CN115578845A - 一种边坡后缘裂缝预警方法、装置、设备及可读存储介质 - Google Patents
一种边坡后缘裂缝预警方法、装置、设备及可读存储介质 Download PDFInfo
- Publication number
- CN115578845A CN115578845A CN202211480865.3A CN202211480865A CN115578845A CN 115578845 A CN115578845 A CN 115578845A CN 202211480865 A CN202211480865 A CN 202211480865A CN 115578845 A CN115578845 A CN 115578845A
- Authority
- CN
- China
- Prior art keywords
- slope
- trailing edge
- data
- edge crack
- early warning
- 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
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B31/00—Predictive alarm systems characterised by extrapolation or other computation using updated historic data
-
- 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
- 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)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Emergency Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Environmental & Geological Engineering (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Geology (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Pit Excavations, Shoring, Fill Or Stabilisation Of Slopes (AREA)
Abstract
本发明提供了一种边坡后缘裂缝预警方法、装置、设备及可读存储介质，涉及边坡安全性评估技术领域，包括获取边坡中不同时刻的后缘裂缝数据，以构建第一数据组；获取边坡信息，基于所述边坡信息构建三维边坡模型，获取所述三维边坡模型中不同时刻的后缘裂缝数据，以构建第二数据组；由所述第一数据组和第二数据组构造样本数据组，利用所述样本数据组对神经网络模型进行训练和测试，得到后缘裂缝指标预测模型；获取当前时刻的边坡信息，预测得到当前时刻的后缘裂缝数据；基于所述当前时刻的后缘裂缝数据计算边坡预警指标，以获得边坡预警等级。本发明能够根据不同边坡的裂缝的发展程度以及发展规律，对边坡可能发生滑坡灾害做出准确的预警。
Description
技术领域
本发明涉及边坡安全性评估技术领域，具体而言，涉及一种边坡后缘裂缝预警方法、装置、设备及可读存储介质。
背景技术
目前，边坡监测大多是针对边坡的浅表层的位移变化情况进行监测，但是由于实际的边坡是个复杂的结构，坡面位移所反映出来的规律对边坡无法达到良好的预警效果。其次，现有技术中采用的各种各样的监测仪器，不仅价格昂贵，并且大部分仪器仅仅只是测量一个或者两个方向上的距离变化，这些数据对于边坡预警提供的支撑远远不够。基于此，本发明提供一种边坡后缘裂缝预警方法，能够根据不同边坡的裂缝的发展程度以及发展规律，对边坡可能发生滑坡灾害做出准确的预警。
发明内容
本发明的目的在于提供一种边坡后缘裂缝预警方法、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，本申请提供了一种边坡后缘裂缝预警方法，包括：
获取边坡中不同时刻的后缘裂缝数据，以构建第一数据组；
获取边坡信息，基于所述边坡信息构建三维边坡模型，获取所述三维边坡模型中不同时刻的后缘裂缝数据，以构建第二数据组；
由所述第一数据组和第二数据组构造样本数据组，利用所述样本数据组对神经网络模型进行训练和测试，得到后缘裂缝指标预测模型；
获取当前时刻的边坡信息，将所述当前时刻的边坡信息输入所述后缘裂缝指标预测模型中，预测得到当前时刻的后缘裂缝数据；
基于所述当前时刻的后缘裂缝数据计算边坡预警指标，以获得边坡预警等级。
进一步地，所述获取边坡信息，基于所述边坡信息构建三维边坡模型，获取所述三维边坡模型中不同时刻的后缘裂缝数据，以构建第二数据组，具体包括：
获取边坡的土质信息，所述土质信息包括边坡的坡度、坡向、高程、地貌类型以及地层岩性；
获取边坡的土体信息，所述土体信息包括层厚度，土层结构面、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、孔隙率以及含水量；
基于所述边坡的土质信息和土体信息构建三维边坡模型；
对所述三维边坡模型进行时刻维度的演变模拟得到不同时刻的后缘裂缝的模拟数据；
基于预设准则对所述模拟数据进行筛选，得到第二数据组。
