CN117131761A - 水库首次蓄水期的库岸滑坡预测方法 - Google Patents
水库首次蓄水期的库岸滑坡预测方法 Download PDFInfo
- Publication number
- CN117131761A CN117131761A CN202310947199.8A CN202310947199A CN117131761A CN 117131761 A CN117131761 A CN 117131761A CN 202310947199 A CN202310947199 A CN 202310947199A CN 117131761 A CN117131761 A CN 117131761A
- Authority
- CN
- China
- Prior art keywords
- reservoir
- landslide
- area
- water storage
- grid point
- 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
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 114
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000010801 machine learning Methods 0.000 claims abstract description 30
- 238000011156 evaluation Methods 0.000 claims abstract description 29
- 238000011161 development Methods 0.000 claims abstract description 5
- 239000002689 soil Substances 0.000 claims description 14
- 238000011160 research Methods 0.000 claims description 10
- 238000003066 decision tree Methods 0.000 claims description 9
- 238000007637 random forest analysis Methods 0.000 claims description 8
- 230000035699 permeability Effects 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 claims description 4
- 239000011435 rock Substances 0.000 claims description 4
- 238000012706 support-vector machine Methods 0.000 claims description 4
- 230000009189 diving Effects 0.000 claims description 3
- 239000003673 groundwater Substances 0.000 claims description 3
- 238000001764 infiltration Methods 0.000 claims description 3
- 230000008595 infiltration Effects 0.000 claims description 3
- 238000002791 soaking Methods 0.000 claims description 3
- 238000006467 substitution reaction Methods 0.000 claims description 3
- 238000012876 topography Methods 0.000 claims description 3
- 238000009736 wetting Methods 0.000 claims description 2
- 230000002265 prevention Effects 0.000 abstract description 5
- 241000124879 Grus leucogeranus Species 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000011148 porous material Substances 0.000 description 1
