平方向选取滑带作为软化区域，对所述软化区域中的岩土体的数据进行赋值，所述岩土体的数据包括岩土体的粘聚力和内摩擦角；
具体的，沿所述三维边坡模型水平方向，在滑带上随机确定软化区域的起点和终点，由所述地点和终点构成一个软化区域，改变软化区域的起点和终点，即可生成不同软化区域。将软化区域中岩土体的数据作为变量，对岩土体的粘聚力和内摩擦角进行多次赋值，保持其他参数不变，从而提供多组样本数据。
S14.沿所述三维边坡模型竖直方向等间距的划分出若干个观察点，并监测所述若干个观察点的位置状态；
具体的，沿所述三维边坡模型竖直方向的投影长度等间距的布置1000个观察点，监测所述1000个观察点的位置状态，分析观察点所处位置是否存在裂缝；
S15.基于所述观察点的位置状态计算出三维边坡中的裂缝数据，所述裂缝数据至少包括裂缝的宽度、深度以及角度；
通过获取岩土体的粘聚力和内摩擦角以及观察点的位置状态，在颗粒流软件PFC3D中经数值模拟计算得到裂缝的宽度、深度、角度，以及裂缝的起点和终点等数据。
多次重复步骤S11-S15，得到不同软化区域的数据，和每个数据对应的裂缝数据。
S2.根据所述软化区域的数据和裂缝数据生成数据样本，构建神经网络模型所需的训练集和测试集；
具体的，所述S2包括：
S21.将裂缝数据作为输入特征标签、软化区域的数据作为输出特征标签构建出数据样本；具体的，将裂缝的宽度、深度、角度以及裂缝的起点和终点作为输入特征标签，软化区域的起点、终点、软化区域中岩土体的粘聚力和内摩擦角作为输出特征标签。
S22.选取80%的数据样本作为训练集，20%的数据样本作为测试集。
S3.搭建神经网络模型，利用所述训练集和测试集对所述神经网络模型进行训练和测试，以获得边坡软化区域预测模型；
S4.将待预测边坡的裂缝数据输入所述边坡软化区域预测模型中，预测得到软化区域的数据；
具体的，所述S4包括：
S41.获取待预测边坡当前的裂缝数据；
S42.将所述裂缝数据输入边坡软化区域预测模型，得到边坡的软化区域和软化区域中岩土体的粘聚力和内摩擦角。
S5.利用边坡的裂缝数据和软化区域的数据，计算待预测边坡的局部安全系数和待预测边坡下滑的土方量；
具体的，边坡下滑的土方量计算方法为：通过现场勘察，在cad中刻画出二维的边坡滑移范围，在cad中测量出二维的边坡面积，从而得到下滑的土方量。
局部安全系数的计算方法为：
；（1）
式中，表示局部安全系数，为计算点的抗剪强度，为粘聚力，为内摩擦角，为剪应力。
S6.基于待预测边坡的局部安全系数和待预测边坡下滑的土方量，对照安全等级划分标准表，评判出待预测边坡的安全等级，所述安全等级包括安全、较安全、较危险、危险及高危险。安全等级划分标准表如表1-表3所示，表中，V代表下滑的土方量，K表示局部安全系数，表1为下滑的土方量在V≥2000m³情况下的划分标准，表2为下滑的土方量在2000m³>V>1000m³情况下的划分标准，表3为下滑的土方量在V≤1000m³情况下的划分标准。
表1
表2
表3
实施例2：
如图3所示，本实施例提供了一种边坡软化区域预测系统，所述系统包括：
三维模型搭建模块：用于建立三维边坡模型，通过在所述三维边坡模型中添加软化区域的数据，以获得三维边坡中的裂缝数据；
数据集划分模块：用于根据所述软化区域的数据和裂缝数据生成数据样本，构建神经网络模型所需的训练集和测试集；
神经网络模型搭建模块：用于搭建神经网络模型，利用所述训练集和测试集对所述神经网络模型进行训练和测试，以获得边坡软化区域预测模型；
预测模块：将待预测边坡的裂缝数据输入所述边坡软化区域预测模型中，预测得到软化区域的数据。
基于以上实施例，所述三维模型搭建模块具体包括：
数据获取单元：用于获取待预测边坡的空间坐标点，在颗粒流软件中建立三维边坡模型；
滑带确定单元：用于在所述三维边坡模型中确定出滑带的位置和形状参数；
赋值单元：用于沿所述三维边坡模型水平方向选取滑带作为软化区域，对所述软化区域中的土体的数据进行赋值，所述土体的数据包括土体的粘聚力和内摩擦角；