进一步地，所述基于预设准则对所述模拟数据进行筛选，得到第二数据组，具体包括：
获取第一数据组中末端时刻的后缘裂缝的实测数据，将所述实测数据作为分界值；
从后缘裂缝模拟数据中筛选出与所述分界值相同的模拟数据，以所述模拟数据对应的时刻作为分界时刻点；
将所述分界时刻点之后的多组模拟数据作为第二数据组。
进一步地，所述基于所述当前时刻的后缘裂缝数据计算边坡预警指标，以获得边坡预警等级，具体包括：
获取裂缝贯通时刻的后缘裂缝数据，由所述裂缝贯通时刻的后缘裂缝数据构建出第一指标矩阵；
由当前时刻的后缘裂缝数据构建出第二指标矩阵；
基于所述第一指标矩阵和第二指标矩阵计算出边坡预警指标；
利用所述边坡预警指标在等级划分表中获取边坡的预警等级。
第二方面，本申请还提供了一种边坡后缘裂缝预警装置，包括:
第一数据组构建模块：用于获取边坡中不同时刻的后缘裂缝数据，以构建第一数据组；
第二数据组构建模块：用于获取边坡信息，基于所述边坡信息构建三维边坡模型，获取所述三维边坡模型中不同时刻的后缘裂缝数据，以构建第二数据组；
模型训练模块：用于由所述第一数据组和第二数据组构造样本数据组，利用所述样本数据组对神经网络模型进行训练和测试，得到后缘裂缝指标预测模型；
预测模块：用于获取当前时刻的边坡信息，将所述当前时刻的边坡信息输入所述后缘裂缝指标预测模型中，预测得到当前时刻的后缘裂缝数据；
预警模块：用于基于所述当前时刻的后缘裂缝数据计算边坡预警指标，以获得边坡预警等级。
进一步地，第二数据组构建模块具体包括：
土质信息获取单元：用于获取边坡的土质信息，所述土质信息包括边坡的坡度、坡向、高程、地貌类型以及地层岩性；
土体信息获取单元：用于获取边坡的土体信息，所述土体信息包括层厚度，土层结构面、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、孔隙率以及含水量；
三维边坡模型构建单元：用于基于所述边坡的土质信息和土体信息构建三维边坡模型；
模拟单元：用于对所述三维边坡模型进行时刻维度的演变模拟得到不同时刻的后缘裂缝的模拟数据；
筛选单元：用于基于预设准则对所述模拟数据进行筛选，得到第二数据组。
进一步地，所述筛选单元具体包括：
分界值确定单元：用于获取第一数据组中末端时刻的后缘裂缝的实测数据，将所述实测数据作为分界值；
分界时刻点确定单元：用于从后缘裂缝模拟数据中筛选出与所述分界值相同的模拟数据，以所述模拟数据对应的时刻作为分界时刻点；
第二数据组构建单元：用于将所述分界时刻点之后的多组模拟数据作为第二数据组。
进一步地，所述预警模块具体包括：
第一指标矩阵构建单元：用于获取裂缝贯通时刻的后缘裂缝数据，由所述裂缝贯通时刻的后缘裂缝数据构建出第一指标矩阵；
第二指标矩阵构建单元：用于由当前时刻的后缘裂缝数据构建出第二指标阵；
边坡预警指标计算单元：用于基于所述第一指标矩阵和第二指标矩阵计算出边坡预警指标；
预警等级获取单元：用于利用所述边坡预警指标在等级划分表中获取边坡的预警等级。
第三方面，本申请还提供了一种边坡后缘裂缝预警设备，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边坡后缘裂缝预警方法的步骤。
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边坡后缘裂缝预警方法的步骤。
本发明的有益效果为：
本发明通过对边坡的裂缝的监测获得实测数据，利用所述实测数据构建三维边坡模型获得裂缝后期变化的模拟数据，由实测数据和模拟数据共同组建出样本数据，对神经网络模型进行训练和测试，得到后缘裂缝指标预测模型。利用后缘裂缝指标预测模型结合边坡后缘裂缝的实时发展情况预测得出裂缝信息，再由裂缝信息计算出预警指标，由该预警指标来准确的评判出边坡的预警等级，提高了边坡预警的准确性和实效性同时，降低了成本。
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后缘裂缝预警方法流程示意图;
图2为本发明实施例中所述的边坡后缘裂缝预警装置结构示意图；
图3为本发明实施例中所述的边坡后缘裂缝预警设备结构示意图。
图中标记：
1、第一数据组构建模块；2、第二数据组构建模块；21、土质信息获取单元；22、土体信息获取单元；23、三维边坡模型构建单元；24、模拟单元；25、筛选单元；251、分界值确定单元；252、分界时刻点确定单元；253、第二数据组构建单元；3、模型训练模块；4、预测模块；5、预警模块；51、第一指标矩阵构建单元；52、第二指标矩阵构建单元；53、边坡预警指标计算单元；54、预警等级获取单元；800、边坡后缘裂缝预警设备；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边坡后缘裂缝预警方法。
参见图1，图中示出了本方法包括；
S1:获取边坡中不同时刻的后缘裂缝数据，以构建第一数据组；
具体的，所述步骤S1包括：
S11:实时监测边坡中的后缘裂缝，绘制出至少一张三维图像；
具体地，通过激光雷达实时监测边坡中的后缘裂缝，实现对后缘裂缝三维图像的实时绘制。
S12:获取多张不同时刻的后缘裂缝的三维图像，基于边缘检测算法对所述三维图像进行分析，以获得后缘裂缝的实测数据；
本实施例中，不同时刻的后缘裂缝的三维图像具体为随时间变化的后缘裂缝的三维图像。
本实施例中，利用基于canny检测算法对三维图像进行裂缝检测，具体包括：
对三维图像进行平滑处理得到图像A，优选的，可选用高斯滤波法对三维图像进行平滑处理；