- 238000010008 shearing Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
Classifications
-
- 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
- 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
- G06Q50/06—Energy or water supply
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/08—Fluids
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Primary Health Care (AREA)
- Evolutionary Computation (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- Water Supply & Treatment (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Public Health (AREA)
- Software Systems (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Pit Excavations, Shoring, Fill Or Stabilisation Of Slopes (AREA)
Abstract
本发明公开了一种水库首次蓄水期的库岸滑坡预测方法,其包括以下步骤:收集基础地质资料;根据滑坡发育分布规律选用若干个评价因子并通过皮尔逊相关系数法进行因子共线性分析,保留相关性低于阈值的评价因子;选择机器学习模型并将上述评价因子输入至机器学习模型,得到滑坡易发性评价;根据基础地质资料并通过物理驱动模型进行计算得到稳定性系数;根据稳定性系数和滑坡易发性评价构建库岸滑坡预测模型;通过库岸滑坡预测模型完成对水库首次蓄水期的库岸滑坡的预测。本发明有效地预测水库在首次蓄水期可能产生的滑坡灾害,其预测结果的准确性高,为首次蓄水期库岸滑坡预防与治理工作提供较好的指导,减少首次蓄水期库岸滑坡灾害产生的损失。
Description
技术领域
本发明涉及区域滑坡灾害预测技术领域,具体涉及水库首次蓄水期的库岸滑坡预测方法。
背景技术
水电站首次蓄水过程中,库水的大幅度抬升将引起原来未涉水库岸岩土体的物理化学性质的变化,包括土壤的饱和度、孔隙水压、剪切强度等等,从而导致岸坡突然变形和破坏。即使库区地质灾害防治部门耗费大量的人力和物力在蓄水初期进行滑坡地质灾害调查和排查,仍然发生了诸如意大利的瓦依昂滑坡、三峡库区的千将坪滑坡和溪洛渡库区黄坪村滑坡等滑坡灾害事件,且均发生在水库首次蓄水期,造成了严重的人员伤亡和大量的财产损失。因此,如何事前及时准确地找出首次蓄水期的滑坡灾害,减少发生库岸滑坡灾害产生的损失,是当前库区地质灾害防治部门和地质灾害研究人员关注的重点。
目前,研究人员提出了各种方法,例如苏燕等人发明一种基于域自适应迁移学习的无样本库区滑坡易发性预测方法,实现了无样本区域的无监督滑坡易发性预测。此方法需要已有的库岸滑坡数据集为基础来建立库岸滑坡预测模型,如此才能对无样本的偏远库区的库岸滑坡进行预测,但只能做到跨空间区域的库岸滑坡预测,而无法在库区首次蓄水前缺乏库岸滑坡数据集的情况下进行跨时间的库岸滑坡预测。
发明内容
针对现有技术中的上述不足,本发明提供的水库首次蓄水期的库岸滑坡预测方法解决了现有技术无法在库区首次蓄水前缺乏库岸滑坡数据集的情况下进行跨时间的库岸滑坡预测的问题。
为了达到上述发明目的,本发明采用的技术方案为:
提供了一种水库首次蓄水期的库岸滑坡预测方法包括以下步骤:
S1、收集基础地质资料;
S2、根据库区蓄水前滑坡发育分布规律选用若干个评价因子并通过皮尔逊相关系数法进行因子共线性分析,保留相关性低于阈值的评价因子;
S3、选择机器学习模型并将相关性低于阈值的评价因子输入至机器学习模型,得到滑坡易发性评价;
S4、根据基础地质资料并通过物理驱动模型进行计算得到稳定性系数;
S5、根据稳定性系数和滑坡易发性评价构建库岸滑坡预测模型;通过库岸滑坡预测模型完成对水库首次蓄水期的库岸滑坡的预测。
进一步地,步骤S1中的基础地质资料包括:在水库首次蓄水前的地层岩性、地形图、地质构造、气象水文、历史滑坡点、覆盖层厚度和岩土体力学参数;其中:
地层岩性、地形图、地质构造、气象水文和历史滑坡点参数,用于滑坡易发生评价;
覆盖层厚度和岩土体力学参数,包括黏聚力、内摩擦角、天然重度、饱和重度、渗透系数和给水度,用于稳定性系数计算。
进一步地,步骤S3的具体步骤为:
S3-1、在研究区域的滑坡范围内随机提取1000个滑坡栅格单元,并将其易发性赋值为1;在研究区域的非滑坡范围内随机选取1000个非滑坡栅格单元,并将其易发性赋值为0;
S3-2、选择机器学习模型;将相关性低于阈值的评价因子作为机器学习模型的输入,将是否为滑坡栅格单元作为机器学习模型的输出,并对机器学习模型进行训练,得到训练后的机器学习模型;
S3-3、将研究区内所有栅格单元不同属性的值输入至训练后的机器学习模型,得到滑坡易发性指数;
S3-4、将滑坡易发性指数输入至ArcGIS并按照自然间断法划分为低易发区、中易发性区、高易发区和极高易发区,即滑坡易发性评价。
进一步地,步骤S3中的机器学习模型为随机森林模型、支持向量机模型、决策树和神经网络模型中的一个。
进一步地,步骤S4的具体步骤为:
S4-1、根据公式:
得到水库水位上升时岸坡的浸润线hx,t;其中,η表示误差系数,x表示水位线的距离,μ表示给水度,K表示岩土体渗透系数,hm表示水库的水位升降周期开始和结束时潜水的平均厚度代替,t表示水位变动时间,M(η)表示拟合多项式,h0,t表示水库变动时的水位,v0表示水库的水位升降速率,h0,0表示水库上升前的水位;
S4-2、根据库区覆盖层厚度、地下水位数据、水库水位升降时岸坡的浸润线hx,t和岩土体力学参数,通过物理驱动模型得到最高蓄水位时库区岸坡的稳定性系数。
进一步地,步骤S4-2的具体步骤如下:
S4-2-1、在库区上方特定区域内生成若干个搜索球心;
S4-2-2、以球心为原点采用递增的方式生成半径得到不同球型曲面;
S4-2-3、将库区岸坡化为若干个三维柱体;
S4-2-4、根据公式:
得到稳定性系数Fs;其中,Ri,j表示转动轴到潜在三维柱体滑面的距离,Ai,j表示潜在滑面的表面积,Wi,j表示三维柱体重量,hx,t表示水库水位升降时岸坡的浸润线,和ci,j表示潜在滑面的抗剪强度参数,αi,j表示潜在滑面视倾角,ki,j表示三维柱体中心受到的水平振动荷载,ei,j表示搜索球心到三维柱体质心的距离,βi,j表示潜在滑面倾角,G表示迭代前一步的稳定性系数;迭代前一步的稳定性系数G的值随着Fs的迭代而不断变化,其初始值为1,当Fs和G相等时,稳定性系数Fs停止迭代。
进一步地,步骤S4中稳定性系数Fs包括四个等级,其分别为:Fs<1.0、1.0≤Fs<1.25、1.25≤Fs<1.5和1.5≤Fs;稳定性系数值越高稳定性系数越强。
进一步地,步骤S5中库岸滑坡预测模型的判断标准为:
当某个栅格点处于极高易发区,且稳定性系数Fs处于Fs<1.25时,则该栅格点被预测为水库首次蓄水期发生滑坡的极高概率区;
当某个栅格点处于极高易发区,且稳定性系数Fs处于1.25≤Fs<1.5时,则该栅格点被预测为水库首次蓄水期发生滑坡的高概率区;
当某个栅格点处于极高易发区,且稳定性系数Fs处于1.5≤Fs时,则该栅格点被预测为水库首次蓄水期发生滑坡的中概率区;
当某个栅格点处于高易发区,且稳定性系数Fs处于Fs<1.0时,则该栅格点被预测为水库首次蓄水期发生滑坡的极高概率区;
当某个栅格点处于高易发区,且稳定性系数Fs处于1.0≤Fs<1.25时,则该栅格点被预测为水库首次蓄水期发生滑坡的高概率区;
当某个栅格点处于高易发区,且稳定性系数Fs处于1.25≤Fs<1.5时,则该栅格点被预测为水库首次蓄水期发生滑坡的中概率区;
当某个栅格点处于高易发区,且稳定性系数Fs处于1.5≤Fs时,则该栅格点被预测为水库首次蓄水期发生滑坡的中低概率区;
当某个栅格点处于中易发区,且稳定性系数Fs处于Fs<1.0时,则该栅格点被预测为水库首次蓄水期发生滑坡的高概率区;
当某个栅格点处于中易发区,且稳定性系数Fs处于1.0≤Fs<1.25时,则该栅格点被预测为水库首次蓄水期发生滑坡的中概率区;
当某个栅格点处于中易发区,且稳定性系数Fs处于1.5≤Fs时,则该栅格点被预测为水库首次蓄水期发生滑坡的低概率区;
当某个栅格点处于低易发区,且稳定性系数Fs处于Fs<1.0时,则该栅格点被预测为水库首次蓄水期发生滑坡的中概率区;
当某个栅格点处于低易发区,且稳定性系数Fs处于Fs≥1.0时,则该栅格点被预测为水库首次蓄水期发生滑坡的低概率区。