监测单元：用于沿所述三维边坡模型竖直方向等间距的划分出若干个观察点，并监测所述若干个观察点的位置状态；
计算单元：用于基于所述观察点的位置状态计算出三维边坡中的裂缝数据，所述裂缝数据至少包括裂缝的宽度、深度以及角度。
需要说明的是，关于上述实施例中的系统，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边坡软化区域预测设备，下文描述的一种边坡软化区域预测设备与上文描述的一种边坡软化区域预测方法可相互对应参照。
图4是根据示例性实施例示出的一种边坡软化区域预测设备800的框图。如图4所示，该边坡软化区域预测设备800可以包括：处理器801，存储器802。该边坡软化区域预测设备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用于控制该边坡软化区域预测设备800的整体操作，以完成上述的边坡软化区域预测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边坡软化区域预测设备800的操作，这些数据例如可以包括用于在该边坡软化区域预测设备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(StaticRandomAccessMemory，简称SRAM)，电可擦除可编程只读存储器(ElectricallyErasableProgrammableRead-OnlyMemory，简称EEPROM)，可擦除可编程只读存储器(ErasableProgrammableRead-OnlyMemory，简称EPROM)，可编程只读存储器(ProgrammableRead-OnlyMemory，简称PROM)，只读存储器(Read-OnlyMemory，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用于该边坡软化区域预测设备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(NearFieldCommunication，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，边坡软化区域预测设备800可以被一个或多个应用专用集成电路(ApplicationSpecificIntegratedCircuit，简称ASIC)、数字信号处理器(DigitalSignalProcessor，简称DSP)、数字信号处理设备(DigitalSignalProcessingDevice，简称DSPD)、可编程逻辑器件(ProgrammableLogicDevice，简称PLD)、现场可编程门阵列(FieldProgrammableGateArray，简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述的边坡软化区域预测方法。
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边坡软化区域预测方法的步骤。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，上述程序指令可由边坡软化区域预测设备800的处理器801执行以完成上述的边坡软化区域预测方法。
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边坡软化区域预测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边坡软化区域预测方法的步骤。
该可读存储介质具体可以为U盘、移动硬盘、只读存储器(Read-OnlyMemory，ROM)、随机存取存储器(RandomAccessMemory，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 (9)

