CN116878432A - 一种公路采空区充填后的覆岩移动变形监测系统 - Google Patents
一种公路采空区充填后的覆岩移动变形监测系统 Download PDFInfo
- Publication number
- CN116878432A CN116878432A CN202311015262.0A CN202311015262A CN116878432A CN 116878432 A CN116878432 A CN 116878432A CN 202311015262 A CN202311015262 A CN 202311015262A CN 116878432 A CN116878432 A CN 116878432A
- Authority
- CN
- China
- Prior art keywords
- data
- deformation
- monitoring
- filling
- goaf
- 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.)
- Withdrawn
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 113
- 239000011435 rock Substances 0.000 claims abstract description 44
- 238000011156 evaluation Methods 0.000 claims abstract description 34
- 238000012545 processing Methods 0.000 claims abstract description 30
- 238000005259 measurement Methods 0.000 claims abstract description 21
- 238000000354 decomposition reaction Methods 0.000 claims description 37
- 238000000034 method Methods 0.000 claims description 36
- 238000004364 calculation method Methods 0.000 claims description 16
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 238000007781 pre-processing Methods 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 13
- 238000005516 engineering process Methods 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 8
- 238000001514 detection method Methods 0.000 claims description 7
- 238000006073 displacement reaction Methods 0.000 claims description 7
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 6
- 238000004140 cleaning Methods 0.000 claims description 5
- 238000009826 distribution Methods 0.000 claims description 5
- 238000012800 visualization Methods 0.000 claims description 5
- 238000000556 factor analysis Methods 0.000 claims description 4
- 238000007619 statistical method Methods 0.000 claims description 4
- 238000001228 spectrum Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 230000008859 change Effects 0.000 abstract description 8
- 230000004044 response Effects 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 23
- 230000008569 process Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000010219 correlation analysis Methods 0.000 description 4