利用梯度值的变化幅度和变化方向在图像A中标记出进行裂缝边缘，得到图像B；
采用双阀值法对图像B进行裂缝边缘识别，获得后缘裂缝的实测数据，所述后缘裂缝数据包括：裂缝的宽度、长度和深度信息，裂缝与水平面的角度，裂缝两端的连线的距离、矢量角，裂缝发展的加速度等。
S13:由多组后缘裂缝的实测数据构成第一数据组。
优选的，所述第一数据组中包括至少12组实测数据，且所述实测数据为不同的数据，可反映出裂缝一个时间段的演变情况，例如：第一数据组中包括n个时刻
的n组数据。
由于裂缝的演变是一个长期的过程，因此需要在一年或一年以上的时间段内获取不同时刻的三维图像，以反映出裂缝的演变过程。
S2:获取边坡信息，基于所述边坡信息构建三维边坡模型，获取所述三维边坡模型中不同时刻的后缘裂缝数据，以构建第二数据组；
S21:利用无人机采集边坡的地质信息获取边坡的土质信息，所述土质信息包括边坡的坡度、坡向、高程、地貌类型以及地层岩性；
S22: 通过钻孔获取边坡的现场土样，再通过现场土样实验获取边坡的土体信息，所述土体信息包括层厚度，土层结构面、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、孔隙率以及含水量；
S23:基于所述边坡的土质信息和土体信息构建三维边坡模型；
本实施例包括：将所述土质信息和土体信息在软件中绘制出三维边坡模型，优选的，所述软件采用软件犀牛6.0。
S24:对所述三维边坡模型进行时刻维度的演变模拟得到不同时刻的后缘裂缝的模拟数据；
具体实现方式为，将所述三维边坡模型导入软件3DEC中，3DEC能够模拟显示岩层的下沉和错动以及展示岩层裂隙的形成过程，实时的展示出边坡中每个点的每个时刻的位移。通过所述位移可计算出每个时刻的后缘裂缝的模拟数据。
S25:基于预设准则对所述模拟数据进行筛选，得到第二数据组。
具体的，所述步骤S25包括：
S251:获取第一数据组中末端时刻的后缘裂缝的实测数据，将所述实测数据作为分界值；
具体的，将
时刻的后缘裂缝的实测数据作为分界值，所述实测数据包括裂缝的宽度、长度和深度信息，裂缝与水平面的角度，裂缝两端的连线的距离、矢量角，裂缝发展的加速度。
S252:从后缘裂缝模拟数据中筛选出与所述分界值相同的模拟数据，以所述模拟数据对应的时刻作为分界时刻点；
所述分界时刻点之前的后缘裂缝为实测时刻的裂缝，而分界时刻点之后的后缘裂缝为现实中后缘裂缝尚未发展到的阶段，因此为后缘裂缝的模拟数据，用于构造后缘裂缝的全周期样本。
S253:将所述分界时刻点之后的多组模拟数据作为第二数据组，所述第二数据组的数量不做限定，根据实际的模拟结果进行设定。
S3:由所述第一数据组和第二数据组构造样本数据组，利用所述样本数据组对神经网络模型进行训练和测试，得到后缘裂缝指标预测模型；
具体的，所述步骤S3包括：
S31:将样本数据集中边坡的信息作为输入特征标签、后缘裂缝的信息作为输出特征标签;
S32:选取80%的数据样本作为训练集，20%的数据样本作为测试集;
S33: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，以获得后缘裂缝指标预测模型。
S4:获取当前时刻的边坡信息，将所述当前时刻的边坡信息输入所述后缘裂缝指标预测模型中，预测得到当前时刻的后缘裂缝数据。
S5:基于所述当前时刻的后缘裂缝数据计算边坡预警指标，以获得边坡预警等级。
具体的，所述步骤S5包括：
S51:获取裂缝贯通时刻的后缘裂缝数据，由所述裂缝贯通时刻的后缘裂缝数据构建出第一指标矩阵：
式中，
为第一指标矩阵，
表示滑面贯通时边坡后缘裂缝的长度，
表示滑面贯通时边坡后缘裂缝的宽度，
表示滑面贯通时边坡后缘裂缝的深度，
表示滑面贯通时裂缝顶部两端的距离，
表示滑面贯通时裂缝顶部两端连线的矢量角，
表示滑面贯通时裂缝发展加速度。
S52:由当前时刻的后缘裂缝数据构建出第二指标矩阵；
式中，
为第二指标矩阵，
表示t时刻边坡后缘裂缝的长度，
表示t时刻边坡后缘裂缝的宽度，
表示t时刻边坡后缘裂缝的深度，
表示t时刻裂缝顶部两端的距离，
表示t时刻裂缝顶部两端连线的矢量角，
表示t时刻裂缝发展加速度。
S53:基于所述第一指标矩阵和第二指标矩阵计算出边坡预警指标；
式中，所述
表示边坡预警指标，
表示
时刻的第二指标矩阵，
表示t时刻的第二指标矩阵
与滑面贯通时刻的第一指标矩阵
的二范数；
表示
时刻的第二指标矩阵
与滑面贯通时刻的第一指标矩阵
的二范数。
S54:利用所述边坡预警指标在等级划分表中获取边坡的预警等级。
本实施例中，等级划分表如表1-表3所示：
表1
| 边坡预警指标ID（V≥2500 m<sup>3</sup>） | 预警等级 |
| 0.15≥ID | 一级警报 |
| 0.35≥ID≥0.15 | 二级警报 |
| 0.5≥ID≥0.35 | 三级警报 |
| 1≥ID≥0.5 | 四级警报 |
V表示边坡的滑带上部可能发生滑移的土体总量，表1表示土体总量在V≥2500 m3情况下的划分标准，边坡预警指标ID小于0.15时，预警等级为一级警报，边坡预警指标ID小于0.35大于0.15时，预警等级为二级警报，边坡预警指标ID小于0.5大于0.35时，预警等级为三级警报，边坡预警指标ID小于1大于0.5时，预警等级为四级警报。
表2
| 边坡预警指标ID（2500 m<sup>3</sup>≥V≥1500 m<sup>3</sup>） | 预警等级 |
| 0.15≥ID | 一级警报 |
| 0.35≥ID≥0.15 | 二级警报 |
