CN115879380A - 岩体蠕变状态的判断方法、装置、设备及可读存储介质 - Google Patents
岩体蠕变状态的判断方法、装置、设备及可读存储介质 Download PDFInfo
- Publication number
- CN115879380A CN115879380A CN202310137617.7A CN202310137617A CN115879380A CN 115879380 A CN115879380 A CN 115879380A CN 202310137617 A CN202310137617 A CN 202310137617A CN 115879380 A CN115879380 A CN 115879380A
- Authority
- CN
- China
- Prior art keywords
- rock mass
- data
- creep
- strength
- site
- 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
- 239000011435 rock Substances 0.000 title claims abstract description 313
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000003860 storage Methods 0.000 title claims abstract description 16
- 238000013178 mathematical model Methods 0.000 claims abstract description 18
- 230000007613 environmental effect Effects 0.000 claims abstract description 14
- 238000013528 artificial neural network Methods 0.000 claims abstract description 13
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 12
- 238000012545 processing Methods 0.000 claims description 31
- 238000003062 neural network model Methods 0.000 claims description 15
- 238000000605 extraction Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000004140 cleaning Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000012163 sequencing technique Methods 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 4
- 239000002689 soil Substances 0.000 claims description 4
- 238000007621 cluster analysis Methods 0.000 claims 1
- 238000012876 topography Methods 0.000 abstract 1
- 230000008569 process Effects 0.000 description 18
- 238000004891 communication Methods 0.000 description 10
- 238000012360 testing method Methods 0.000 description 5
- 238000004088 simulation Methods 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 239000000284 extract Substances 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000011065 in-situ storage Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012669 compression test Methods 0.000 description 1
- 239000013078 crystal Substances 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- 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