- 238000000513 principal component analysis Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000013523 data management Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000005305 interferometry Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013079 data visualisation Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000009440 infrastructure construction Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013450 outlier detection Methods 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 230000001172 regenerating effect Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000003014 reinforcing effect Effects 0.000 description 1
- 238000004062 sedimentation Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B15/00—Measuring arrangements characterised by the use of electromagnetic waves or particle radiation, e.g. by the use of microwaves, X-rays, gamma rays or electrons
- G01B15/06—Measuring arrangements characterised by the use of electromagnetic waves or particle radiation, e.g. by the use of microwaves, X-rays, gamma rays or electrons for measuring the deformation in a solid
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B21/00—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant
- G01B21/32—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant for measuring the deformation in a solid
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
- G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/42—Determining position
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
- G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/42—Determining position
- G01S19/45—Determining position by combining measurements of signals from the satellite radio beacon positioning system with a supplementary measurement
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Electromagnetism (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明公开了一种公路采空区充填后的覆岩移动变形监测系统，该系统包括：数据测量单元、测量数据处理单元、变形预测单元及状态评估单元；数据测量单元，用于实时监测和数据采集；测量数据处理单元，用于对采集的覆岩移动变形数据进行分析处理；变形预测单元，用于基于处理后的数据对公路采空区充填后覆岩移动变形的趋势进行预测；状态评估单元，用于对安全状态评估。本发明能够及时掌握公路采空区充填区域的监测数据，很有帮助地预测变形范围以及未来变化趋势，以提前采取有效措施防止发生危险情况，便于及时了解采空区的变化情况评估风险等级，从而更加准确地制定并实施预警和应对措施，保障道路交通的安全。
Description
技术领域
本发明属于公路采空区安全监测领域，尤其是一种公路采空区充填后的覆岩移动变形监测系统。
背景技术
近年来，随着经济和社会的快速发展，我国基础设施建设投资持续增加，许多高速公路不可避免地需要跨越因地下资源开采而留下的采空区，采空区的存在改变了原有的地貌。而这些采空区的存在破坏了土体的稳定性，导致地表出现裂缝和沉降，对路基的稳定性带来了非常严重的影响。虽然大部分高速公路的采空区已经进行了注浆法加固处理，但由于采空区的复杂性和不确定性，仍然存在地面塌陷风险。如果发生地面塌陷，将导致公路路基不均匀沉降，路面开裂等病害，严重影响高速公路的正常运营。
