CN117408383A - 一种高陡边坡安全状态全寿命周期监测方法及平台 - Google Patents
一种高陡边坡安全状态全寿命周期监测方法及平台 Download PDFInfo
- Publication number
- CN117408383A CN117408383A CN202311404452.1A CN202311404452A CN117408383A CN 117408383 A CN117408383 A CN 117408383A CN 202311404452 A CN202311404452 A CN 202311404452A CN 117408383 A CN117408383 A CN 117408383A
- Authority
- CN
- China
- Prior art keywords
- slope
- full
- data
- steep
- period
- 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
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000012544 monitoring process Methods 0.000 title claims abstract description 32
- 238000012216 screening Methods 0.000 claims abstract description 15
- 230000006698 induction Effects 0.000 claims abstract description 9
- 230000002159 abnormal effect Effects 0.000 claims description 36
- 230000002265 prevention Effects 0.000 claims description 12
- 230000005856 abnormality Effects 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 9
- 238000004088 simulation Methods 0.000 claims description 8
- 238000011161 development Methods 0.000 claims description 6
- 238000011282 treatment Methods 0.000 claims description 5
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 239000013589 supplement Substances 0.000 claims description 3
- 230000001502 supplementing effect Effects 0.000 claims description 3
- 238000011269 treatment regimen Methods 0.000 claims description 3
- 238000011217 control strategy Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000000763 evoking effect Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000011010 flushing procedure Methods 0.000 description 1
- 239000000411 inducer Substances 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Marketing (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Primary Health Care (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及边坡监测技术领域,具体涉及一种高陡边坡安全状态全寿命周期监测方法及平台。通过从高陡边坡全周期采集数据中筛选出高陡边坡全周期特征数据;高陡边坡全周期特征数据包括孕灾背景因子、外界诱发因子和成灾显现因子;然后根据高陡边坡全周期特征数据构建高陡边坡全周期安全状态预测模型;最利用高陡边坡全周期安全状态预测模型对高陡边坡进行监测,从而能够对高陡边坡全过程各阶段安全状态进行智能管控,保障边坡工程的全寿命周期运营安全。
Description
技术领域
本发明涉及边坡监测技术领域,具体涉及一种高陡边坡安全状态全寿命周期监测方法及平台。
背景技术
随着现代化公路交通建设进程的持续加快,边坡灾害的影响也在持续扩张,不仅严重威胁人民群众生命财产、国家重大工程与城镇的安全,且防治任务十分繁重,而位于高速公路沿线的高陡边坡更是边坡灾害防治任务中的重点对象。由于公路沿线高陡边坡灾害突发性强、强度大、范围广、不易受控制,公路交通设施和通行安全均会受到严重威胁。