本发明的有益效果为:该方法可有效地预测水库在首次蓄水期可能产生的滑坡灾害,其预测结果的准确性高并与实际情况相符,为首次蓄水期库岸滑坡预防与治理工作提供了较好的指导,减少蓄水期库岸滑坡灾害产生的损失。
附图说明
图1为本发明的具体流程图;
图2为本发明的库岸滑坡空间位置与预测结果。
具体实施方式
下面对本发明的具体实施方式进行描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
如图1所示,一种水库首次蓄水期的库岸滑坡预测方法,其包括以下步骤:
S1、收集基础地质资料;
S2、根据库区蓄水前滑坡发育分布规律选用若干个评价因子并通过皮尔逊相关系数法进行因子共线性分析,保留相关性低于阈值的评价因子;
S3、选择机器学习模型并将相关性低于阈值的评价因子输入至机器学习模型,得到滑坡易发性评价;
S4、根据基础地质资料并通过物理驱动模型进行计算得到稳定性系数;
S5、根据稳定性系数和滑坡易发性评价构建库岸滑坡预测模型;通过库岸滑坡预测模型完成对水库首次蓄水期的库岸滑坡的预测。
步骤S1中的基础地质资料包括:在水库首次蓄水前的地层岩性、地形图、地质构造、气象水文、历史滑坡点、覆盖层厚度和岩土体力学参数;其中:
地层岩性、地形图、地质构造、气象水文和历史滑坡点参数,用于滑坡易发生评价;
覆盖层厚度和岩土体力学参数,包括黏聚力、内摩擦角、天然重度、饱和重度、渗透系数和给水度,用于稳定性系数计算。
步骤S3的具体步骤为:
S3-1、在研究区域的滑坡范围内随机提取1000个滑坡栅格单元,并将其易发性赋值为1;在研究区域的非滑坡范围内随机选取1000个非滑坡栅格单元,并将其易发性赋值为0;
S3-2、选择机器学习模型;将相关性低于阈值的评价因子作为机器学习模型的输入,将是否为滑坡栅格单元作为机器学习模型的输出,并对机器学习模型进行训练,得到训练后的机器学习模型;
S3-3、将研究区内所有栅格单元不同属性的值输入至训练后的机器学习模型,得到滑坡易发性指数;
S3-4、将滑坡易发性指数输入至ArcGIS并按照自然间断法划分为低易发区、中易发性区、高易发区和极高易发区,即滑坡易发性评价。
步骤S3中的机器学习模型为随机森林模型、支持向量机模型、决策树和神经网络模型中的一个。
步骤S4的具体步骤为:
S4-1、根据公式:
得到水库水位上升时岸坡的浸润线hx,t;其中,η表示误差系数,x表示水位线的距离,μ表示给水度,K表示岩土体渗透系数,hm表示水库的水位升降周期开始和结束时潜水的平均厚度代替,t表示水位变动时间,M(η)表示拟合多项式,h0,t表示水库变动时的水位,v0表示水库的水位升降速率,h0,0表示水库上升前的水位;
S4-2、根据库区覆盖层厚度、地下水位数据、水库水位升降时岸坡的浸润线hx,t和岩土体力学参数,通过物理驱动模型得到最高蓄水位时库区岸坡的稳定性系数。
步骤S4-2的具体步骤如下:
S4-2-1、在库区上方特定区域内生成若干个搜索球心;
S4-2-2、以球心为原点采用递增的方式生成半径得到不同球型曲面;
S4-2-3、将库区岸坡化为若干个三维柱体;
S4-2-4、根据公式:
得到稳定性系数Fs;其中,Ri,j表示转动轴到潜在三维柱体滑面的距离,Ai,j表示潜在滑面的表面积,Wi,j表示三维柱体重量,hx,t表示水库水位升降时岸坡的浸润线,和ci,j表示潜在滑面的抗剪强度参数,αi,j表示潜在滑面视倾角,ki,j表示三维柱体中心受到的水平振动荷载,ei,j表示搜索球心到三维柱体质心的距离,βi,j表示潜在滑面倾角,G表示迭代前一步的稳定性系数;迭代前一步的稳定性系数G的值随着Fs的迭代而不断变化,其初始值为1,当Fs和G相等时,稳定性系数Fs停止迭代。
步骤S4中稳定性系数Fs包括四个等级,其分别为:Fs<1.0、1.0≤Fs<1.25、1.25≤Fs<1.5和1.5≤Fs;稳定性系数值越高稳定性系数越强。
步骤S5中库岸滑坡预测模型的判断标准为:
当某个栅格点处于极高易发区,且稳定性系数Fs处于Fs<1.25时,则该栅格点被预测为水库首次蓄水期发生滑坡的极高概率区;
当某个栅格点处于极高易发区,且稳定性系数Fs处于1.25≤Fs<1.5时,则该栅格点被预测为水库首次蓄水期发生滑坡的高概率区;
当某个栅格点处于极高易发区,且稳定性系数Fs处于1.5≤Fs时,则该栅格点被预测为水库首次蓄水期发生滑坡的中概率区;
当某个栅格点处于高易发区,且稳定性系数Fs处于Fs<1.0时,则该栅格点被预测为水库首次蓄水期发生滑坡的极高概率区;
当某个栅格点处于高易发区,且稳定性系数Fs处于1.0≤Fs<1.25时,则该栅格点被预测为水库首次蓄水期发生滑坡的高概率区;