为了防止采空区塌陷和保障高速公路的安全运营，需要采取一系列有效措施。除了采用注浆法等技术加固采空区外，还应在采空区周围设置警示标志，并定期进行监测和维护。同时，还可以利用现代科技手段，如地形雷达技术和遥感技术等，对采空区进行实时监测，提前预测出地面塌陷风险，并立即采取相应的措施来保证道路安全。目前，合成孔径雷达差分干涉测量技术以其高分辨率、高精确度、高敏感度与全天候的特点成为近年来监测变形的一种方法，通过合成孔径雷达差分干涉测量技术以进行采空区监测时，由于采空区复杂环境下还存在一定局限性，特别是对于长时间缓慢的地表变形，会造成影像的时间、空间失相干，同时还缺乏有效的预警机制导致难以及时发现并处理风险。
针对相关技术中的问题，目前尚未提出有效的解决方案。
发明内容
发明目的：提供一种公路采空区充填后的覆岩移动变形监测系统，以克服现有相关技术所存在的上述技术问题。
技术方案：一种公路采空区充填后的覆岩移动变形监测系统，该系统包括：数据测量单元、测量数据处理单元、变形预测单元及状态评估单元；
其中，所述数据测量单元，用于通过预先设置在公路采空区充填区域的传感器对公路采空区充填后的监测数据进行实时监测和数据采集；
所述测量数据处理单元，用于对采集的覆岩移动变形数据进行分析处理；
所述变形预测单元，用于基于处理后的数据对公路采空区充填后覆岩移动变形的趋势进行预测；
所述状态评估单元，用于对公路采空区充填后覆岩移动变形的程度进行安全状态评估。
在进一步的实施例中，所述测量数据处理单元包括数据预处理模块及数据计算模块；
其中，所述数据预处理模块，用于将采集监测数据中的检测数据进行预处理；
所述数据计算模块，用于基于预处理后的监测数据，并通过比较时间序列的数据计算覆岩移动的变形值参数。
在进一步的实施例中，，所述将采集监测数据中的检测数据进行预处理包括以下步骤：
对采集到的数据进行异常值进行数据清洗处理；
对清洗后的监测数据按不同监测点进行集成和分类，并进行存储；
对存储后的监测数据进行统计分析，在预设时间范围内生成局部监测曲线并通过可视化技术进行展现。
在进一步的实施例中，，所述基于预处理后的监测数据，并通过比较时间序列的数据计算覆岩移动的变形值参数包括以下步骤：
基于公路采空区充填区域的监测点，获取监测点的位置坐标信息并建立三维坐标系；
将获取的监测点位置坐标信息与初始监测点的位置坐标信息进行比对，得到覆岩移动的相对位移量；
根据得到的覆岩移动的相对位移量，计算每个监测点水平和竖直方向上的移动值及相邻两个监测点的水平变形和倾斜值。
在进一步的实施例中，，所述变形预测单元包括：数据分解模块及数据预测模块；
所述数据分解模块，用于通过集合经验模态分解法对计算后的覆岩移动变形值参数进行分解处理，将信号分解成固有模态函数；
所述数据预测模块，用于通过构建的变形预测模型对分解后的数据参数进行变形预测。
在进一步的实施例中，，所述通过集合经验模态分解法对计算后的覆岩移动变形值参数进行分解处理，将信号分解成固有模态函数包括步骤：
步骤一、定义添加白噪声的次数n，并将计算得到的覆岩移动变形值参数的数据序列作为原始序列加入等量长度的有限幅值的高斯白噪声序列，得到待分解的时间序列Y(t)；
步骤二、找出要分解的时间序列Y(t)所有的局部最大值点和最小值点，并利用三次样条函数的方法拟合时间序列Y(t)的极大值点和极小值点，构成上包络线和下包络线；
步骤三、计算上下包络线的平均值，得到均值包络线p1(t)；
步骤四、计算序列Y(t)与均值包络线p1(t)的差值，得到新的序列X1(t)；
步骤六、判断X1(t)是否满足IMF分量的条件，若满足，则X1(t)表示筛选出的第一个IMF分量为IMF1；
步骤七、将IMF1从时间序列Y(t)中减去并得到要分解的新时间序列R1，重复步骤二值步骤七n次，直至Rn为单调函数，则结束分解；
步骤八、利用限值标准差SD判断筛选是否终终止，当限值标准差SD小于预设的阈值是，则筛选结束，阈值的取值范围为0.2-0.3，时间序列Y(t)经步骤二至步骤八处理后得到不同尺度的IMF和余项；
步骤九、利用白噪声频谱的均值为零，n次分解得到的各IMF进行均值处理，得到EEMD分解后最终的IMF分量和趋势项；
步骤十，计算覆岩移动变形值参数的数据序列Y(t)与分解出来的各趋势项的关系。
在进一步的实施例中，，所述计算覆岩移动变形值参数的数据序列Y(t)与分解出来的各趋势项的关系的计算公式为：
式中，Y(t)表示覆岩移动变形值参数的数据序列,t＝1,2,3,…m；且t表示监测时间，m表示监测总次数；
n表示IMF分量的总次数；
Mj(t)表示分解所得到的第j个分量，且j＝1,2,3,…n；
r(t)表示分解后的趋势项。
在进一步的实施例中，，所述通过构建的变形预测模型对分解后的数据参数进行变形预测包括以下步骤：
对分解后的IMF分量进行特征分析以及影响因素的分析；
构建变形预测模型并对IMF分量进行预测；
累加各分量IMF分量的预测结果，并得到公路采空区充填后的覆岩移动变形的预测值。
在进一步的实施例中，，所述构建变形预测模型包括以下步骤：
将分解后的IMF分量作为样本数据，并将样本数据按照预设比例划分为训练集和测试集；
基于训练集数据利用ELM算法构建变形预测模型；
利用测试集与构建的变形预测模型进行预测，并对预测结果进行评估。