传统的边坡灾害监测主要以点为主,且存在覆盖面小、功耗较大、安装布设复杂等不足,大范围推广应用存在成本压力,不能完全满足公路沿线高陡边坡工程的风险识别需求。
发明内容
针对现有技术存在的不足,本发明提出一种高陡边坡安全状态全寿命周期监测方法及平台,对高陡边坡全过程各阶段安全状态进行智能管控,用以保障边坡工程的全寿命周期运营安全。
第一方面,本发明提供一种高陡边坡安全状态全寿命周期监测方法。
在第一种可实现方式中,一种高陡边坡安全状态全寿命周期监测方法,包括:
获取高陡边坡全周期采集数据;
从高陡边坡全周期采集数据中筛选出高陡边坡全周期特征数据;高陡边坡全周期特征数据包括孕灾背景因子、外界诱发因子和成灾显现因子;
根据高陡边坡全周期特征数据构建高陡边坡全周期安全状态预测模型;
根据高陡边坡全周期安全状态预测模型对高陡边坡进行监测。
结合第一种可实现方式,在第二种可实现方式中,获取高陡边坡全周期采集数据,包括:
在高陡边坡全寿命周期内,持续采集并记录实地高陡边坡的影响参数以及影响事件;影响参数包括环境参数、降雨量、边坡结构参数、边坡变形参数。
结合第二种可实现方式,在第三种可实现方式中,从高陡边坡全周期采集数据中筛选出高陡边坡全周期特征数据,包括:
获取各高陡边坡全周期采集数据的信息熵;
根据各信息熵获取各采集数据的信息增益;
根据各信息增益获取各采集数据的信息增益率;
根据各信息增益率确定高陡边坡影响特征数据;
将高陡边坡影响特征数据划分为孕灾背景因子、外界诱发因子和成灾显现因子。
结合第一种可实现方式,在第四种可实现方式中,根据高陡边坡全周期特征数据构建高陡边坡全周期安全状态预测模型,包括:
构建高陡边坡全周期特征数据的训练集和测试集;
利用训练集对卷积神经网络进行训练,获得备选高陡边坡全周期安全状态预测模型;
利用测试集对备选高陡边坡全周期安全状态预测模型进行准确率测试,获得最终的高陡边坡全周期安全状态预测模型。
结合第一种可实现方式,在第五种可实现方式中,获取高陡边坡全周期采集数据,包括:
基于有限元理论构建高陡边坡有限元模型,并设置高陡边坡的底部和后缘为固定边界,坡面和坡顶设置为自由边界;
对高陡边坡有限元模型进行多种灾害全过程模拟,并输出采集数据。
结合第五种可实现方式,在第六种可实现方式中,从高陡边坡全周期采集数据中筛选出高陡边坡全周期特征数据,包括:
对高陡边坡全周期采集数据进行组合,获得多组控制参数,每组控制参数包括至少一个采集数据;
采用控制变量法在高陡边坡有限元模型中对各组控制参数进行模拟,各组控制参数分别作为变量,高陡边坡全周期采集数据中除作为变量的当前控制参数外的其他采集数据作为不变量;
根据各组控制参数的模拟结果筛选高陡边坡全周期特征数据。
第二方面,本发明提供一种高陡边坡安全状态全寿命周期监测平台。
在第七种可实现方式中,一种高陡边坡安全状态全寿命周期监测平台,其特征在于,包括:
采集数据输入模块,被配置为输入边坡采集数据,并对边坡采集数据进行预处理;
边坡安全预测模块,被配置为基于上述的高陡边坡安全状态全寿命周期监测方法,根据预处理后的边坡采集数据获取边坡安全状态;
边坡灾害防治模块,被配置为根据边坡安全状态获取边坡灾害防治策略。
结合第七种可实现方式,在第八种可实现方式中,采集数据输入模块,包括:
数据清除模块,被配置为对边坡采集数据中的无效数据进行清除,并筛选出边坡采集数据中的异常数据;
数据补齐模块,被配置为采用同类均值法对边坡采集数据进行补齐;
数据降噪模块,被配置为对边坡采集数据进行滤波降噪处理。
结合第八种可实现方式,在第九种可实现方式中,还包括:
异常数据显示模块,被配置为将筛选出的异常数据进行显示;
设备异常判断模块,被配置为根据异常数据的出现频率判断采集设备是否出现异常,若是,则发送设备异常消息提醒;
情况异常显示模块,被配置为根据异常数据的出现类别判断是否出现异常情况,若是,则发送异常情况提醒。
由上述技术方案可知,本发明的有益技术效果如下:
1.从高陡边坡全周期采集数据中筛选出高陡边坡全周期特征数据;高陡边坡全周期特征数据包括孕灾背景因子、外界诱发因子和成灾显现因子;然后根据高陡边坡全周期特征数据构建高陡边坡全周期安全状态预测模型;最利用高陡边坡全周期安全状态预测模型对高陡边坡进行监测,从而能够对高陡边坡全过程各阶段安全状态进行智能管控,保障边坡工程的全寿命周期运营安全。
2.基于高陡边坡安全状态全寿命周期监测平台,将边坡采集数据输入该监测平台,通过高陡边坡安全状态全寿命周期监测平台实时输出该边坡采集数据对应的边坡安全状态,速度快、效率高,且能够检测出采集数据中的异常数据,进而判断出设备异常和情况异常,有利于保障高陡边坡的监测。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单介绍。在所有附图中,类似的元件或部分一般由类似的附图标记标识。附图中,各元件或部分并不一定按照实际的比例绘制。
图1为本实施例提供的一种高陡边坡安全状态全寿命周期监测方法的示意图;
图2为本实施例提供的一种高陡边坡安全状态全寿命周期监测平台的示意图。