- Investigation Of Foundation Soil And Reinforcement Of Foundation Soil By Compacting Or Drainage (AREA)
Abstract
本发明提供了一种岩体蠕变状态的判断方法、装置、设备及可读存储介质,涉及山地灾害技术领域,包括:获取历史岩体蠕变资料、现场边坡岩体的地形地貌、地质信息和环境参数;根据地形地貌建立三维边坡模型计算得到边坡岩体的现场岩体应力状态;根据第二信息和预设的神经网络算法建立岩体强度预测数学模型,计算得到现场岩体强度;基于岩体蠕变领域专业知识和岩体蠕变实例构建得到岩体蠕变状态判断专家系统,得到岩体蠕变状态判断结果。本发明通过建立神经网络预测模型并结合专家系统,实现快速准确地判断岩质边坡岩体是否发生蠕变,具有准确率高、判断范围广的优点。
Description
技术领域
本发明涉及山地灾害技术领域,具体而言,涉及一种岩体蠕变状态的判断方法、装置、设备及可读存储介质。
背景技术
岩质边坡是指由岩石组成的自然或人工建造的坡体,常见于道路、铁路、水库和城市建设等场所。岩质边坡岩体在受到外力作用时,易发生蠕变现象,这会对岩质边坡的稳定性造成严重的威胁。因此,对岩质边坡岩体进行蠕变判断,对于保证岩质边坡的安全稳定具有重要意义。传统的岩质边坡岩体蠕变判断方法主要包括物理模型试验、土工模拟试验和数值模拟等。这些方法通常需要耗费大量的时间和资源,且判断精度不够高,容易出现错误判断的情况。
现需要一种基于神经网络和专家系统的岩质边坡岩体蠕变状态判断方法,通过使用神经网络对进行岩体强度的预测,然后通过专家系统对蠕变状态进行评估,能够快速准确地判断岩质边坡岩体是否发生蠕变,进而为保证岩质边坡的安全稳定提供了有效的手段。
发明内容
本发明的目的在于提供一种岩体蠕变状态的判断方法、模块、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:
一方面,本申请提供了一种岩体蠕变状态的判断方法,包括:
获取第一信息和第二信息,所述第一信息包括现场边坡岩体的地形地貌、地质信息和环境参数,所述第二信息包括历史岩体蠕变资料;
根据所述地形地貌建立三维边坡模型,并根据所述地质信息中包含的岩土体物理参数和力学参数计算得到边坡岩体的现场岩体应力状态;
根据所述第二信息和预设的神经网络算法建立岩体强度预测数学模型,将所述现场岩体应力状态、地质信息和环境参数作为所述的岩体强度预测数学模型的输入值计算得到现场岩体强度;
基于岩体蠕变领域专业知识和岩体蠕变实例构建得到岩体蠕变状态判断专家系统,将所述地质信息、所述现场岩体应力状态和所述现场岩体强度作为所述岩体蠕变状态判断专家系统的输入值,得到岩体蠕变状态判断结果。
第二方面,本申请还提供了一种岩体蠕变状态的判断装置,包括:
获取模块,用于获取第一信息和第二信息,所述第一信息包括现场边坡岩体的地形地貌、地质信息和环境参数,所述第二信息包括历史岩体蠕变资料;
构建模块,用于根据所述地形地貌建立三维边坡模型,并根据所述地质信息中包含的岩土体物理参数和力学参数计算得到边坡岩体的现场岩体应力状态;
预测模块,用于根据所述第二信息和预设的神经网络算法建立岩体强度预测数学模型,将所述现场岩体应力状态、地质信息和环境参数作为所述的岩体强度预测数学模型的输入值计算得到现场岩体强度;
判断模块,基于岩体蠕变领域专业知识和岩体蠕变实例构建得到岩体蠕变状态判断专家系统,将所述地质信息、所述现场岩体应力状态和所述现场岩体强度作为所述岩体蠕变状态判断专家系统的输入值,得到岩体蠕变状态判断结果。
第三方面,本申请还提供了一种岩体蠕变状态的判断设备,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岩体蠕变状态的判断方法的步骤。
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岩体蠕变状态的判断方法的步骤。
本发明的有益效果为:
本发明通过建立神经网络预测模型的方法进行当前岩质边坡中各岩体的实时强度预测,并结合岩体蠕变领域专业知识和自然演绎推理法建立岩体蠕变判断的专家系统,实现快速准确地判断岩质边坡岩体是否发生蠕变,并提供完整的蠕变分析过程和结果,具有准确率高、判断范围广的优点。
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岩体蠕变状态的判断方法流程示意图;
图2为本发明实施例中所述的岩体蠕变状态的判断装置结构示意图;
图3为本发明实施例中所述的岩体蠕变状态的判断设备结构示意图。