当某个栅格点处于高易发区,且稳定性系数Fs处于1.25≤Fs<1.5时,则该栅格点被预测为水库首次蓄水期发生滑坡的中概率区;
当某个栅格点处于高易发区,且稳定性系数Fs处于1.5≤Fs时,则该栅格点被预测为水库首次蓄水期发生滑坡的中低概率区;
当某个栅格点处于中易发区,且稳定性系数Fs处于Fs<1.0时,则该栅格点被预测为水库首次蓄水期发生滑坡的高概率区;
当某个栅格点处于中易发区,且稳定性系数Fs处于1.0≤Fs<1.25时,则该栅格点被预测为水库首次蓄水期发生滑坡的中概率区;
当某个栅格点处于中易发区,且稳定性系数Fs处于1.5≤Fs时,则该栅格点被预测为水库首次蓄水期发生滑坡的低概率区;
当某个栅格点处于低易发区,且稳定性系数Fs处于Fs<1.0时,则该栅格点被预测为水库首次蓄水期发生滑坡的中概率区;
当某个栅格点处于低易发区,且稳定性系数Fs处于Fs≥1.0时,则该栅格点被预测为水库首次蓄水期发生滑坡的低概率区。
在本发明的一个实施例中,滑坡的发生是不同评价因子影响的结果,因此选取恰当的评价因子是滑坡易发性评价的关键。评价因子是根据库区蓄水前滑坡实际发育情况以及前人研究经验选取,例如坡度、高程、坡向、起伏度、工程岩组、地质构造、河流距离和土地利用等因子。高度相关的评价因子会在一定程度上降低模型预测精度,则选用相关性低于阈值的评价因子,并且根据实际需求设置评价因子的相关性阈值。机器学习模型包括随机森林模型、支持向量机模型、决策树和神经网络模型等,本发明可选取其中任意一个模型完成水库首次蓄水期的库岸滑坡的预测。
实验按照7:3的比例将前述2000个栅格单元随机划分为训练集和测试集,并采取随机森林模型进行预测。其中,随机森林模型的训练过程为:将训练集按照特征进行划分,形成多个子数据集,每个子数据集包含一部分原始数据和随机选择的特征子集;对于每个子数据集,独立地构建一个决策树模型;在每个决策树的节点处,从特征子集中选择最佳特征来进行划分,即特征选择;重复建立决策树和特征选择,直到建立指定数量的决策树,即随机森林模型。其中,决策树是一个树状结构,每个节点代表一个特征,用于将数据划分为更小的子集,直到达到某个停止条件,例如达到最大深度或样本数量小于某个阈值;常见的特征选择标准包括信息增益和基尼不纯度。
利用训练好的随机森林模型完成对水库首次蓄水期的库岸滑坡的预测。如图2所示,在白鹤滩库区进行实验,本方法在水电站蓄水前预测出首次蓄水期出现的大部分库岸滑坡,并且预测范围与实际情况相符,兼顾了库岸滑坡预测结果的准确性和合理性。
综上所述,本发明在缺乏白鹤滩库区首次蓄水期库岸滑坡数据集的情况下,在蓄水前成功预测了83%的库岸滑坡空间位置,为首次蓄水期库岸滑坡预防与治理工作提供了较好的指导,减少发生库岸滑坡灾害产生的损失。
Claims (8)
1.一种水库首次蓄水期的库岸滑坡预测方法,其特征在于:包括以下步骤:
S1、收集基础地质资料;
S2、根据库区蓄水前滑坡发育分布规律选用若干个评价因子并通过皮尔逊相关系数法进行因子共线性分析,保留相关性低于阈值的评价因子;
S3、选择机器学习模型并将相关性低于阈值的评价因子输入至机器学习模型,得到滑坡易发性评价;
S4、根据基础地质资料并通过物理驱动模型进行计算得到稳定性系数;
S5、根据稳定性系数和滑坡易发性评价构建库岸滑坡预测模型;通过库岸滑坡预测模型完成对水库首次蓄水期的库岸滑坡的预测。
2.根据权利要求1所述的水库首次蓄水期的库岸滑坡预测方法,其特征在于:所述步骤S1中的基础地质资料包括:在水库首次蓄水前的地层岩性、地形图、地质构造、气象水文、历史滑坡点、覆盖层厚度和岩土体力学参数;其中:
地层岩性、地形图、地质构造、气象水文和历史滑坡点参数,用于滑坡易发生评价;
覆盖层厚度和岩土体力学参数,包括黏聚力、内摩擦角、天然重度、饱和重度、渗透系数和给水度,用于稳定性系数计算。
3.根据权利要求1所述的水库首次蓄水期的库岸滑坡预测方法,其特征在于:所述步骤S3的具体步骤为:
S3-1、在研究区域的滑坡范围内随机提取1000个滑坡栅格单元,并将其易发性赋值为1;在研究区域的非滑坡范围内随机选取1000个非滑坡栅格单元,并将其易发性赋值为0;
S3-2、选择机器学习模型;将相关性低于阈值的评价因子作为机器学习模型的输入,将是否为滑坡栅格单元作为机器学习模型的输出,并对机器学习模型进行训练,得到训练后的机器学习模型;
S3-3、将研究区内所有栅格单元不同属性的值输入至训练后的机器学习模型,得到滑坡易发性指数;
S3-4、将滑坡易发性指数输入至ArcGIS并按照自然间断法划分为低易发区、中易发性区、高易发区和极高易发区,即滑坡易发性评价。