| 0.5≥ID≥0.35 | 四级警报 |
| 1≥ID≥0.5 | 四级警报 |
表2为土体总量在2500 m3≥V≥1500 m3情况下的划分标准，边坡预警指标ID小于0.15时，预警等级为一级警报，边坡预警指标ID小于0.35大于0.15时，预警等级为二级警报，边坡预警指标ID小于0.5大于0.35时，预警等级为四级警报，边坡预警指标ID小于1大于0.5时，预警等级为四级警报。
表3
| 边坡预警指标ID（V≤1500 m<sup>3</sup>） | 预警等级 |
| 0.15≥ID | 二级警报 |
| 0.35≥ID≥0.15 | 三级警报 |
| 0.5≥ID≥0.35 | 四级警报 |
| 1≥ID≥0.5 | 无警报 |
表3 为土体总量在V≤1500 m3情况下的划分标准，边坡预警指标ID小于0.15时，预警等级为二级警报，边坡预警指标ID小于0.35大于0.15时，预警等级为三级警报，边坡预警指标ID小于0.5大于0.35时，预警等级为四级警报，边坡预警指标ID小于1大于0.5时，无警报。
实施例2：
如图2所示，本实施例提供了一种边坡后缘裂缝预警装置，所述装置包括：
第一数据组构建模块1：用于获取边坡中不同时刻的后缘裂缝数据，以构建第一数据组；
第二数据组构建模块2：用于获取边坡信息，基于所述边坡信息构建三维边坡模型，获取所述三维边坡模型中不同时刻的后缘裂缝数据，以构建第二数据组；
模型训练模块3：用于由所述第一数据组和第二数据组构造样本数据组，利用所述样本数据组对神经网络模型进行训练和测试，得到后缘裂缝指标预测模型；
预测模块4：用于获取当前时刻的边坡信息，将所述当前时刻的边坡信息输入所述后缘裂缝指标预测模型中，预测得到当前时刻的后缘裂缝数据；
预警模块5：用于基于所述当前时刻的后缘裂缝数据计算边坡预警指标，以获得边坡预警等级。
基于以上实施例，所述第二数据组构建模块2具体包括：
土质信息获取单元21：用于获取边坡的土质信息，所述土质信息包括边坡的坡度、坡向、高程、地貌类型以及地层岩性；
土体信息获取单元22：用于获取边坡的土体信息，所述土体信息包括层厚度，土层结构面、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、孔隙率以及含水量；
三维边坡模型构建单元23：用于基于所述边坡的土质信息和土体信息构建三维边坡模型；
模拟单元24：用于对所述三维边坡模型进行时刻维度的演变模拟得到不同时刻的后缘裂缝的模拟数据；
筛选单元25：用于基于预设准则对所述模拟数据进行筛选，得到第二数据组。
基于以上实施例，所述筛选单元25具体包括：
分界值确定单元251：用于获取第一数据组中末端时刻的后缘裂缝的实测数据，将所述实测数据作为分界值；
分界时刻点确定单元252：用于从后缘裂缝模拟数据中筛选出与所述分界值相同的模拟数据，以所述模拟数据对应的时刻作为分界时刻点；
第二数据组构建单元253：用于将所述分界时刻点之后的多组模拟数据作为第二数据组。
基于以上实施例，所述预警模块5具体包括：
第一指标矩阵构建单元51：用于获取裂缝贯通时刻的后缘裂缝数据，由所述裂缝贯通时刻的后缘裂缝数据构建出第一指标矩阵；
第二指标矩阵构建单元52：用于由当前时刻的后缘裂缝数据构建出第二指标阵；
边坡预警指标计算单元53：用于基于所述第一指标矩阵和第二指标矩阵计算出边坡预警指标；
预警等级获取单元54：用于利用所述边坡预警指标在等级划分表中获取边坡的预警等级。
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边坡后缘裂缝预警设备，下文描述的一种边坡后缘裂缝预警设备与上文描述的一种边坡后缘裂缝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边坡后缘裂缝预警设备800的框图。如图3所示，该边坡后缘裂缝预警设备800可以包括：处理器801，存储器802。该边坡后缘裂缝预警设备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用于控制该边坡后缘裂缝预警设备800的整体操作，以完成上述的边坡后缘裂缝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边坡后缘裂缝预警设备800的操作，这些数据例如可以包括用于在该边坡后缘裂缝预警设备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 AccessMemory，简称SRAM)，电可擦除可编程只读存储器(Electrically Erasable ProgrammableRead-Only Memory，简称EEPROM)，可擦除可编程只读存储器(Erasable ProgrammableRead-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用于该边坡后缘裂缝预警设备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，边坡后缘裂缝预警设备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，用于执行上述的边坡后缘裂缝预警方法。
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边坡后缘裂缝预警方法的步骤。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，上述程序指令可由边坡后缘裂缝预警设备800的处理器801执行以完成上述的边坡后缘裂缝预警方法。