在进一步的实施例中，，所述对公路采空区充填后覆岩移动变形的程度进行安全状态评估包括以下步骤：
确定评价因素指标，构成指标集；
基于梯形隶属函数对各个评价因素指标进行模糊化处理；
根据评价因素，制定相应的权重分配，并将每个因素的隶属函数带入到预设的综合评判模型中进行计算；
通过计算得出的模糊集结果，可以得出采空区充填后覆岩移动变形程度的安全状态评估值，并根据模糊集的隶属程度判断安全状态。
有益效果：
1、本发明通过采用一些预先设置在公路采空区充填区域的传感器，以实时监测并记录公路采空区充填后的各种监测数据，从而能够及时掌握公路采空区充填区域的监测数据，在测量数据处理单元的作用下能够对采集的数据进行分析处理，提高了数据的可靠性和精度，减小了误差，并通过变形预测单元对公路采空区充填后覆岩移动变形的趋势进行预测，很有帮助地预测变形范围以及未来变化趋势，以提前采取有效措施防止发生危险情况，同时状态评估单元对公路采空区充填后覆岩移动变形的程度进行安全状态评估，便于及时了解采空区的变化情况评估风险等级，从而更加准确地制定并实施预警和应对措施，保障道路交通的安全。
2、本发明通过对采集到的数据进行异常值进行数据清洗处理，可以提高数据的准确性和可靠性，降低误差引入，从而提高数据质量，按照不同监测点集成和分类，对监测数据进行存储，方便后续数据管理、查找和分析，通过局部监测曲线的生成，并在可视化技术进行展现，能够方便用户快速查询相关数据，更加之间的了解公路采空区充填后的覆岩移动变形情况。
3、本发明通过集合经验模态分解法对计算后的覆岩移动变形值参数进行分解处理，将信号分解成固有模态函数，可以提高对复杂系统的理解：通过将复杂系统的信号分解成固有模态函数，可以更好地把握系统的运动特征，直观地展示出其内在规律性，通过添加白噪声和构建包络线可以有效减小噪声对信号的干扰，保证得到的分解结果更为可靠，从而能够方便后续对数据进行处理，提高数据处理效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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的附图。
图1是根据本发明实施例的一种公路采空区充填后的覆岩移动变形监测系统的原理框图。
图中：
1、数据测量单元；2、测量数据处理单元；3、变形预测单元；4、状态评估单元。
具体实施方式
在下文的描述中，给出了大量具体的细节以便提供对本发明更为彻底的理解。然而，对于本领域技术人员而言显而易见的是，本发明可以无需一个或多个这些细节而得以实施。在其他的例子中，为了避免与本发明发生混淆，对于本领域公知的一些技术特征未进行描述。
根据本发明的实施例，提供了一种公路采空区充填后的覆岩移动变形监测系统。
如图1所示，根据本发明实施例的公路采空区充填后的覆岩移动变形监测系统，该系统包括：数据测量单元1、测量数据处理单元2、变形预测单元3及状态评估单元4；
其中，所述数据测量单元1，用于通过预先设置在公路采空区充填区域的传感器对公路采空区充填后的监测数据进行实时监测和数据采集；
需要说明的是，在公路采空区充填区域的传感器安装步骤如下：
在充填区域选择合适的位置安装传感器，并确保传感器与基准点之间有足够的距离，以便捕捉到变形量；
将传感器连接到数据采集设备并调试设备参数，以确保其正常工作；
设置仪器采集数据的时间间隔，一般按照每天、每周或每月等不同的时间尺度进行设定；
所述测量数据处理单元2，用于对采集的覆岩移动变形数据进行分析处理；
优选的，所述测量数据处理单元2包括数据预处理模块及数据计算模块；
其中，所述数据预处理模块，用于将采集监测数据中的检测数据进行预处理；
具体的，所述将采集监测数据中的检测数据进行预处理包括以下步骤：
对采集到的数据进行异常值进行数据清洗处理；
需要说明的是，异常值是指与其他观测值差异太大的数据点。这些异常值可能是由于传感器或设备故障、环境影响等原因引起的，将其纳入分析会导致结果不准确或偏离真实情况。因此，进行异常值检测和处理是对监测数据进行预处理的一个重要步骤。异常值检测可以采用基本统计方法(如标准差法、均方根法)或机器学习方法等方式。一旦发现异常值，可以通过以下两种方式进行处理：剔除异常值：将超出合理范围的数据点从数据集中完全剔除；插值替换：通过对异常值进行修改、增加或重新生成一些值来替代异常值，在误差可能较小时会尽量保留更多样本。
对清洗后的监测数据按不同监测点进行集成和分类，并进行存储；
需要说明的是，将采集到的数据根据监测点标志、类型等信息进行分类，以方便后续的分析和存储。例如，可以将不同监测点的数据分别存储到相应的文件夹或数据库表中，同时，可以考虑将同一时间段内的相似类型监测数据存储在同一个文件中。
对存储后的监测数据进行统计分析，在预设时间范围内生成局部监测曲线并通过可视化技术进行展现。
需要说明的是，将监测点按时间序列排序后，可以通过插值算法(如样条插值)或回归模型进行拟合，得到对应时间段内各监测点位的监测值。根据需求不同，可以生成各种形式的局部曲线等图表并加以标注注释，然后可以采用各种数据可视化工具和图表库，如matplotlib、Seaborn等方式生成详细、直观的局部监测图，以帮助用户更直观地查看数据。
所述数据计算模块，用于基于预处理后的监测数据，并通过比较时间序列的数据计算覆岩移动的变形值参数。