图中标记:1、获取模块;2、构建模块;3、预测模块;31、第一提取单元;311、第三处理单元;312、第一聚类单元;313、第一计算单元;314、第四处理单元;32、第一处理单元;33、第二处理单元;4、判断模块;41、第一构建单元;42、第二构建单元;43、第三构建单元;44、第四构建单元;45、第五处理单元;46、第六处理单元;47、第一判断单元;471、第二聚类单元;472、第七处理单元;473、第八处理单元;474、第一输出单元;800、岩体蠕变状态的判断设备;801、处理器;802、存储器;803、多媒体组件;804、I/O接口;805、通信组件。
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岩体蠕变状态的判断方法。
参见图1,图中示出了本方法包括步骤S100、步骤S200、步骤S300和步骤S400。
步骤S100、获取第一信息和第二信息,第一信息包括现场边坡岩体的地形地貌、地质信息和环境参数,第二信息包括历史岩体蠕变资料。
可以理解的是,在本步骤中,第一信息包括现场边坡及其周围空间的三维地形地貌特征参数和构成岩质边坡的岩土体物理及力学参数,第二信息通过搜集与岩体蠕变相关的书籍、文献和会议报告,提取并整理其中所提供的大量岩体蠕变试验数据。
步骤S200、根据地形地貌建立三维边坡模型,并根据地质信息中包含的岩土体物理参数和力学参数计算得到边坡岩体的现场岩体应力状态。
可以理解的是,本步骤中,基于地形地貌特征参数和各岩土体参数,在有限元程序FLAC中进行1:1的三维边坡模型构建,通过数值分析计算,得到现场边坡岩体所处应力状态。
步骤S300、根据第二信息和预设的神经网络算法建立岩体强度预测数学模型,将现场岩体应力状态、地质信息和环境参数作为的岩体强度预测数学模型的输入值计算得到现场岩体强度。
可以理解的是,在本步骤中,考虑到作为关键影响因素之一的岩体强度,如通过现场原位试验的方式来获取岩体强度则显得耗时、费力、操作难度高且工作效率低下,因此通过构建BP神经网络预测模型的方法进行现场岩体强度的确定。需要说明的是,步骤S300包括步骤S310、步骤S320和步骤S330。
步骤S310、将第二信息进行特征提取得到样本数据集合,样本数据集合包括岩体强度数据以及对应的至少一种岩体强度影响因素数据。
可以理解的是,本步骤通过查询搜集有关岩体蠕变试验的文献、论文和会议报告,提取其中有效参数。需要说明的是步骤S310包括步骤S311、步骤S312、步骤S313和步骤S314。
步骤S311、将第二信息中的历史岩体蠕变资料进行数据清洗和预处理得到标准数据。
可以理解的是,本步骤通过数据清洗和预处理,提升后续数据分类的效率。
步骤S312、对标准数据进行聚类分析得到分类数据,分类数据中包括岩体强度数据和至少一种与岩体强度数据相关的影响数据。
可以理解的是,本步骤通过聚类处理对数据进行分类,提取出有效数据,包括当前岩体所受应力状态、岩块自身强度、岩体自身结构面、岩体种类、岩体所处环境的温度及湿度、岩体所受循环加载情况、岩体内部晶粒构造、岩体自身的孔隙率、岩块自身的颗粒几何形状等。
步骤S313、将所有影响数据与岩体强度数据进行关联度计算,并按照相关性大小对所有影响数据进行排序。
可以理解的是,本步骤中通过对各类数据进行排序,直观了解各类数据与岩体强度数据的相关性大小。
步骤S314、根据排序后的所有影响数据和预设的阈值筛选得到至少一种岩体强度影响因素数据。
可以理解的是,本步骤筛选出岩块单轴抗压强度、岩体初始应力状态、岩体结构-完整性指数、现场岩体所处温度及湿度、现场岩体强度这五种参数。其中在应力状态方面,岩体所受应力值越高,总蠕变值越大,且不同应力状态下岩体所发生的蠕变过程也不同、在岩块自身强度方面,强度越高,在相同条件下所产生的蠕变值越小、在岩体结构面特性方面,岩体结构越破碎,岩体所产生的蠕变值越大、在岩体种类方面,无疑不同的岩体所产生的蠕变过程各不相同、在所处环境温度即湿度方面,经研究表明绝大多数岩体的自身强度随环境温度和湿度的升高而逐渐降低。
步骤S320、对神经网络模型初始化权重和偏置值,并将所有岩体强度影响因素数据作为神经网络模型的输入值,将岩体强度数据作为真实值。
可以理解的是,本步骤将岩块单轴抗压强度 (第一类数据)、现场岩体完整性指数(第二类数据)、岩体初始应力状态、现场岩体所处环境的温度(第四类数据)、现场岩体所处环境的湿度(第五类数据)和现场岩体强度(第六类数据)输入至BP神经网络模型的训练。
步骤S330、使用反向传播算法对神经网络模型进行多次迭代,得到岩体强度预测数学模型。
可以理解的是,在进行训练过程中逐渐反映六种数据之间的隐藏关系,直至神经网络模型能根据五类输入特征数据,精准预测现场岩体的强度值(即特征输出标签)。
步骤S400、基于岩体蠕变领域专业知识和岩体蠕变实例构建得到岩体蠕变状态判断专家系统,将地质信息、现场岩体应力状态和现场岩体强度作为岩体蠕变状态判断专家系统的输入值,得到岩体蠕变状态判断结果。
可以理解的是,本步骤建立用于现场岩体蠕变判断识别的专家系统,自主判断现场岩体是否发生蠕变,专家系统的主要组成部分:知识库(包含相关领域知识)、推理机(用于推理和决策)、数据库(存放所有应用数据)和人机接口(提供用户和专家系统之间所交流的平台)。步骤S400包括步骤S410、步骤S420、步骤S430、步骤S440、步骤S450、步骤S460和步骤S470。