具体实施方式
下面将结合附图对本发明技术方案的实施例进行详细的描述。以下实施例仅用于更加清楚地说明本发明的技术方案,因此只作为示例,而不能以此来限制本发明的保护范围。
需要注意的是,除非另有说明,本申请使用的技术术语或者科学术语应当为本发明所属领域技术人员所理解的通常意义。本公开实施例的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本公开实施例的实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含。除非另有说明,术语“多个”表示两个或两个以上。本公开实施例中,字符“/”表示前后对象是一种“或”的关系。例如,A/B表示:A或B。术语“和/或”是一种描述对象的关联关系,表示可以存在三种关系。例如,A和/或B,表示:A或B,或,A和B这三种关系。术语“对应”可以指的是一种关联关系或绑定关系,A与B相对应指的是A与B之间是一种关联关系或绑定关系。
结合图1所示,本实施例提供了一种高陡边坡安全状态全寿命周期监测方法,其特征在于,包括:
步骤S01、获取高陡边坡全周期采集数据;
步骤S02、从高陡边坡全周期采集数据中筛选出高陡边坡全周期特征数据;高陡边坡全周期特征数据包括孕灾背景因子、外界诱发因子和成灾显现因子;
步骤S03、根据高陡边坡全周期特征数据构建高陡边坡全周期安全状态预测模型;
步骤S04、根据高陡边坡全周期安全状态预测模型对高陡边坡进行监测。
可选地,获取高陡边坡全周期采集数据,包括:在高陡边坡全寿命周期内,持续采集并记录实地高陡边坡的影响参数以及影响事件;影响参数包括环境参数、降雨量、边坡结构参数、边坡变形参数。
在一些实施例中,影响事件包括河流坡脚冲刷、大雨、边坡被挖等偶发事件。
可选地,从高陡边坡全周期采集数据中筛选出高陡边坡全周期特征数据,包括:获取各高陡边坡全周期采集数据的信息熵;根据各信息熵获取各采集数据的信息增益;根据各信息增益获取各采集数据的信息增益率;根据各信息增益率确定高陡边坡影响特征数据;将高陡边坡影响特征数据划分为孕灾背景因子、外界诱发因子和成灾显现因子。
可选地,获取各高陡边坡全周期采集数据的信息熵包括:
其中,S(A)为采集数据A的信息熵,A’为采集数据A的属性取值个数,pi为第i个属性所占比例。
可选地,根据各信息熵获取各采集数据的信息增益包括:
其中,Ganins(A,B)为采集数据B对采集数据A的信息增益,k表示采集数据B的属性的个数,Bi为特征B的第i个属性,|Bi|、|A|分别为采集数据B对采集数据A的第i个属性的个数.
可选地,根据各信息增益获取各采集数据的信息增益率包括:
其中,M为采集数据B对采集数据A的信息增益率。
可选地,根据各信息增益率确定高陡边坡影响特征数据,包括:将大于预设阈值的信息增益率对应的采集数据确定为高陡边坡影响特征数据。
在一些实施例中,将高陡边坡影响特征数据划分为孕灾背景因子、外界诱发因子和成灾显现因子,孕灾背景因子包括:坡度、高差等;外界诱发因子包括:河流坡脚冲刷等突发影响事件;成灾显现因子包括:坡面植被破坏、宏观变形迹象等。
可选地,根据高陡边坡全周期特征数据构建高陡边坡全周期安全状态预测模型,包括:构建高陡边坡全周期特征数据的训练集和测试集;利用训练集对卷积神经网络进行训练,获得备选高陡边坡全周期安全状态预测模型;利用测试集对备选高陡边坡全周期安全状态预测模型进行准确率测试,获得最终的高陡边坡全周期安全状态预测模型。
可选地,根据高陡边坡全周期特征数据构建高陡边坡全周期安全状态预测模型,包括:对孕灾背景因子、外界诱发因子和成灾显现因子设置影响权重,对各因子中的参数设置属性权重;将各因子中的参数与对应的属性权重相乘,获得各因子的评分,将各因子的评分与对应的影响权重相乘,获得最终的高陡边坡安全评分。
可选地,获取高陡边坡全周期采集数据,包括:基于有限元理论构建高陡边坡有限元模型,并设置高陡边坡的底部和后缘为固定边界,坡面和坡顶设置为自由边界;对高陡边坡有限元模型进行多种灾害全过程模拟,并输出采集数据。
可选地,从高陡边坡全周期采集数据中筛选出高陡边坡全周期特征数据,包括:对高陡边坡全周期采集数据进行组合,获得多组控制参数,每组控制参数包括至少一个采集数据;采用控制变量法在高陡边坡有限元模型中对各组控制参数进行模拟,各组控制参数分别作为变量,高陡边坡全周期采集数据中除作为变量的当前控制参数外的其他采集数据作为不变量;根据各组控制参数的模拟结果筛选高陡边坡全周期特征数据。
可选地,根据各组控制参数的模拟结果筛选高陡边坡全周期特征数据,包括:按照各组控制参数的模拟结果对高陡边坡的灾害形成的影响程度进行排序,按照影响程度从大到小的排序,从前往后截取多组控制参数作为高陡边坡全周期特征数据。
结合图2所示,一种高陡边坡安全状态全寿命周期监测平台,包括:采集数据输入模块,被配置为输入边坡采集数据,并对边坡采集数据进行预处理;边坡安全预测模块,被配置为基于上述的高陡边坡安全状态全寿命周期监测方法,根据预处理后的边坡采集数据获取边坡安全状态;边坡灾害防治模块,被配置为根据边坡安全状态获取边坡灾害防治策略。