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边坡后缘裂缝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边坡后缘裂缝预警方法的步骤。
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 (10)
1.一种边坡后缘裂缝预警方法，其特征在于，包括：
获取边坡中不同时刻的后缘裂缝数据，以构建第一数据组；
获取边坡信息，基于所述边坡信息构建三维边坡模型，获取所述三维边坡模型中不同时刻的后缘裂缝数据，以构建第二数据组；
由所述第一数据组和第二数据组构造样本数据组，利用所述样本数据组对神经网络模型进行训练和测试，得到后缘裂缝指标预测模型；
获取当前时刻的边坡信息，将所述当前时刻的边坡信息输入所述后缘裂缝指标预测模型中，预测得到当前时刻的后缘裂缝数据；
基于所述当前时刻的后缘裂缝数据计算边坡预警指标，以获得边坡预警等级。
2.根据权利要求1所述的边坡后缘裂缝预警方法，其特征在于,所述获取边坡信息，基于所述边坡信息构建三维边坡模型，获取所述三维边坡模型中不同时刻的后缘裂缝数据，以构建第二数据组，具体包括：
获取边坡的土质信息，所述土质信息包括边坡的坡度、坡向、高程、地貌类型以及地层岩性；
获取边坡的土体信息，所述土体信息包括层厚度，土层结构面、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、孔隙率以及含水量；
基于所述边坡的土质信息和土体信息构建三维边坡模型；
对所述三维边坡模型进行时刻维度的演变模拟得到不同时刻的后缘裂缝的模拟数据；
基于预设准则对所述模拟数据进行筛选，得到第二数据组。
3.根据权利要求2所述的边坡后缘裂缝预警方法，其特征在于,所述基于预设准则对所述模拟数据进行筛选，得到第二数据组，具体包括：
获取第一数据组中末端时刻的后缘裂缝的实测数据，将所述实测数据作为分界值；
从后缘裂缝模拟数据中筛选出与所述分界值相同的模拟数据，以所述模拟数据对应的时刻作为分界时刻点；
将所述分界时刻点之后的多组模拟数据作为第二数据组。
4.根据权利要求1所述的边坡后缘裂缝预警方法，其特征在于,所述基于所述当前时刻的后缘裂缝数据计算边坡预警指标，以获得边坡预警等级，具体包括：
获取裂缝贯通时刻的后缘裂缝数据，由所述裂缝贯通时刻的后缘裂缝数据构建出第一指标矩阵；
由当前时刻的后缘裂缝数据构建出第二指标矩阵；
基于所述第一指标矩阵和第二指标矩阵计算出边坡预警指标；
利用所述边坡预警指标在等级划分表中获取边坡的预警等级。
5.一种边坡后缘裂缝预警装置，其特征在于，包括：
第一数据组构建模块：用于获取边坡中不同时刻的后缘裂缝数据，以构建第一数据组；
第二数据组构建模块：用于获取边坡信息，基于所述边坡信息构建三维边坡模型，获取所述三维边坡模型中不同时刻的后缘裂缝数据，以构建第二数据组；
模型训练模块：用于由所述第一数据组和第二数据组构造样本数据组，利用所述样本数据组对神经网络模型进行训练和测试，得到后缘裂缝指标预测模型；
预测模块：用于获取当前时刻的边坡信息，将所述当前时刻的边坡信息输入所述后缘裂缝指标预测模型中，预测得到当前时刻的后缘裂缝数据；
预警模块：用于基于所述当前时刻的后缘裂缝数据计算边坡预警指标，以获得边坡预警等级。
6.根据权利要求5所述的边坡后缘裂缝预警装置，其特征在于，所述第二数据组构建模块具体包括：
土质信息获取单元：用于获取边坡的土质信息，所述土质信息包括边坡的坡度、坡向、高程、地貌类型以及地层岩性；
土体信息获取单元：用于获取边坡的土体信息，所述土体信息包括层厚度，土层结构面、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、孔隙率以及含水量；
三维边坡模型构建单元：用于基于所述边坡的土质信息和土体信息构建三维边坡模型；
模拟单元：用于对所述三维边坡模型进行时刻维度的演变模拟得到不同时刻的后缘裂缝的模拟数据；
筛选单元：用于基于预设准则对所述模拟数据进行筛选，得到第二数据组。
7.根据权利要求6所述的边坡后缘裂缝预警装置，其特征在于，所述筛选单元具体包括：
分界值确定单元：用于获取第一数据组中末端时刻的后缘裂缝的实测数据，将所述实测数据作为分界值；
分界时刻点确定单元：用于从后缘裂缝模拟数据中筛选出与所述分界值相同的模拟数据，以所述模拟数据对应的时刻作为分界时刻点；
第二数据组构建单元：用于将所述分界时刻点之后的多组模拟数据作为第二数据组。
8.根据权利要求5所述的边坡后缘裂缝预警装置，其特征在于，所述预警模块具体包括：
第一指标矩阵构建单元：用于获取裂缝贯通时刻的后缘裂缝数据，由所述裂缝贯通时刻的后缘裂缝数据构建出第一指标矩阵；
第二指标矩阵构建单元：用于由当前时刻的后缘裂缝数据构建出第二指标阵；
边坡预警指标计算单元：用于基于所述第一指标矩阵和第二指标矩阵计算出边坡预警指标；
预警等级获取单元：用于利用所述边坡预警指标在等级划分表中获取边坡的预警等级。
9.一种边坡后缘裂缝预警设备，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4任一项所述边坡后缘裂缝预警方法的步骤。