4.根据权利要求1所述的水库首次蓄水期的库岸滑坡预测方法,其特征在于:所述步骤S3中的机器学习模型为随机森林模型、支持向量机模型、决策树和神经网络模型中的一个。
5.根据权利要求1所述的水库首次蓄水期的库岸滑坡预测方法,其特征在于:所述步骤S4的具体步骤为:
S4-1、根据公式:
得到水库水位上升时岸坡的浸润线hx,t;其中,η表示误差系数,x表示水位线的距离,μ表示给水度,K表示岩土体渗透系数,hm表示水库的水位升降周期开始和结束时潜水的平均厚度代替,t表示水位变动时间,M(η)表示拟合多项式,h0,t表示水库变动时的水位,v0表示水库的水位升降速率,h0,0表示水库上升前的水位;
S4-2、根据库区覆盖层厚度、地下水位数据、水库水位升降时岸坡的浸润线hx,t和岩土体力学参数,通过物理驱动模型得到最高蓄水位时库区岸坡的稳定性系数。
6.根据权利要求5所述的水库首次蓄水期的库岸滑坡预测方法,其特征在于:所述步骤S4-2的具体步骤如下:
S4-2-1、在库区上方特定区域内生成若干个搜索球心;
S4-2-2、以球心为原点采用递增的方式生成半径得到不同球型曲面;
S4-2-3、将库区岸坡化为若干个三维柱体;
S4-2-4、根据公式:
得到稳定性系数Fs;其中,Ri,j表示转动轴到潜在三维柱体滑面的距离,Ai,j表示潜在滑面的表面积,Wi,j表示三维柱体重量,hx,t表示水库水位升降时岸坡的浸润线,和ci,j表示潜在滑面的抗剪强度参数,αi,j表示潜在滑面视倾角,ki,j表示三维柱体中心受到的水平振动荷载,ei,j表示搜索球心到三维柱体质心的距离,βi,j表示潜在滑面倾角,G表示迭代前一步的稳定性系数;迭代前一步的稳定性系数G的值随着Fs的迭代而不断变化,其初始值为1,当Fs和G相等时,稳定性系数Fs停止迭代。
7.根据权利要求1所述的水库首次蓄水期的库岸滑坡预测方法,其特征在于:所述步骤S4中稳定性系数Fs包括四个等级,其分别为:Fs<1.0、1.0≤Fs<1.25、1.25≤Fs<1.5和1.5≤Fs;所述稳定性系数值越高稳定性系数越强。
8.根据权利要求3所述的水库首次蓄水期的库岸滑坡预测方法,其特征在于:所述步骤S5中库岸滑坡预测模型的判断标准为:
当某个栅格点处于极高易发区,且稳定性系数Fs处于Fs<1.25时,则该栅格点被预测为水库首次蓄水期发生滑坡的极高概率区;
当某个栅格点处于极高易发区,且稳定性系数Fs处于1.25≤Fs<1.5时,则该栅格点被预测为水库首次蓄水期发生滑坡的高概率区;
当某个栅格点处于极高易发区,且稳定性系数Fs处于1.5≤Fs时,则该栅格点被预测为水库首次蓄水期发生滑坡的中概率区;
当某个栅格点处于高易发区,且稳定性系数Fs处于Fs<1.0时,则该栅格点被预测为水库首次蓄水期发生滑坡的极高概率区;
当某个栅格点处于高易发区,且稳定性系数Fs处于1.0≤Fs<1.25时,则该栅格点被预测为水库首次蓄水期发生滑坡的高概率区;
当某个栅格点处于高易发区,且稳定性系数Fs处于1.25≤Fs<1.5时,则该栅格点被预测为水库首次蓄水期发生滑坡的中概率区;
当某个栅格点处于高易发区,且稳定性系数Fs处于1.5≤Fs时,则该栅格点被预测为水库首次蓄水期发生滑坡的中低概率区;
当某个栅格点处于中易发区,且稳定性系数Fs处于Fs<1.0时,则该栅格点被预测为水库首次蓄水期发生滑坡的高概率区;
当某个栅格点处于中易发区,且稳定性系数Fs处于1.0≤Fs<1.25时,则该栅格点被预测为水库首次蓄水期发生滑坡的中概率区;
当某个栅格点处于中易发区,且稳定性系数Fs处于1.5≤Fs时,则该栅格点被预测为水库首次蓄水期发生滑坡的低概率区;
当某个栅格点处于低易发区,且稳定性系数Fs处于Fs<1.0时,则该栅格点被预测为水库首次蓄水期发生滑坡的中概率区;
当某个栅格点处于低易发区,且稳定性系数Fs处于Fs≥1.0时,则该栅格点被预测为水库首次蓄水期发生滑坡的低概率区。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310947199.8A CN117131761A (zh) | 2023-07-28 | 2023-07-28 | 水库首次蓄水期的库岸滑坡预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310947199.8A CN117131761A (zh) | 2023-07-28 | 2023-07-28 | 水库首次蓄水期的库岸滑坡预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117131761A true CN117131761A (zh) | 2023-11-28 |