步骤S410、基于岩体蠕变领域专业知识和岩体蠕变实例构建得到知识库。
可以理解的是,本步骤知识库用来存放领域专家所提供的有关岩体蠕变判断求解的专门知识,所有知识由产生式表示法(if-then结构)表示,绝大多数知识来源于领域(岩体蠕变领域)专家,少数知识来源于各种现场实例研究和相关数据库,知识工程师通过和领域专家之间的反复沟通解答,将专业知识转化为计算机能识别的知识格式并储存至知识库中。
步骤S420、基于自然演绎推理的推理决策方式构建得到推理机。
可以理解的是,本步骤推理机的功能为模拟领域专家的思维过程,控制并执行对相关问题的求解,本推理机所采用的推理决策为正向推理中的自然演绎推理法,即从一组已知为真的事实(如现场勘查数据、模型预测数据、数据模拟结果等)出发,直接运用经典逻辑规则推理出相关结论(如现场岩体蠕变判断)和过程(岩体蠕变发展情况)。
步骤S430、根据岩体蠕变领域专业知识和岩体蠕变实例构建得到用于存放初始事实、问题描述、中间结果和最终结果信息的动态数据库。
可以理解的是,本步骤数据库用于存放初始事实、问题描述及专家系统运行过程中得到的中间结果、最终结果等信息,数据库中的内容随着推理过程的进行而改变。
步骤S440、根据预设的交互方式构建得到人机接口。
可以理解的是,本步骤人机接口一般指专家系统和广大用户之间进行交互的界面,由一组程序及相应的硬件组成,用于完成相对应的输入和输出功能。本专家系统所采用的人机接口通过菜单方式、命令方式或简单的问答方式与用户进行交互。
步骤S450、将地质信息进行处理得到岩体参数,岩体参数包括现场岩体种类和对应的岩体分级。
可以理解的是,本步骤基于《岩土工程勘查规范GB50021-2001》中的相关规定,结合岩体破碎等级和岩石强度等级,最终确定现场岩体的分级(具体分为Ⅰ、Ⅱ、Ⅲ、Ⅳ、Ⅴ共五个等级)。
步骤S460、将岩体参数、现场岩体应力状态和现场岩体强度进行整合处理得到判断数据组。
可以理解的是,本步骤通过简单的轴向压缩试验获取现场岩块的单轴抗压强度,根据《岩土工程勘查规范GB50021-2001》中的相关规定,通过获取现场岩体完整性指数来进行岩体破碎程度的等级划分,再结合通过神经网络模型预测得到的现场岩体强度和模拟计算得到现场岩体应力状态,将这些数据进行整合作为专家系统的输入参数。
步骤S470、将判断数据组输入至岩体蠕变状态判断专家系统进行判断得到判断结果。
可以理解的是,本步骤通过对判断数据组进行处理,输出并告知用户现场岩体当前是否发生蠕变和岩体发生蠕变的具体过程,若系统判断为“否”,表明当前岩体不发生任何蠕变,若系统判断为“是”,且告知用户岩体当前蠕变的状态。步骤S470包括步骤S471、步骤S472、步骤S473和步骤S474。
步骤S471、对历史岩体蠕变资料进行聚类分析得到分类后的蠕变阶段以及对应的特征值,蠕变阶段包括初始蠕变、稳定蠕变和加速蠕变。
可以理解的是,本步骤通过对蠕变阶段的数据情况进行自动分类,对蠕变状态的阶段进行分类。
步骤S472、将分类后的蠕变阶段进行组合得到至少三种蠕变过程报告。
可以理解的是,本步骤三种蠕变过程报告包括:发生初始蠕变-稳定蠕变两个蠕变阶段;发生初始蠕变-加速蠕变两个蠕变阶段;发生初始蠕变-稳定蠕变-加速蠕变的完整蠕变过程。
步骤S473、将判断结果与蠕变过程报告建立映射关系。
可以理解的是,本步骤将专家系统得到的结果与蠕变过程报告建立联系。
步骤S474、将判断结果和对应的蠕变过程报告通过岩体蠕变状态判断专家系统进行输出。
可以理解的是,本步骤直接对蠕变状态进行判断并输出蠕变过程报告,直观了解当前岩质边坡的情况,便于后续的施工维护。
实施例2
如图2所示,本实施例提供了一种岩体蠕变状态的判断装置,装置包括:
获取模块1,用于获取第一信息和第二信息,第一信息包括现场边坡岩体的地形地貌、地质信息和环境参数,第二信息包括历史岩体蠕变资料。
构建模块2,用于根据地形地貌建立三维边坡模型,并根据地质信息中包含的岩土体物理参数和力学参数计算得到边坡岩体的现场岩体应力状态。
预测模块3,用于根据第二信息和预设的神经网络算法建立岩体强度预测数学模型,将现场岩体应力状态、地质信息和环境参数作为的岩体强度预测数学模型的输入值计算得到现场岩体强度。
判断模块4,基于岩体蠕变领域专业知识和岩体蠕变实例构建得到岩体蠕变状态判断专家系统,将地质信息、现场岩体应力状态和现场岩体强度作为岩体蠕变状态判断专家系统的输入值,得到岩体蠕变状态判断结果。
在本公开的一种具体实施方式中,预测模块3包括:
第一提取单元31,用于将第二信息进行特征提取得到样本数据集合,样本数据集合包括岩体强度数据以及对应的至少一种岩体强度影响因素数据。
第一处理单元32,用于对神经网络模型初始化权重和偏置值,并将所有岩体强度影响因素数据作为神经网络模型的输入值,将岩体强度数据作为真实值。