具体的，所述基于预处理后的监测数据，并通过比较时间序列的数据计算覆岩移动的变形值参数包括以下步骤：
基于公路采空区充填区域的监测点，获取监测点的位置坐标信息并建立三维坐标系；
需要说明的是，根据实际情况，选择适合的GPS设备进行数据采集和处理。常见的GPS设备有全站仪、GNSS测量仪、手持GPS等，在公路采空区充填监测区内按照规划需求和结构要求确定监测点并进行标注，以方便GPS设备对其进行准确测量，在每个监测点处安装并定位GPS设备，同时通过设备的操作界面或专业测绘软件来采集经纬度及高程相关信息，通过上述采集到的GPS测量数据，结合基准系统和辅助系统的参数信息将它们统一转换至同一参考坐标系中，并将创建出的所有独立观测的坐标值进行组合，并计算得出各个监测点的三维坐标轴参数，建立所需的三维坐标系。
将获取的监测点位置坐标信息与初始监测点的位置坐标信息进行比对，得到覆岩移动的相对位移量；
需要说明的是，为了使比对结果可靠和准确，需要在监测区域内选择一个相对固定不变的基准点，并将其位置作为参考点(或称为基准点)记录下来，作为初始监测点的位置坐标信息，通过GPS设备等方式获取实时监测点在三维坐标系中的位置坐标信息，根据实时数据和基准数据的位置坐标信息，进行位置差比较与计算，从而得出各监测点的相对位移量。
根据得到的覆岩移动的相对位移量，计算每个监测点水平和竖直方向上的移动值及相邻两个监测点的水平变形和倾斜值。
所述变形预测单元3，用于基于处理后的数据对公路采空区充填后覆岩移动变形的趋势进行预测；
优选的，所述变形预测单元3包括：数据分解模块及数据预测模块；
所述数据分解模块，用于通过集合经验模态分解法对计算后的覆岩移动变形值参数进行分解处理，将信号分解成固有模态函数；
需要说明的是，集合经验模态分解(EEMD)算法是一种改进过的经验模态分解算法。与传统的经验模态分解算法使用固定的稳定噪声相比，集合经验模态分解算法通过多次添加不同的随机噪声来有效地抑制了白噪声对分解结果的影响，并消除了经验模态分解算法中存在的边界效应问题，集合经验模态分解法是一种有效、无需先验知识和单调信号假设的自适应数据分析方法，通过对计算后的覆岩移动变形值参数进行分解处理，可以获取不同尺度的IMF分量和趋势项。
具体的，所述通过集合经验模态分解法对计算后的覆岩移动变形值参数进行分解处理，将信号分解成固有模态函数包括步骤：
步骤一、定义添加白噪声的次数n，并将计算得到的覆岩移动变形值参数的数据序列作为原始序列加入等量长度的有限幅值的高斯白噪声序列，得到待分解的时间序列Y(t)；
步骤二、找出要分解的时间序列Y(t)所有的局部最大值点和最小值点，并利用三次样条函数的方法拟合时间序列Y(t)的极大值点和极小值点，构成上包络线和下包络线；
步骤三、计算上下包络线的平均值，得到均值包络线p1(t)；
步骤四、计算序列Y(t)与均值包络线p1(t)的差值，得到新的序列X1(t)；
步骤六、判断X1(t)是否满足IMF分量的条件，若满足，则X1(t)表示筛选出的第一个IMF分量为IMF1；
步骤七、将IMF1从时间序列Y(t)中减去并得到要分解的新时间序列R1，重复步骤二值步骤七n次，直至Rn为单调函数，则结束分解；
步骤八、利用限值标准差SD判断筛选是否终终止，当限值标准差SD小于预设的阈值是，则筛选结束，阈值的取值范围为0.2-0.3，时间序列Y(t)经步骤二至步骤八处理后得到不同尺度的IMF和余项；
步骤九、利用白噪声频谱的均值为零，n次分解得到的各IMF进行均值处理，得到EEMD分解后最终的IMF分量和趋势项；
步骤十，计算覆岩移动变形值参数的数据序列Y(t)与分解出来的各趋势项的关系。
具体的，所述计算覆岩移动变形值参数的数据序列Y(t)与分解出来的各趋势项的关系的计算公式为：
式中，Y(t)表示覆岩移动变形值参数的数据序列,t＝1,2,3,…m；且t表示监测时间，m表示监测总次数；
n表示IMF分量的总次数；
Mj(t)表示分解所得到的第j个分量，且j＝1,2,3,…n；
r(t)表示分解后的趋势项。
所述数据预测模块3，用于通过构建的变形预测模型对分解后的数据参数进行变形预测；
优选的，所述通过构建的变形预测模型对分解后的数据参数进行变形预测包括以下步骤：
对分解后的IMF分量进行特征分析以及影响因素的分析；
需要说明的是，对分解后的IMF分量进行特征分析以及影响因素的分析可以帮助我们深入理解各分量的变化规律，从而更好地选择适合的预测方法和建立预测模型。具体步骤如下：分析分量的时域和频域特征，包括均值、方差、振幅、周期等指标。时域特征通常反映信号的统计特性和动态变化情况，频域特征可以揭示信号的谐波分量和共振现象。
观察分量与监测时间和空间相关的指标之间的关系。通过相关性分析和多元回归分析，找出主要的影响因素。
构建变形预测模型并对IMF分量进行预测；
具体的，所述构建变形预测模型包括以下步骤：
将分解后的IMF分量作为样本数据，并将样本数据按照预设比例划分为训练集和测试集；一般采用70％的样本数据作为训练集，30％的样本数据作为测试集。
基于训练集数据利用ELM算法构建变形预测模型；
需要说明的是，ELM算法是一种快速、有效和可扩展的人工神经网络算法。与传统的BP神经网络相比，ELM算法通过随机生成输入层-隐藏层之间的权值和阈值，从而消除了训练过程中的迭代过程，使得模型训练速度更快且具有优越的泛化能力。利用ELM算法构建变形预测模型具体步骤如下：