10.一种可读存储介质，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4任一项所述边坡后缘裂缝预警方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211480865.3A CN115578845B (zh) | 2022-11-24 | 2022-11-24 | 一种边坡后缘裂缝预警方法、装置、设备及可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211480865.3A CN115578845B (zh) | 2022-11-24 | 2022-11-24 | 一种边坡后缘裂缝预警方法、装置、设备及可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115578845A true CN115578845A (zh) | 2023-01-06 |
| CN115578845B CN115578845B (zh) | 2023-04-07 |
Family
ID=84590298
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211480865.3A Active CN115578845B (zh) | 2022-11-24 | 2022-11-24 | 一种边坡后缘裂缝预警方法、装置、设备及可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115578845B (zh) |
Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2004280204A (ja) * | 2003-03-12 | 2004-10-07 | Kokusai Kogyo Co Ltd | 斜面崩壊予測システム |
| CN102799756A (zh) * | 2012-06-08 | 2012-11-28 | 冉启华 | 一种降雨作用下的滑坡预测方法 |
| CN103266588A (zh) * | 2013-04-28 | 2013-08-28 | 青岛理工大学 | 利用位移监测测定边坡非圆弧滑移面的方法 |
| CN103440424A (zh) * | 2013-09-04 | 2013-12-11 | 青岛理工大学 | 利用边坡位移监测数据检测和确定滑坡剪出口的方法 |
| CN104581089A (zh) * | 2015-02-08 | 2015-04-29 | 张朝利 | 一种山体滑坡变化定量监测系统及其预测方法 |
| JP2017134019A (ja) * | 2016-01-29 | 2017-08-03 | 公益財団法人鉄道総合技術研究所 | 斜面崩壊予兆検知システム、プログラム及び斜面崩壊予兆検知方法 |
| CN109584240A (zh) * | 2018-12-20 | 2019-04-05 | 成都理工大学 | 滑坡后缘裂缝位移图像识别方法 |
| BR112019002578A2 (pt) * | 2016-08-08 | 2019-05-21 | Comercial E Industrial Gesecology Ltda | método e sistema para a análise e geração de alertas antecipados ou preditivos de estabilidade de talude a céu aberto |
| CN111223183A (zh) * | 2019-11-14 | 2020-06-02 | 中国地质环境监测院 | 一种基于深度神经网络的滑坡地形检测方法 |
| CN111611728A (zh) * | 2020-06-29 | 2020-09-01 | 中国有色金属工业昆明勘察设计研究院有限公司 | 昔格达地层岩质边坡后缘滑裂面位置的稳定性计算方法 |
| AU2020103096A4 (en) * | 2020-10-29 | 2021-01-07 | Bajrang Tapase, Anand DR | Movements/shifts/displacements monitoring SMART box of Earth Retaining Structures in Landslides Mitigation |
| CN114022655A (zh) * | 2021-10-31 | 2022-02-08 | 三峡大学 | 基于灰度的采用光照补偿处理的边坡裂缝监测方法及系统 |
| WO2022040737A1 (en) * | 2020-08-25 | 2022-03-03 | Groundprobe Pty Ltd | Slope failure monitoring system |
| CN114646272A (zh) * | 2022-02-27 | 2022-06-21 | 桂林电子科技大学 | 用于锚固滑坡锚杆的光纤形变解算方法和滑坡预警系统 |
| CN115116202A (zh) * | 2022-08-29 | 2022-09-27 | 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 |
| CN115188164A (zh) * | 2022-08-01 | 2022-10-14 | 安徽大学 | 一种滑坡变形监测预警方法及云平台系统 |