第二处理单元33,使用反向传播算法对神经网络模型进行多次迭代,得到岩体强度预测数学模型。
在本公开的一种具体实施方式中,第一提取单元31包括:
第三处理单元311,用于将第二信息中的历史岩体蠕变资料进行数据清洗和预处理得到标准数据。
第一聚类单元312,用于对标准数据进行聚类分析得到分类数据,分类数据中包括岩体强度数据和至少一种与岩体强度数据相关的影响数据。
第一计算单元313,用于将所有影响数据与岩体强度数据进行关联度计算,并按照相关性大小对所有影响数据进行排序。
第四处理单元314,用于根据排序后的所有影响数据和预设的阈值筛选得到至少一种岩体强度影响因素数据。
在本公开的一种具体实施方式中,判断模块4包括:
第一构建单元41,基于岩体蠕变领域专业知识和岩体蠕变实例构建得到知识库。
第二构建单元42,基于自然演绎推理的推理决策方式构建得到推理机。
第三构建单元43,用于根据岩体蠕变领域专业知识和岩体蠕变实例构建得到用于存放初始事实、问题描述、中间结果和最终结果信息的动态数据库。
第四构建单元44,用于根据预设的交互方式构建得到人机接口。
第五处理单元45,用于将地质信息进行处理得到岩体参数,岩体参数包括现场岩体种类和对应的岩体分级。
第六处理单元46,用于将岩体参数、现场岩体应力状态和现场岩体强度进行整合处理得到判断数据组。
第一判断单元47,用于将判断数据组输入至岩体蠕变状态判断专家系统进行判断得到判断结果。
在本公开的一种具体实施方式中,第一判断单元47包括:
第二聚类单元471,用于对历史岩体蠕变资料进行聚类分析得到分类后的蠕变阶段以及对应的特征值,蠕变阶段包括初始蠕变、稳定蠕变和加速蠕变。
第七处理单元472,用于将分类后的蠕变阶段进行组合得到至少三种蠕变过程报告。
第八处理单元473,用于将判断结果与蠕变过程报告建立映射关系。
第一输出单元474,用于将判断结果和对应的蠕变过程报告通过岩体蠕变状态判断专家系统进行输出。
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岩体蠕变状态的判断设备,下文描述的一种岩体蠕变状态的判断设备与上文描述的一种岩体蠕变状态的判断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岩体蠕变状态的判断设备800的框图。如图3所示,该岩体蠕变状态的判断设备800可以包括:处理器801,存储器802。该岩体蠕变状态的判断设备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用于控制该岩体蠕变状态的判断设备800的整体操作,以完成上述的岩体蠕变状态的判断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岩体蠕变状态的判断设备800的操作,这些数据例如可以包括用于在该岩体蠕变状态的判断设备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 RandomAccess Memory,简称SRAM),电可擦除可编程只读存储器(Electrically ErasableProgrammable Read-Only Memory,简称EEPROM),可擦除可编程只读存储器(ErasableProgrammable Read-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用于该岩体蠕变状态的判断设备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,岩体蠕变状态的判断设备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,用于执行上述的岩体蠕变状态的判断方法。
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岩体蠕变状态的判断方法的步骤。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,上述程序指令可由岩体蠕变状态的判断设备800的处理器801执行以完成上述的岩体蠕变状态的判断方法。
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岩体蠕变状态的判断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岩体蠕变状态的判断方法的步骤。
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)
1.一种岩体蠕变状态的判断方法,其特征在于,包括:
获取第一信息和第二信息,所述第一信息包括现场边坡岩体的地形地貌、地质信息和环境参数,所述第二信息包括历史岩体蠕变资料;
根据所述地形地貌建立三维边坡模型,并根据所述地质信息中包含的岩土体物理参数和力学参数计算得到边坡岩体的现场岩体应力状态;