从全部的IMF分量中选取部分分量作为自变量，将其与对应的监测时间、空间指标作为输入数据。这些数据组成了训练集；
设定隐藏层节点数，初始化随机权值和阈值，选择激活函数等。这些参数需根据实际情况进行选择，影响模型的预测效果；
建立输入矩阵H，并利用随机向量法或正交匹配追踪法等方法训练出一组最优权重系数，使得ELM网络对训练样本达到最佳拟合效果；
利用测试集与构建的变形预测模型进行预测，并对预测结果进行评估。
需要说明的是，利用测试集数据进行变形预测模型验证，计算各项评价指标，如平均相对误差、平均绝对误差和均方根误差等。如果预测效果不理想，需要调整参数并重新训练变形预测模型，在过拟合和欠拟合之间找到一个平衡点，通过不断训练与测试，调整模型参数，直到变形预测模型拟合效果最优。
累加各分量IMF分量的预测结果，并得到公路采空区充填后的覆岩移动变形的预测值。
需要说明的是，对每个IMF分量分别进行预测，得到每个分量在未来一段时间内的预测结果。对所有IMF分量的预测结果进行累加，得到在未来一段时间内整个信号的预测结果。
所述状态评估单元4，用于对公路采空区充填后覆岩移动变形的程度进行安全状态评估。
具体的，所述对公路采空区充填后覆岩移动变形的程度进行安全状态评估包括以下步骤：
确定评价因素指标，构成指标集；
需要说明的是，评价因素指标包括地质条件、采空区充填条件、监测数据等多个方面的影响因素。；
基于梯形隶属函数对各个评价因素指标进行模糊化处理；
需要说明的是，根据实际情况，给出每个评价因素的梯形隶属函数。梯形隶属函数通常由四个参数构成：左侧起始点a、左侧终止点b、右侧终止点c以及右侧起始点d。其中，起始点和终止点可以设置不同的取值，以适应数据分布的特征。
模糊化处理是将原始评价因素指标映射到梯形隶属函数上，并获得其对应的隶属度值。在此过程中，可以使用最大隶属度原则。
根据评价因素，制定相应的权重分配，并将每个因素的隶属函数带入到预设的综合评判模型中进行计算；
需要说明的是，综合评判模型是指一种将多个指标或因素通过加权平均、主成分分析等方法整合起来综合评估某个对象的模型。其目的在于简化决策过程，减少人为因素的干扰，提高决策的客观性和科学性。基于主客观权重法或主成分分析等方法，根据实际应用需求制定相应的权重分配。这些权重反映了各个评价因素在评价指标集中所占的比例和重要性程度。
确定权重的方法有很多，包括层次分析法、主成分分析法、熵值法、灰色关联分析法等。其中，灰色关联分析法在处理灰色信息系统中具有明确的原理、简单的运算方法、客观可靠的计算结果等优点。具体来说，在灰色关联分析中，首先需要确定一个母因素的指标序列作为参考序列，母因素通常是指标集中与研究对象关联度最大的因素。然后，将其他各个因素的指标序列与参考序列做关联度计算，得到它们与参考序列的关联度值，即灰色关联度。根据各因素的灰色关联度，可求出其权重值。
通过计算得出的模糊集结果，可以得出采空区充填后覆岩移动变形程度的安全状态评估值，并根据模糊集的隶属程度判断安全状态。
综上所述，借助于本发明的上述技术方案，本发明通过采用一些预先设置在公路采空区充填区域的传感器，以实时监测并记录公路采空区充填后的各种监测数据，从而能够及时掌握公路采空区充填区域的监测数据，在测量数据处理单元2的作用下能够对采集的数据进行分析处理，提高了数据的可靠性和精度，减小了误差，并通过变形预测单元3对公路采空区充填后覆岩移动变形的趋势进行预测，很有帮助地预测变形范围以及未来变化趋势，以提前采取有效措施防止发生危险情况，同时状态评估单元对公路采空区充填后覆岩移动变形的程度进行安全状态评估，便于及时了解采空区的变化情况评估风险等级，从而更加准确地制定并实施预警和应对措施，保障道路交通的安全；本发明通过对采集到的数据进行异常值进行数据清洗处理，可以提高数据的准确性和可靠性，降低误差引入，从而提高数据质量，按照不同监测点集成和分类，对监测数据进行存储，方便后续数据管理、查找和分析，通过局部监测曲线的生成，并在可视化技术进行展现，能够方便用户快速查询相关数据，更加之间的了解公路采空区充填后的覆岩移动变形情况；本发明通过集合经验模态分解法对计算后的覆岩移动变形值参数进行分解处理，将信号分解成固有模态函数，可以提高对复杂系统的理解：通过将复杂系统的信号分解成固有模态函数，可以更好地把握系统的运动特征，直观地展示出其内在规律性，通过添加白噪声和构建包络线可以有效减小噪声对信号的干扰，保证得到的分解结果更为可靠，从而能够方便后续对数据进行处理，提高数据处理效率。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，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。
Claims (10)
1.一种公路采空区充填后的覆岩移动变形监测系统，其特征在于，该系统包括：数据测量单元、测量数据处理单元、变形预测单元及状态评估单元；
其中，所述数据测量单元，用于通过预先设置在公路采空区充填区域的传感器对公路采空区充填后的监测数据进行实时监测和数据采集；
所述测量数据处理单元，用于对采集的覆岩移动变形数据进行分析处理；
所述变形预测单元，用于基于处理后的数据对公路采空区充填后覆岩移动变形的趋势进行预测；
所述状态评估单元，用于对公路采空区充填后覆岩移动变形的程度进行安全状态评估。
