CN117435891A - 一种土质边坡的稳定性模拟评估方法及系统 - Google Patents
一种土质边坡的稳定性模拟评估方法及系统 Download PDFInfo
- Publication number
- CN117435891A CN117435891A CN202311756127.1A CN202311756127A CN117435891A CN 117435891 A CN117435891 A CN 117435891A CN 202311756127 A CN202311756127 A CN 202311756127A CN 117435891 A CN117435891 A CN 117435891A
- Authority
- CN
- China
- Prior art keywords
- consolidation
- slope
- evaluation model
- data set
- influence
- 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
- 238000004088 simulation Methods 0.000 title claims abstract description 135
- 239000002689 soil Substances 0.000 title claims abstract description 84
- 238000011156 evaluation Methods 0.000 title claims abstract description 56
- 238000007596 consolidation process Methods 0.000 claims abstract description 226
- 238000013210 evaluation model Methods 0.000 claims abstract description 127
- 238000004458 analytical method Methods 0.000 claims abstract description 47
- 238000000034 method Methods 0.000 claims abstract description 30
- 230000001066 destructive effect Effects 0.000 claims abstract description 14
- 238000012549 training Methods 0.000 claims abstract description 14
- 238000001514 detection method Methods 0.000 claims description 66
- 239000010410 layer Substances 0.000 claims description 36
- 239000002344 surface layer Substances 0.000 claims description 36
- 239000007788 liquid Substances 0.000 claims description 33
- 238000009792 diffusion process Methods 0.000 claims description 12
- 230000007613 environmental effect Effects 0.000 claims description 12
- 230000035699 permeability Effects 0.000 claims description 12
- 238000009826 distribution Methods 0.000 claims description 10
- 238000005094 computer simulation Methods 0.000 claims description 5
- 230000009977 dual effect Effects 0.000 claims 1
- 239000003344 environmental pollutant Substances 0.000 abstract description 16
- 231100000719 pollutant Toxicity 0.000 abstract description 16
- 238000003915 air pollution Methods 0.000 abstract description 13
- 230000000694 effects Effects 0.000 abstract description 12
- 230000008901 benefit Effects 0.000 abstract description 3
- 238000012545 processing Methods 0.000 abstract description 2
- 238000001465 metallisation Methods 0.000 description 9
- 238000010801 machine learning Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 6
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- RAHZWNYVWXNFOC-UHFFFAOYSA-N Sulphur dioxide Chemical compound O=S=O RAHZWNYVWXNFOC-UHFFFAOYSA-N 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 2
- 239000000654 additive Substances 0.000 description 2
- 230000000996 additive effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 229910002092 carbon dioxide Inorganic materials 0.000 description 2
- 239000001569 carbon dioxide Substances 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 238000013097 stability assessment Methods 0.000 description 2
- 238000012876 topography Methods 0.000 description 2
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 1
- UCKMPCXJQFINFW-UHFFFAOYSA-N Sulphide Chemical compound [S-2] UCKMPCXJQFINFW-UHFFFAOYSA-N 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 239000000809 air pollutant Substances 0.000 description 1