根据所述第二信息和预设的神经网络算法建立岩体强度预测数学模型,将所述现场岩体应力状态、地质信息和环境参数作为所述的岩体强度预测数学模型的输入值计算得到现场岩体强度;
基于岩体蠕变领域专业知识和岩体蠕变实例构建得到岩体蠕变状态判断专家系统,将所述地质信息、所述现场岩体应力状态和所述现场岩体强度作为所述岩体蠕变状态判断专家系统的输入值,得到岩体蠕变状态判断结果。
2.根据权利要求1所述的岩体蠕变状态的判断方法,其特征在于, 根据所述第二信息和预设的神经网络算法建立岩体强度预测数学模型,包括:
将所述第二信息进行特征提取得到样本数据集合,所述样本数据集合包括岩体强度数据以及对应的至少一种岩体强度影响因素数据;
对神经网络模型初始化权重和偏置值,并将所有所述岩体强度影响因素数据作为所述神经网络模型的输入值,将所述岩体强度数据作为真实值;
使用反向传播算法对所述神经网络模型进行多次迭代,得到岩体强度预测数学模型。
3.根据权利要求2所述的岩体蠕变状态的判断方法,其特征在于,将所述第二信息进行特征提取得到样本数据集合,包括:
将第二信息中的历史岩体蠕变资料进行数据清洗和预处理得到标准数据;
对所述标准数据进行聚类分析得到分类数据,所述分类数据中包括岩体强度数据和至少一种与所述岩体强度数据相关的影响数据;
将所有所述影响数据与所述岩体强度数据进行关联度计算,并按照相关性大小对所有所述影响数据进行排序;
根据排序后的所有所述影响数据和预设的阈值筛选得到至少一种岩体强度影响因素数据。
4.根据权利要求1所述的岩体蠕变状态的判断方法,其特征在于, 将所述地质信息、所述现场岩体应力状态和所述现场岩体强度作为所述岩体蠕变状态判断专家系统的输入值,得到岩体蠕变状态判断结果,包括:
将所述地质信息进行处理得到岩体参数,所述岩体参数包括现场岩体种类和对应的岩体分级;
将所述岩体参数、所述现场岩体应力状态和所述现场岩体强度进行整合处理得到判断数据组;
将所述判断数据组输入至岩体蠕变状态判断专家系统进行判断得到判断结果。
5.一种岩体蠕变状态的判断装置,其特征在于,包括:
获取模块,用于获取第一信息和第二信息,所述第一信息包括现场边坡岩体的地形地貌、地质信息和环境参数,所述第二信息包括历史岩体蠕变资料;
构建模块,用于根据所述地形地貌建立三维边坡模型,并根据所述地质信息中包含的岩土体物理参数和力学参数计算得到边坡岩体的现场岩体应力状态;
预测模块,用于根据所述第二信息和预设的神经网络算法建立岩体强度预测数学模型,将所述现场岩体应力状态、地质信息和环境参数作为所述的岩体强度预测数学模型的输入值计算得到现场岩体强度;
判断模块,基于岩体蠕变领域专业知识和岩体蠕变实例构建得到岩体蠕变状态判断专家系统,将所述地质信息、所述现场岩体应力状态和所述现场岩体强度作为所述岩体蠕变状态判断专家系统的输入值,得到岩体蠕变状态判断结果。
6.根据权利要求5所述的岩体蠕变状态的判断装置,其特征在于,所述预测模块包括:
第一提取单元,用于将所述第二信息进行特征提取得到样本数据集合,所述样本数据集合包括岩体强度数据以及对应的至少一种岩体强度影响因素数据;
第一处理单元,用于对神经网络模型初始化权重和偏置值,并将所有所述岩体强度影响因素数据作为所述神经网络模型的输入值,将所述岩体强度数据作为真实值;
第二处理单元,使用反向传播算法对所述神经网络模型进行多次迭代,得到岩体强度预测数学模型。
7.根据权利要求6所述的岩体蠕变状态的判断装置,其特征在于,所述第一提取单元包括:
第三处理单元,用于将第二信息中的历史岩体蠕变资料进行数据清洗和预处理得到标准数据;
第一聚类单元,用于对所述标准数据进行聚类分析得到分类数据,所述分类数据中包括岩体强度数据和至少一种与所述岩体强度数据相关的影响数据;
第一计算单元,用于将所有所述影响数据与所述岩体强度数据进行关联度计算,并按照相关性大小对所有所述影响数据进行排序;
第四处理单元,用于根据排序后的所有所述影响数据和预设的阈值筛选得到至少一种岩体强度影响因素数据。
8.根据权利要求5所述的岩体蠕变状态的判断装置,其特征在于,所述判断模块包括:
第五处理单元,用于将所述地质信息进行处理得到岩体参数,所述岩体参数包括现场岩体种类和对应的岩体分级;
第六处理单元,用于将所述岩体参数、所述现场岩体应力状态和所述现场岩体强度进行整合处理得到判断数据组;
第一判断单元,用于将所述判断数据组输入至岩体蠕变状态判断专家系统进行判断得到判断结果。
9.一种岩体蠕变状态的判断设备,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任一项所述岩体蠕变状态的判断方法的步骤。