2.根据权利要求1所述的公路采空区充填后的覆岩移动变形监测系统，其特征在于，所述测量数据处理单元包括数据预处理模块及数据计算模块；
其中，所述数据预处理模块，用于将采集监测数据中的检测数据进行预处理；
所述数据计算模块，用于基于预处理后的监测数据，并通过比较时间序列的数据计算覆岩移动的变形值参数。
3.根据权利要求2所述的公路采空区充填后的覆岩移动变形监测系统，其特征在于，所述将采集监测数据中的检测数据进行预处理包括以下步骤：
对采集到的数据进行异常值进行数据清洗处理；
对清洗后的监测数据按不同监测点进行集成和分类，并进行存储；
对存储后的监测数据进行统计分析，在预设时间范围内生成局部监测曲线并通过可视化技术进行展现。
4.根据权利要求2所述的公路采空区充填后的覆岩移动变形监测系统，其特征在于，所述基于预处理后的监测数据，并通过比较时间序列的数据计算覆岩移动的变形值参数包括以下步骤：
基于公路采空区充填区域的监测点，获取监测点的位置坐标信息并建立三维坐标系；
将获取的监测点位置坐标信息与初始监测点的位置坐标信息进行比对，得到覆岩移动的相对位移量；
根据得到的覆岩移动的相对位移量，计算每个监测点水平和竖直方向上的移动值及相邻两个监测点的水平变形和倾斜值。
5.根据权利要求2所述的公路采空区充填后的覆岩移动变形监测系统，其特征在于，所述变形预测单元包括：数据分解模块及数据预测模块；
所述数据分解模块，用于通过集合经验模态分解法对计算后的覆岩移动变形值参数进行分解处理，将信号分解成固有模态函数；
所述数据预测模块，用于通过构建的变形预测模型对分解后的数据参数进行变形预测。
6.根据权利要求5所述的公路采空区充填后的覆岩移动变形监测系统，其特征在于，所述通过集合经验模态分解法对计算后的覆岩移动变形值参数进行分解处理，将信号分解成固有模态函数包括步骤：
步骤一、定义添加白噪声的次数n，并将计算得到的覆岩移动变形值参数的数据序列作为原始序列加入等量长度的有限幅值的高斯白噪声序列，得到待分解的时间序列Y(t)；
步骤二、找出要分解的时间序列Y(t)所有的局部最大值点和最小值点，并利用三次样条函数的方法拟合时间序列Y(t)的极大值点和极小值点，构成上包络线和下包络线；
步骤三、计算上下包络线的平均值，得到均值包络线p1(t)；
步骤四、计算序列Y(t)与均值包络线p1(t)的差值，得到新的序列X1(t)；
步骤六、判断X1(t)是否满足IMF分量的条件，若满足，则X1(t)表示筛选出的第一个IMF分量为IMF1；
步骤七、将IMF1从时间序列Y(t)中减去并得到要分解的新时间序列R1，重复步骤二值步骤七n次，直至Rn为单调函数，则结束分解；
步骤八、利用限值标准差SD判断筛选是否终终止，当限值标准差SD小于预设的阈值是，则筛选结束，阈值的取值范围为0.2-0.3，时间序列Y(t)经步骤二至步骤八处理后得到不同尺度的IMF和余项；
步骤九、利用白噪声频谱的均值为零，n次分解得到的各IMF进行均值处理，得到EEMD分解后最终的IMF分量和趋势项；
步骤十，计算覆岩移动变形值参数的数据序列Y(t)与分解出来的各趋势项的关系。
7.根据权利要求6所述的公路采空区充填后的覆岩移动变形监测系统，其特征在于，所述计算覆岩移动变形值参数的数据序列Y(t)与分解出来的各趋势项的关系的计算公式为：
式中，Y(t)表示覆岩移动变形值参数的数据序列,t＝1,2,3,…m；且t表示监测时间，m表示监测总次数；
n表示IMF分量的总次数；
Mj(t)表示分解所得到的第j个分量，且j＝1,2,3,…n；
r(t)表示分解后的趋势项。
8.根据权利要求5所述的公路采空区充填后的覆岩移动变形监测系统，其特征在于，所述通过构建的变形预测模型对分解后的数据参数进行变形预测包括以下步骤：
对分解后的IMF分量进行特征分析以及影响因素的分析；
构建变形预测模型并对IMF分量进行预测；
累加各分量IMF分量的预测结果，并得到公路采空区充填后的覆岩移动变形的预测值。
9.根据权利要求8所述的公路采空区充填后的覆岩移动变形监测系统，其特征在于，所述构建变形预测模型包括以下步骤：
将分解后的IMF分量作为样本数据，并将样本数据按照预设比例划分为训练集和测试集；
基于训练集数据利用ELM算法构建变形预测模型；
利用测试集与构建的变形预测模型进行预测，并对预测结果进行评估。
10.根据权利要求9所述的公路采空区充填后的覆岩移动变形监测系统，其特征在于，所述对公路采空区充填后覆岩移动变形的程度进行安全状态评估包括以下步骤：
确定评价因素指标，构成指标集；
基于梯形隶属函数对各个评价因素指标进行模糊化处理；
根据评价因素，制定相应的权重分配，并将每个因素的隶属函数带入到预设的综合评判模型中进行计算；
通过计算得出的模糊集结果，可以得出采空区充填后覆岩移动变形程度的安全状态评估值，并根据模糊集的隶属程度判断安全状态。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311015262.0A CN116878432A (zh) | 2023-08-14 | 2023-08-14 | 一种公路采空区充填后的覆岩移动变形监测系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311015262.0A CN116878432A (zh) | 2023-08-14 | 2023-08-14 | 一种公路采空区充填后的覆岩移动变形监测系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116878432A true CN116878432A (zh) | 2023-10-13 |