可选地,采集数据输入模块,包括:数据清除模块,被配置为对边坡采集数据中的无效数据进行清除,并筛选出边坡采集数据中的异常数据;数据补齐模块,被配置为采用同类均值法对边坡采集数据进行补齐;数据降噪模块,被配置为对边坡采集数据进行滤波降噪处理。
可选地,还包括:异常数据显示模块,被配置为将筛选出的异常数据进行显示;设备异常判断模块,被配置为根据异常数据的出现频率判断采集设备是否出现异常,若是,则发送设备异常消息提醒;情况异常显示模块,被配置为根据异常数据的出现类别判断是否出现异常情况,若是,则发送异常情况提醒。
可选地,根据异常数据的出现频率判断采集设备是否出现异常,包括:当异常数据属于同一类,且出现频率大于预设阈值,则确定该类的采集设备出现异常。
可选地,根据异常数据的出现类别判断是否出现异常情况,包括:若异常数据分别属于多个类别,且各类别的异常数据出现时间相同或相近,则确定高陡边坡出现异常情况。
可选地,高陡边坡安全状态全寿命周期监测平台内存在数据库,数据库中存储有多种边坡灾害类型对应的边坡灾害防治策略。边坡灾害防治模块根据边坡安全预测模块输出的边坡安全状态确定边坡是否存在灾害,并在灾害存在的情况下确定出灾害类型,边坡灾害防治模块按照灾害类型与边坡灾害防治策略之间的对应关系,输出边坡灾害防治策略。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围,其均应涵盖在本发明的权利要求和说明书的范围当中。
Claims (9)
1.一种高陡边坡安全状态全寿命周期监测方法,其特征在于,包括:
获取高陡边坡全周期采集数据;
从高陡边坡全周期采集数据中筛选出高陡边坡全周期特征数据;高陡边坡全周期特征数据包括孕灾背景因子、外界诱发因子和成灾显现因子;
根据高陡边坡全周期特征数据构建高陡边坡全周期安全状态预测模型;
根据高陡边坡全周期安全状态预测模型对高陡边坡进行监测。
2.根据权利要求1所述的方法,其特征在于,获取高陡边坡全周期采集数据,包括:
在高陡边坡全寿命周期内,持续采集并记录实地高陡边坡的影响参数以及影响事件;影响参数包括环境参数、降雨量、边坡结构参数和边坡变形参数。
3.根据权利要求2所述的方法,其特征在于,从高陡边坡全周期采集数据中筛选出高陡边坡全周期特征数据,包括:
获取各高陡边坡全周期采集数据的信息熵;
根据各信息熵获取各采集数据的信息增益;
根据各信息增益获取各采集数据的信息增益率;
根据各信息增益率确定高陡边坡影响特征数据;
将高陡边坡影响特征数据划分为孕灾背景因子、外界诱发因子和成灾显现因子。
4.根据权利要求1所述的方法,其特征在于,根据高陡边坡全周期特征数据构建高陡边坡全周期安全状态预测模型,包括:
构建高陡边坡全周期特征数据的训练集和测试集;
利用训练集对卷积神经网络进行训练,获得备选高陡边坡全周期安全状态预测模型;
利用测试集对备选高陡边坡全周期安全状态预测模型进行准确率测试,获得最终的高陡边坡全周期安全状态预测模型。
5.根据权利要求1所述的方法,其特征在于,获取高陡边坡全周期采集数据,包括:
基于有限元理论构建高陡边坡有限元模型,并设置高陡边坡的底部和后缘为固定边界,坡面和坡顶设置为自由边界;
对高陡边坡有限元模型进行多种灾害全过程模拟,并输出采集数据。
6.根据权利要求5所述的方法,其特征在于,从高陡边坡全周期采集数据中筛选出高陡边坡全周期特征数据,包括:
对高陡边坡全周期采集数据进行组合,获得多组控制参数,每组控制参数包括至少一个采集数据;
采用控制变量法在高陡边坡有限元模型中对各组控制参数进行模拟,各组控制参数分别作为变量,高陡边坡全周期采集数据中除作为变量的当前控制参数外的其他采集数据作为不变量;
根据各组控制参数的模拟结果筛选高陡边坡全周期特征数据。
7.一种高陡边坡安全状态全寿命周期监测平台,其特征在于,包括:
采集数据输入模块,被配置为输入边坡采集数据,并对边坡采集数据进行预处理;
边坡安全预测模块,被配置为基于权利要求1至6任一项所述的高陡边坡安全状态全寿命周期监测方法,根据预处理后的边坡采集数据获取边坡安全状态;
边坡灾害防治模块,被配置为根据边坡安全状态获取边坡灾害防治策略。
8.根据权利要求7所述的平台,其特征在于,采集数据输入模块,包括:
数据清除模块,被配置为对边坡采集数据中的无效数据进行清除,并筛选出边坡采集数据中的异常数据;
数据补齐模块,被配置为采用同类均值法对边坡采集数据进行补齐;
数据降噪模块,被配置为对边坡采集数据进行滤波降噪处理。
9.根据权利要求8所述的平台,其特征在于,还包括:
异常数据显示模块,被配置为将筛选出的异常数据进行显示;
设备异常判断模块,被配置为根据异常数据的出现频率判断采集设备是否出现异常,若是,则发送设备异常消息提醒;