10.一种可读存储介质,其特征在于:所述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任一项所述岩体蠕变状态的判断方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310137617.7A CN115879380B (zh) | 2023-02-20 | 2023-02-20 | 岩体蠕变状态的判断方法、装置、设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310137617.7A CN115879380B (zh) | 2023-02-20 | 2023-02-20 | 岩体蠕变状态的判断方法、装置、设备及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115879380A true CN115879380A (zh) | 2023-03-31 |
CN115879380B CN115879380B (zh) | 2023-05-12 |
Family
ID=85761311
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310137617.7A Active CN115879380B (zh) | 2023-02-20 | 2023-02-20 | 岩体蠕变状态的判断方法、装置、设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115879380B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101533483A (zh) * | 2009-04-14 | 2009-09-16 | 江苏大学 | 金属塑料复合自润滑材料塑料工作层成分优化方法 |
CN112632720A (zh) * | 2020-12-16 | 2021-04-09 | 广东省科学院中乌焊接研究所 | 一种金属增材制造工艺系统多维数据融合及量化建模方法 |
CN115329679A (zh) * | 2022-10-12 | 2022-11-11 | 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 |
CN115455759A (zh) * | 2022-08-24 | 2022-12-09 | 武汉科技大学 | 一种含软弱夹层矿山边坡的动态监测预警方法 |
-
2023
- 2023-02-20 CN CN202310137617.7A patent/CN115879380B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101533483A (zh) * | 2009-04-14 | 2009-09-16 | 江苏大学 | 金属塑料复合自润滑材料塑料工作层成分优化方法 |
CN112632720A (zh) * | 2020-12-16 | 2021-04-09 | 广东省科学院中乌焊接研究所 | 一种金属增材制造工艺系统多维数据融合及量化建模方法 |
CN115455759A (zh) * | 2022-08-24 | 2022-12-09 | 武汉科技大学 | 一种含软弱夹层矿山边坡的动态监测预警方法 |
CN115329679A (zh) * | 2022-10-12 | 2022-11-11 | 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 |
Non-Patent Citations (4)
Title |
---|
杨天鸿 等: "露天矿边坡稳定性智能评价研究现状、存在问题及对策", 《煤炭学报》 * |
杨天鸿;王赫;董鑫;刘飞跃;张鹏海;邓文学;: "露天矿边坡稳定性智能评价研究现状、存在问题及对策", 煤炭学报 * |
靖洪文 等: "深部巷道围岩松动圈稳定控制理论与技术进展", 《采矿与安全工程学报》 * |
靖洪文;孟庆彬;朱俊福;孟波;蔚立元;: "深部巷道围岩松动圈稳定控制理论与技术进展", 采矿与安全工程学报 * |
Also Published As
Publication number | Publication date |
---|---|
CN115879380B (zh) | 2023-05-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhou et al. | Predicting tunnel squeezing using support vector machine optimized by whale optimization algorithm | |
Zhou et al. | Classification of rockburst in underground projects: comparison of ten supervised learning methods | |