Family
ID=88260635
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311015262.0A Withdrawn CN116878432A (zh) | 2023-08-14 | 2023-08-14 | 一种公路采空区充填后的覆岩移动变形监测系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116878432A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118244296A (zh) * | 2024-05-27 | 2024-06-25 | 山东鹏程路桥集团有限公司 | 高速公路下伏采空区的自动化监测预警平台 |
-
2023
- 2023-08-14 CN CN202311015262.0A patent/CN116878432A/zh not_active Withdrawn
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118244296A (zh) * | 2024-05-27 | 2024-06-25 | 山东鹏程路桥集团有限公司 | 高速公路下伏采空区的自动化监测预警平台 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111623722B (zh) | 一种基于多传感器的边坡变形立体监测系统和方法 | |
| CN116975576B (zh) | 基于关键信息统计的山区公路地质灾害危险性评价方法 | |
| CN108918815B (zh) | 一种土壤重金属风险预测方法 | |
| CN109029881B (zh) | 一种基于轨道刚度和探地雷达检测的道床状态评估方法 | |
| CN105239608A (zh) | 一种基于wt-rs-svr相结合的滑坡位移预测方法 | |
| CN102576370B (zh) | 空隙度分析的系统和方法 | |
| CN116878432A (zh) | 一种公路采空区充填后的覆岩移动变形监测系统 | |
| CN113720639B (zh) | 一种污染场地调查补充采样的方法 | |
| CN113360587B (zh) | 一种基于gis技术的土地测绘设备及测绘方法 | |
| CN115481792A (zh) | 基于粗糙集和云模型的隧道地质预报方法及系统 | |
| CN112989481B (zh) | 复杂地质隧道施工围岩稳定可视化图像数据处理方法 | |
| CN112529267A (zh) | 一种基于模糊综合评价法的超前地质预报方法及系统 | |
| CN118395193B (zh) | 基于人工智能的边坡失稳预测方法及系统 | |
| CN116403093A (zh) | 一种面向铁路沿线潜在滑坡的多源遥感解译方法及装置 | |
| CN115345069A (zh) | 一种基于最大水深记录和机器学习的湖泊水量估算方法 | |
| Kalpoma et al. | Satellite image database creation for road quality measurement of national highways of bangladesh | |
| CN113449362A (zh) | 基于5g移动网络的道路勘察设计方法及系统 | |
| CN113240357A (zh) | 一种红层地区公路边坡稳定性快速评价方法 | |
| CN109598310B (zh) | 一种多因子敏感设施识别方法 | |
| CN116188266A (zh) | 一种基于模糊理论与集成学习对地质勘查的空间插值方法 | |
| CN113723531B (zh) | 面向全运行周期的矿区地表形变实时/准实时监测方法 | |
| CN112859073A (zh) | 一种基于PSInSAR技术的道路破损评估方法 | |
| CN118244296B (zh) | 高速公路下伏采空区的自动化监测预警平台 | |
| Vîlceanu et al. | Geostatistical analysis for landslide prediction in Transilvania, Romania | |
| CN118396384B (zh) | 一种基于机器学习的山体崩塌堆积物计算方法及其系统 |
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 | ||
| WW01 | Invention patent application withdrawn after publication | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20231013 |