1.一种边坡软化区域预测方法，其特征在于，包括：
建立三维边坡模型，通过在所述三维边坡模型中添加软化区域的数据，以获得三维边坡中的裂缝数据；
根据所述软化区域的数据和裂缝数据生成数据样本，构建神经网络模型所需的训练集和测试集；
具体包括：
将裂缝数据作为输入特征标签、软化区域的数据作为输出特征标签构建出数据样本；
选取80％的数据样本作为训练集，20％的数据样本作为测试集；
搭建神经网络模型，利用所述训练集和测试集对所述神经网络模型进行训练和测试，以获得边坡软化区域预测模型；
将待预测边坡的裂缝数据输入所述边坡软化区域预测模型中，预测得到软化区域的数据。
2.根据权利要求1所述的边坡软化区域预测方法，其特征在于,所述建立三维边坡模型，通过在所述三维边坡模型中添加软化区域的数据，以获得三维边坡中的裂缝数据，具体包括：
获取待预测边坡的空间坐标点，在颗粒流软件中建立三维边坡模型；
在所述三维边坡模型中确定出滑带的位置和形状参数；
沿所述三维边坡模型水平方向选取滑带作为软化区域，对所述软化区域中的岩土体的数据进行赋值，所述岩土体的数据包括岩土体的粘聚力和内摩擦角；
沿所述三维边坡模型竖直方向等间距的划分出若干个观察点，并监测所述若干个观察点的位置状态；
基于所述观察点的位置状态计算出三维边坡中的裂缝数据，所述裂缝数据至少包括裂缝的宽度、深度以及角度。
3.根据权利要求1所述的边坡软化区域预测方法，其特征在于,所述将待预测边坡的裂缝数据输入所述边坡软化区域预测模型中，预测得到软化区域的数据，具体包括：
获取待预测边坡当前的裂缝数据；
将所述裂缝数据输入边坡软化区域预测模型，得到边坡的软化区域和软化区域中岩土体的粘聚力和内摩擦角。
4.根据权利要求1-3任一项所述的边坡软化区域预测方法，其特征在于,还包括：
利用边坡的裂缝数据和软化区域的数据，计算待预测边坡下滑的土方量和局部安全系数，局部安全系数的计算方法为：
Figure FDA0004056222460000021
式中，FE表示局部安全系数，τU为计算点的抗剪强度，c为粘聚力，
Figure FDA0004056222460000022
为内摩擦角，τ为剪应力,σn为第n个垂直滑带的正应力。
5.根据权利要求4所述的边坡软化区域预测方法，其特征在于,还包括：基于待预测边坡的局部安全系数和待预测边坡下滑的土方量，评判出待预测边坡的安全等级，所述安全等级包括安全、较安全、较危险、危险及高危险。
6.一种边坡软化区域预测系统，其特征在于，包括：
三维模型搭建模块：用于建立三维边坡模型，通过在所述三维边坡模型中添加软化区域的数据，以获得三维边坡中的裂缝数据；
数据集划分模块：用于根据所述软化区域的数据和裂缝数据生成数据样本，构建神经网络模型所需的训练集和测试集；
具体包括：
将裂缝数据作为输入特征标签、软化区域的数据作为输出特征标签构建出数据样本；
选取80％的数据样本作为训练集，20％的数据样本作为测试集；
神经网络模型搭建模块：用于搭建神经网络模型，利用所述训练集和测试集对所述神经网络模型进行训练和测试，以获得边坡软化区域预测模型；
预测模块：将待预测边坡的裂缝数据输入所述边坡软化区域预测模型中，预测得到软化区域的数据。
7.根据权利要求6所述的边坡软化区域预测系统，其特征在于，所述三维模型搭建模块具体包括：
数据获取单元：用于获取待预测边坡的空间坐标点，在颗粒流软件中建立三维边坡模型；
滑带确定单元：用于在所述三维边坡模型中确定出滑带的位置和形状参数；
赋值单元：用于沿所述三维边坡模型水平方向选取滑带作为软化区域，对所述软化区域中的岩土体的数据进行赋值，所述岩土体的数据包括岩土体的粘聚力和内摩擦角；
监测单元：用于沿所述三维边坡模型竖直方向等间距的划分出若干个观察点，并监测所述若干个观察点的位置状态；
计算单元：用于基于所述观察点的位置状态计算出三维边坡中的裂缝数据，所述裂缝数据至少包括裂缝的宽度、深度以及角度。
8.一种边坡软化区域预测设备，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5任一项所述边坡软化区域预测方法的步骤。
9.一种可读存储介质，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5任一项所述边坡软化区域预测方法的步骤。
CN202211473378.4A 2022-11-23 2022-11-23 一种边坡软化区域预测方法、系统、设备及可读存储介质 Active CN115546433B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211473378.4A CN115546433B (zh) 2022-11-23 2022-11-23 一种边坡软化区域预测方法、系统、设备及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211473378.4A CN115546433B (zh) 2022-11-23 2022-11-23 一种边坡软化区域预测方法、系统、设备及可读存储介质