| CN115376283A (zh) * | 2022-08-23 | 2022-11-22 | 江西理工大学 | 一种基于多元数据融合的监测预警方法及系统 |
-
2022
- 2022-11-24 CN CN202211480865.3A patent/CN115578845B/zh active Active
Patent Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2004280204A (ja) * | 2003-03-12 | 2004-10-07 | Kokusai Kogyo Co Ltd | 斜面崩壊予測システム |
| CN102799756A (zh) * | 2012-06-08 | 2012-11-28 | 冉启华 | 一种降雨作用下的滑坡预测方法 |
| CN103266588A (zh) * | 2013-04-28 | 2013-08-28 | 青岛理工大学 | 利用位移监测测定边坡非圆弧滑移面的方法 |
| CN103440424A (zh) * | 2013-09-04 | 2013-12-11 | 青岛理工大学 | 利用边坡位移监测数据检测和确定滑坡剪出口的方法 |
| CN104581089A (zh) * | 2015-02-08 | 2015-04-29 | 张朝利 | 一种山体滑坡变化定量监测系统及其预测方法 |
| JP2017134019A (ja) * | 2016-01-29 | 2017-08-03 | 公益財団法人鉄道総合技術研究所 | 斜面崩壊予兆検知システム、プログラム及び斜面崩壊予兆検知方法 |
| BR112019002578A2 (pt) * | 2016-08-08 | 2019-05-21 | Comercial E Industrial Gesecology Ltda | método e sistema para a análise e geração de alertas antecipados ou preditivos de estabilidade de talude a céu aberto |
| CN109584240A (zh) * | 2018-12-20 | 2019-04-05 | 成都理工大学 | 滑坡后缘裂缝位移图像识别方法 |
| CN111223183A (zh) * | 2019-11-14 | 2020-06-02 | 中国地质环境监测院 | 一种基于深度神经网络的滑坡地形检测方法 |
| CN111611728A (zh) * | 2020-06-29 | 2020-09-01 | 中国有色金属工业昆明勘察设计研究院有限公司 | 昔格达地层岩质边坡后缘滑裂面位置的稳定性计算方法 |
| WO2022040737A1 (en) * | 2020-08-25 | 2022-03-03 | Groundprobe Pty Ltd | Slope failure monitoring system |
| AU2020103096A4 (en) * | 2020-10-29 | 2021-01-07 | Bajrang Tapase, Anand DR | Movements/shifts/displacements monitoring SMART box of Earth Retaining Structures in Landslides Mitigation |
| CN114022655A (zh) * | 2021-10-31 | 2022-02-08 | 三峡大学 | 基于灰度的采用光照补偿处理的边坡裂缝监测方法及系统 |
| CN114646272A (zh) * | 2022-02-27 | 2022-06-21 | 桂林电子科技大学 | 用于锚固滑坡锚杆的光纤形变解算方法和滑坡预警系统 |
| CN115188164A (zh) * | 2022-08-01 | 2022-10-14 | 安徽大学 | 一种滑坡变形监测预警方法及云平台系统 |
| CN115376283A (zh) * | 2022-08-23 | 2022-11-22 | 江西理工大学 | 一种基于多元数据融合的监测预警方法及系统 |
| CN115116202A (zh) * | 2022-08-29 | 2022-09-27 | 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 |
Non-Patent Citations (5)
| Title |
|---|
| LU HUANG等: "Method for Meteorological Early Warning of Precipitation-Induced Landslides Based on Deep Neural Network", 《NEURAL PROCESSING LETTERS》 * |
| TAO YANG等: "Failure Characteristics and Mechanism of Multiface Slopes under Earthquake Load Based on PFC Method", 《SHOCK AND VIBRATION》 * |