情况异常显示模块,被配置为根据异常数据的出现类别判断是否出现异常情况,若是,则发送异常情况提醒。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311404452.1A CN117408383A (zh) | 2023-10-26 | 2023-10-26 | 一种高陡边坡安全状态全寿命周期监测方法及平台 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311404452.1A CN117408383A (zh) | 2023-10-26 | 2023-10-26 | 一种高陡边坡安全状态全寿命周期监测方法及平台 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117408383A true CN117408383A (zh) | 2024-01-16 |
Family
ID=89498606
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311404452.1A Pending CN117408383A (zh) | 2023-10-26 | 2023-10-26 | 一种高陡边坡安全状态全寿命周期监测方法及平台 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117408383A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117609742A (zh) * | 2024-01-24 | 2024-02-27 | 中建安装集团有限公司 | 一种用于实现智能化管理的边坡施工监管系统及方法 |
-
2023
- 2023-10-26 CN CN202311404452.1A patent/CN117408383A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117609742A (zh) * | 2024-01-24 | 2024-02-27 | 中建安装集团有限公司 | 一种用于实现智能化管理的边坡施工监管系统及方法 |
CN117609742B (zh) * | 2024-01-24 | 2024-03-26 | 中建安装集团有限公司 | 一种用于实现智能化管理的边坡施工监管系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20190285517A1 (en) | Method for evaluating health status of mechanical equipment | |
CN117408383A (zh) | 一种高陡边坡安全状态全寿命周期监测方法及平台 | |
Tang et al. | Traffic-incident detection-algorithm based on nonparametric regression | |
CN111651505B (zh) | 一种基于数据驱动的设备运行态势分析预警方法及系统 | |
CN112419674A (zh) | 一种泥石流地质灾害的监测系统及方法 | |
CN101718634A (zh) | 基于多元概率模型的设备状态综合动态报警方法 | |
CN107292249A (zh) | 一种基于结构化分段网络的时间动作检测方法 | |
CN104050361A (zh) | 一种监狱服刑人员危险性倾向的智能分析预警方法 | |
CN114821968B (zh) | 动车司机疲劳驾驶干预方法、装置、设备及可读存储介质 | |
CN111738336A (zh) | 基于多尺度特征融合的图像检测方法 | |
CN110388315A (zh) | 基于多源信息融合的输油泵故障识别方法、装置及系统 | |
CN109993122A (zh) | 一种基于深度卷积神经网络的行人乘扶梯异常行为检测方法 | |
CN116110012B (zh) | 用于智慧工地的危险违规动作识别方法及系统 | |
CN111563468B (zh) | 一种基于神经网络注意力的驾驶员异常行为检测方法 | |
CN109598931A (zh) | 基于交通安全风险的群体划分与差异性分析方法及系统 | |
CN112951271A (zh) | 一种基于声学辅助的隧道交通安全警示方法、系统 | |
CN101883257A (zh) | 值岗检测系统及其检测方法 | |
CN107909822A (zh) | 一种基于流量和饱和度分析的scats线圈检测器自动诊断方法 | |
CN115187048B (zh) | 轨道线路多域限界异物侵限事件状况识别方法及系统 | |
CN114066288B (zh) | 一种基于智慧数据中心的营运道路应急检测方法及系统 | |
CN115293293A (zh) | 一种雨型模糊识别评估方法、系统及终端设备 | |
CN114358395A (zh) | 考勤预测方法及装置 | |
CN112651275A (zh) | 人员密集场所踩踏事故诱因行为智能识系统 | |
CN114093106B (zh) | 基于EfficientNET分类网络的入侵信号报警方法及系统 | |
CN116070919B (zh) | 一种用于隧道施工的专项风险等级评估方法 |
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 |