Family
ID=88857451
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310947199.8A Pending CN117131761A (zh) | 2023-07-28 | 2023-07-28 | 水库首次蓄水期的库岸滑坡预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117131761A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3646726B1 (ja) * | 2004-04-14 | 2005-05-11 | 有限会社山口ティー・エル・オー | 防災事業支援システム |
CN114036841A (zh) * | 2021-11-10 | 2022-02-11 | 云南大学 | 基于半监督支持向量机模型的滑坡易发性预测方法及系统 |
CN114330812A (zh) * | 2021-10-29 | 2022-04-12 | 西北大学 | 基于机器学习的滑坡灾害风险评估方法 |
CN115114807A (zh) * | 2022-08-29 | 2022-09-27 | 成都理工大学 | 一种水库库岸滑坡易发性评价方法 |
US20220392326A1 (en) * | 2021-05-27 | 2022-12-08 | Northwest University | Multi-state triggered system and method for remote automatic monitoring and early warning of landslide mass |
CN116108758A (zh) * | 2023-04-10 | 2023-05-12 | 中南大学 | 滑坡易发性评价方法 |
-
2023
- 2023-07-28 CN CN202310947199.8A patent/CN117131761A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3646726B1 (ja) * | 2004-04-14 | 2005-05-11 | 有限会社山口ティー・エル・オー | 防災事業支援システム |
US20220392326A1 (en) * | 2021-05-27 | 2022-12-08 | Northwest University | Multi-state triggered system and method for remote automatic monitoring and early warning of landslide mass |
CN114330812A (zh) * | 2021-10-29 | 2022-04-12 | 西北大学 | 基于机器学习的滑坡灾害风险评估方法 |
CN114036841A (zh) * | 2021-11-10 | 2022-02-11 | 云南大学 | 基于半监督支持向量机模型的滑坡易发性预测方法及系统 |
CN115114807A (zh) * | 2022-08-29 | 2022-09-27 | 成都理工大学 | 一种水库库岸滑坡易发性评价方法 |
CN116108758A (zh) * | 2023-04-10 | 2023-05-12 | 中南大学 | 滑坡易发性评价方法 |
Non-Patent Citations (4)
Title |
---|
王志浩: "基于 Scoops 3D模型的库岸边坡稳定性研究", 中国农村水利水电, no. 12, 31 December 2021 (2021-12-31), pages 155 - 161 * |
王志浩: "基于Scoops_3D模型的库岸边坡稳定性研究", 中国农村水利水电, no. 12, 31 December 2021 (2021-12-31), pages 155 - 161 * |
陈宝智: "矿山安全工程", 31 January 2009, 冶金工业出版社, pages: 178 - 181 * |
陈斌: "地质工程野外工作手册", 31 May 2022, 西南交通大学出版社, pages: 105 - 116 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101344389B (zh) | 一种利用神经网络预测隧道围岩位移的方法 | |