| YANG RI-HONG等: "The remote sensing image interpretation and the research of mechanism for qianjiangping landslide in the three gorges reservoir region", 《 2007 IEEE INTERNATIONAL GEOSCIENCE AND REMOTE SENSING SYMPOSIUM》 * |
| 王根龙等: "公路岩质边坡后缘张裂缝发生位置的预测方法", 《工程地质学报》 * |
| 陈晓冉等: "基于拉剪破坏的边坡后缘张裂缝深度探讨", 《水利发电》 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115578845B (zh) | 2023-04-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Chousianitis et al. | Predictive model of Arias intensity and Newmark displacement for regional scale evaluation of earthquake-induced landslide hazard in Greece | |
| CN115116202B (zh) | 一种滑坡灾害预警方法、装置、设备及可读存储介质 | |
| 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 | |
| CN110284873A (zh) | 一种油井储集性质的检测方法及检测装置 | |
| Cuéllar et al. | A fast earthquake early warning algorithm based on the first 3 s of the P‐wave coda | |
| CN109857782A (zh) | 一种测井数据采集处理系统 | |
| CN109726485A (zh) | 混凝土坝点真实应力可靠度预测分析方法及装置 | |
| Cowley et al. | International quality-controlled ocean database (IQuOD) v0. 1: The temperature uncertainty specification | |
| Fanelli et al. | Reliable soil property maps over large areas: a case study in Central Italy | |
| Chilton et al. | Uncovering the Controls on Fluvial Bedrock Erodibility and Knickpoint Expression: A High‐Resolution Comparison of Bedrock Properties Between Knickpoints and Non‐Knickpoint Reaches | |
| CN114036831A (zh) | 一种待检测工程场地边坡的岩土力学参数的实时检测方法 | |
| CN115578845B (zh) | 一种边坡后缘裂缝预警方法、装置、设备及可读存储介质 | |
| 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 | |
| CN107609284A (zh) | 一种定量评价滑坡灾害危险性的方法 | |
| CN114880755B (zh) | 铁路隧道的围岩分级方法、装置、设备及可读存储介质 | |
| CN115859836A (zh) | 一种岩体蠕变本构模型参数识别方法、装置、设备及介质 | |
| CN108035710B (zh) | 基于数据挖掘划分深层岩石地质相的方法 | |
| Blanken et al. | A fuzzy-based framework for assessing uncertainty in drift prediction using observed currents and winds | |
| Torabi et al. | Envisioning faults beyond the framework of fracture mechanics | |
| CN113622901B (zh) | 页岩油储层品质分析方法、装置、设备及介质 | |
| Jayaram | Probabilistic seismic lifeline risk assessment using efficient sampling and data reduction techniques | |
| Najdahmadi et al. | Hazard-informed optimization of seismic networks for earthquake early warning—the case of the Lower Rhine Embayment (western Germany) | |
| CN112990320A (zh) | 一种岩性的分类方法、装置、电子设备及存储介质 | |
| CN105008964B (zh) | 地震预测装置 |
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 |