Publications (2)

Publication Number Publication Date
CN115546433A CN115546433A (zh) 2022-12-30
CN115546433B true CN115546433B (zh) 2023-04-07

Family

ID=84721518

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211473378.4A Active CN115546433B (zh) 2022-11-23 2022-11-23 一种边坡软化区域预测方法、系统、设备及可读存储介质

Country Status (1)

Country Link
CN (1) CN115546433B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115879325B (zh) * 2023-02-22 2023-06-09 西南交通大学 滑面抗剪强度参数反演方法、装置、设备及可读存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111350197A (zh) * 2020-02-21 2020-06-30 云南大永高速公路有限公司 一种针对不稳定边坡的主动加固方法
CN114675009A (zh) * 2022-05-27 2022-06-28 西南交通大学 一种水软化型滑坡试验模拟装置及其模拟方法

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106205060B (zh) * 2016-08-19 2018-03-27 临沂大学 用于露天矿坑尾矿库边坡滑坡预警预报方法
CN107938688B (zh) * 2017-11-20 2019-07-16 云南交投集团公路建设有限公司 一种针对软岩和松散堆积体边坡进行抗滑桩主动加固方法
CN109117586B (zh) * 2018-09-06 2023-03-31 四川省地质矿产勘查开发局成都水文地质工程地质队 一种顺层岩质边坡三维地质模型建立及稳定性评价方法
CN109446726B (zh) * 2018-11-26 2023-03-24 泉州装备制造研究所 基于大数据分析的获取边坡变形三维数据的边坡监测系统
CN111474323B (zh) * 2020-03-17 2022-02-18 北京工业大学 一种模拟土质边坡滑塌过程的模型试验系统
CN111894012A (zh) * 2020-06-30 2020-11-06 云南玉临高速公路建设有限责任公司 一种抗滑桩与锚索框架联合式边坡主动加固方法
KR102499244B1 (ko) * 2020-08-24 2023-02-14 (유)엠탑코리아 경사지의 붕괴 예경보 시스템
CN112100927A (zh) * 2020-09-24 2020-12-18 湖南工业大学 一种基于ga-bp神经网络的边坡变形及软土地基沉降预测方法
CN112907900B (zh) * 2021-01-29 2022-06-24 中煤科工集团重庆研究院有限公司 一种边坡监测实体风险预警评估模型
CN115169181A (zh) * 2022-07-07 2022-10-11 山东电力工业锅炉压力容器检验中心有限公司 一种考虑局部劣化的土体边坡稳定性分析方法及系统
CN115116202B (zh) * 2022-08-29 2022-11-15 西南交通大学 一种滑坡灾害预警方法、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

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111350197A (zh) * 2020-02-21 2020-06-30 云南大永高速公路有限公司 一种针对不稳定边坡的主动加固方法
CN114675009A (zh) * 2022-05-27 2022-06-28 西南交通大学 一种水软化型滑坡试验模拟装置及其模拟方法

Also Published As

Publication number Publication date
CN115546433A (zh) 2022-12-30

Similar Documents

Publication Publication Date Title
Petersen et al. 2017 one‐year seismic‐hazard forecast for the central and eastern United States from induced and natural earthquakes
Rogers et al. Volumetric fracture intensity measurement for improved rock mass characterisation and fragmentation assessment in block caving operations
Javadi et al. Neural network for constitutive modelling in finite element analysis
Hadjigeorgiou Where do the data come from?
Vezhapparambu et al. Rock classification using multivariate analysis of measurement while drilling data: Towards a better sampling strategy
Gholami et al. Improved RMR rock mass classification using artificial intelligence algorithms
Saloustros et al. Analytical derivation of seismic fragility curves for historical masonry structures based on stochastic analysis of uncertain material parameters
Salimi et al. Evaluating the suitability of existing rock mass classification systems for TBM performance prediction by using a regression tree
CN113111595B (zh) 一种边坡智能预警方法和装置
CN115546433B (zh) 一种边坡软化区域预测方法、系统、设备及可读存储介质
Ravandi et al. Application of numerical modeling and genetic programming to estimate rock mass modulus of deformation
Zhang et al. Numerical analysis on mining-induced fracture development around river valleys
CN109543352B (zh) 页岩断裂韧性预测方法、装置及电子设备
CN115329679B (zh) 基覆型边坡破裂面预警的方法、装置、设备及存储介质
Yakhchalian et al. A new proxy for ground motion selection in seismic collapse assessment of tall buildings
Ashadi et al. Probabilistic Seismic‐Hazard Analysis for Central Java Province, Indonesia
Esmaieli et al. Capturing the complete stress–strain behaviour of jointed rock using a numerical approach
Peng et al. Investigating the failure mechanism of jointed rock slopes based on discrete element method
Bhatta et al. Machine learning-based classification for rapid seismic damage assessment of buildings at a regional scale
Teng et al. Short‐term probabilistic hazard assessment in regions of induced seismicity
CN105164552A (zh) 分析地震数据的方法
Esmaieli et al. Application of DFN–DEM modelling in addressing ground control issues at an underground mine
Dalvi et al. Entropy analysis for identifying significant parameters for seismic soil liquefaction
Li et al. Slope stability analysis by SRM-based rock failure process analysis (RFPA)
US20150063650A1 (en) Identifying Potential Fracture Treatment Locations In a Formation Based on Production Potential

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