CN103995947B (zh) | 改进的煤层底板突水脆弱性评价方法 | |
Li et al. | Discontinuous flying particle swarm optimization algorithm and its application to slope stability analysis | |
CN113033108B (zh) | 一种基于AdaBoost算法的边坡可靠度判断方法 | |
CN110110425A (zh) | 一种基于信度规则推理的边坡滑动力预测方法 | |
Huang et al. | An improved KNN-based slope stability prediction model | |
US10948626B2 (en) | Simulation of insular karstification | |
Liu et al. | Research on the grey Verhulst model based on particle swarm optimization and Markov chain to predict the settlement of high fill subgrade in Xiangli expressway | |
Zhu et al. | Search for circular and noncircular critical slip surfaces in slope stability analysis by hybrid genetic algorithm | |
Xue et al. | PREDICTION OF SLOPE STABILITY BASED ON GA-BP HYBRID ALGORITHM. | |
CN117131761A (zh) | 水库首次蓄水期的库岸滑坡预测方法 | |
CN116641688A (zh) | Co2提高气藏采收率及其封存的方法、系统、设备及存储介质 | |
Chu et al. | Optimal control algorithm and neural network for dynamic groundwater management | |
CN113836812B (zh) | 一种利用智能算法识别硬岩厚度的盾构施工位姿调整方法 | |
CN116307810A (zh) | 一种优选二氧化碳地质封存地点的方法 | |
CN112818603B (zh) | 自适应选择最优成矿预测要素的方法、终端及存储介质 | |
KR102408827B1 (ko) | 컴퓨터 프로그램을 이용한 산림물지도 제작방법 | |
KR102408840B1 (ko) | 산림물지도를 활용한 산사태위험지도 개선을 위한 산림토양 수분포화 취약지역 탐색방법 및 시스템 | |
Nasiri et al. | Implementation of agricultural ecological capability model using integrated approach of PROMETHEE II and fuzzy-AHP in GIS environment (Case Study: Marvdasht county) | |
Teke et al. | Explainable artificial intelligence empowered landslide susceptibility mapping using Extreme Gradient Boosting (XGBoost) | |
CN117150962B (zh) | 一种随机采样的涌浪超越概率计算方法、设备及存储设备 | |
KR102408836B1 (ko) | 산림물지도를 활용한 수원함양기능 우수산림 분포 확인방법 및 시스템 | |
KR102408845B1 (ko) | 산림물지도를 활용한 수원함양기능평가방법 및 시스템 | |
Chen et al. | The analysis on the deformation predition of pile-anchor retaining structure in deep foundation pit in Kunming | |
CN117933103B (zh) | 一种基于贝叶斯深度学习的碳封存模型不确定性分析方法 |
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 |