Hanna et al. | Neural network model for liquefaction potential in soil deposits using Turkey and Taiwan earthquake data | |
CN102034042B (zh) | 基于函数调用关系图特征的恶意代码检测新方法 | |
CN114021487B (zh) | 一种山坡崩塌的预警方法、装置、设备及可读存储介质 | |
CN110738564A (zh) | 贷后风险评估方法及装置、存储介质 | |
CN104657512A (zh) | 利用bim实现钢桁拱桥梁工程量统计的方法及装置 | |
Muduli et al. | CPT-based probabilistic evaluation of seismic soil liquefaction potential using multi-gene genetic programming | |
Jiménez Rios et al. | Bridge management through digital twin-based anomaly detection systems: A systematic review | |
CN104885101A (zh) | 包括表征选择的不确定度的基于不完备描述对新总体成员的相似成员的自动选择 | |
CN115935640B (zh) | 滑坡敏感性预测模型建立方法及滑坡敏感性评价方法 | |
CN112330184A (zh) | 施工风险的预测方法、装置、设备和介质 | |
CN114219242A (zh) | 车辆装备的效能评估方法及效能评估体系构建系统 | |
CN113326863A (zh) | 建筑结构健康状况检测方法、系统及修缮方案确定方法 | |
Chou et al. | Forensic-based investigation-optimized extreme gradient boosting system for predicting compressive strength of ready-mixed concrete | |
CN111914943A (zh) | 倾倒式岩溶危岩稳定综合判别的信息向量机方法及装置 | |
Kadkhodaei et al. | Stochastic assessment of rockburst potential in underground spaces using Monte Carlo simulation | |
Li et al. | Research and application of an intelligent prediction of rock bursts based on a bayes-optimized convolutional neural network | |
CN113177644A (zh) | 一种基于词嵌入和深度时序模型的自动建模系统 | |
Naveen et al. | Landslide detection using machine learning algorithms | |
CN115879380B (zh) | 岩体蠕变状态的判断方法、装置、设备及可读存储介质 | |
CN116070675B (zh) | 边坡神经网络模型选取方法、装置、设备及可读存储介质 | |
CN116739317A (zh) | 一种矿用绞车自动化管理及调度平台、方法、设备及介质 | |
Elwakil et al. | Construction knowledge discovery system using fuzzy approach | |
CN111026790A (zh) | 一种基于数据挖掘的结构安全评估及预报方法 |
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 | ||
TR01 | Transfer of patent right |
Effective date of registration: 20240612 Address after: 610031 north section of two ring road, Sichuan, Chengdu Patentee after: SOUTHWEST JIAOTONG University Country or region after: China Patentee after: CHINA RAILWAY SICHUAN ECO-CITY INVESTMENT Co.,Ltd. Address before: 610031 No. two, section 111, ring road, Chengdu, Sichuan, China Patentee before: SOUTHWEST JIAOTONG University Country or region before: China |