- 231100001243 air pollutant Toxicity 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000008014 freezing Effects 0.000 description 1
- 238000007710 freezing Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000012466 permeate Substances 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000007711 solidification Methods 0.000 description 1
- 230000008023 solidification Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Tourism & Hospitality (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Hardware Design (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种土质边坡的稳定性模拟评估方法及系统，涉及数据处理技术领域，该方法包括：生成边坡有限元仿真模型；得到排放指标集；获取空气影响相关度；训练相关度网络层；建立双支路固结评估模型，将所述边坡有限元仿真模型与所述双支路固结评估模型连接；输出边坡稳定性评估结果，解决了现有技术中存在由于缺乏对于污染物排放与土质边坡稳定性的联合分析，进而导致土质稳定性评估不准确，且对于污染控制的辅助意义不大，难以有效提升土质稳定性的技术问题，达到实现边坡稳定性与空气污染的联合分析，提升边坡稳定分析的准确性，便于通过边坡稳定性评估结果进行工厂的污染排放控制，降低空气污染对土质边坡的破坏性的技术效果。
Description
技术领域
本申请涉及数据处理技术领域，具体涉及一种土质边坡的稳定性模拟评估方法及系统。
背景技术
土质边坡的稳定性对于铁路、公路的运行具有重要影响，如果分析结果不准确，可能会导致发生安全事故。传统的土质边坡稳定性分析大多是对区域内的地形地貌、气象条件等进行分析，从而进行土质稳定性预测评估，但是，土质稳定性还与空气污染相关，空气污染物会长期对土质产生破坏性影响，或者与雨水结合后产生破坏性。现有技术中缺乏对于污染物排放与土质边坡稳定性的联合分析，进而导致土质稳定性评估不准确，且对于污染控制的辅助意义不大，难以有效改善土质稳定性。
目前，现有技术中存在由于缺乏对于污染物排放与土质边坡稳定性的联合分析，进而导致土质稳定性评估不准确，且对于污染控制的辅助意义不大，难以有效提升土质稳定性的技术问题。
发明内容
本申请提供了一种土质边坡的稳定性模拟评估方法及系统，用以解决现有技术中存在由于缺乏对于污染物排放与土质边坡稳定性的联合分析，进而导致土质稳定性评估不准确，且对于污染控制的辅助意义不大，难以有效提升土质稳定性的技术问题。
根据本申请的第一方面，提供了一种土质边坡的稳定性模拟评估方法，包括：获取待评估区域内的边坡建模参数，生成边坡有限元仿真模型；获取待评估区域内的第一关联工厂，并对所述第一关联工厂进行排放数据采集，得到排放指标集；获取所述待评估区域内的空气检测数据集，根据所述空气检测数据集和所述排放指标集获取空气影响相关度；基于所述空气影响相关度，训练相关度网络层；建立双支路固结评估模型，将所述边坡有限元仿真模型与所述双支路固结评估模型连接，其中，所述双支路固结评估模型包括表面固结评估模型和降雨固结评估模型；将所述相关度网络层嵌入至所述双支路固结评估模型中，并与所述边坡有限元仿真模型连接，将所述第一关联工厂的实时排放指标集发送至所述边坡有限元仿真模型，调用所述双支路固结评估模型进行分析，输出边坡稳定性评估结果。
根据本申请的第二方面，提供了一种土质边坡的稳定性模拟评估系统，包括：边坡建模仿真模块，所述边坡建模仿真模块用于获取待评估区域内的边坡建模参数，生成边坡有限元仿真模型；排放指标采集模块，所述排放指标采集模块用于获取待评估区域内的第一关联工厂，并对所述第一关联工厂进行排放数据采集，得到排放指标集；空气影响分析模块，所述空气影响分析模块用于获取所述待评估区域内的空气检测数据集，根据所述空气检测数据集和所述排放指标集获取空气影响相关度；相关度网络层训练模块，所述相关度网络层训练模块用于基于所述空气影响相关度，训练相关度网络层；固结评估模型建立模块，所述固结评估模型建立模块用于建立双支路固结评估模型，将所述边坡有限元仿真模型与所述双支路固结评估模型连接，其中，所述双支路固结评估模型包括表面固结评估模型和降雨固结评估模型；稳定性评估模块，所述稳定性评估模块用于将所述相关度网络层嵌入至所述双支路固结评估模型中，并与所述边坡有限元仿真模型连接，将所述第一关联工厂的实时排放指标集发送至所述边坡有限元仿真模型，调用所述双支路固结评估模型进行分析，输出边坡稳定性评估结果。
根据本申请采用的一个或多个技术方案，其可达到的有益效果如下：
获取待评估区域内的边坡建模参数，生成边坡有限元仿真模型，获取待评估区域内的第一关联工厂，并对第一关联工厂进行排放数据采集，得到排放指标集，获取待评估区域内的空气检测数据集，根据空气检测数据集和排放指标集获取空气影响相关度，基于空气影响相关度，训练相关度网络层，建立双支路固结评估模型，将边坡有限元仿真模型与双支路固结评估模型连接，其中，双支路固结评估模型包括表面固结评估模型和降雨固结评估模型，将相关度网络层嵌入至双支路固结评估模型中，并与边坡有限元仿真模型连接，将第一关联工厂的实时排放指标集发送至边坡有限元仿真模型，调用双支路固结评估模型进行分析，输出边坡稳定性评估结果。由此对工厂污染排放对边坡区域空气造成的影响程度进行分析，进而通过双支路固结评估模型进行空气污染对边坡稳定性的影响评估，得到边坡稳定性评估结果，达到实现边坡稳定性与空气污染的联合分析，提升边坡稳定分析的准确性，便于通过边坡稳定性评估结果进行工厂的污染排放控制，降低空气污染对土质边坡的破坏性的技术效果。
附图说明
为了更清楚地说明本申请或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。构成本申请的一部分的附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定，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，还可以根据提供的附图获得其他的附图。
图1为本申请实施例提供的一种土质边坡的稳定性模拟评估方法的流程示意图；
图2为本申请实施例提供的一种土质边坡的稳定性模拟评估系统的结构示意图。
附图标记说明：边坡建模仿真模块11，排放指标采集模块12，空气影响分析模块13，相关度网络层训练模块14，固结评估模型建立模块15，稳定性评估模块16。
具体实施方式
为了使得本申请的目的、技术方案和优点更为明显，下面将参照附图详细描述本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
说明书中使用的术语用于描述实施例，而不是限制本申请。如在说明书中所使用的，单数术语“一”“一个”和“该”旨在也包括复数形式，除非上下文另有清楚指示。当在说明书中使用时，术语“包括”和/或“包含”指定了步骤、操作、元件和/或组件的存在，但是不排除一个或多个其他步骤、操作、元件、组件和/或其组的存在或添加。
除非另有定义，本说明书中使用的所有术语(包括技术和科学术语)应具有与本申请所属领域的技术人员通常理解的相同含义。术语，如常用词典中定义的术语，不应以理想化或过于正式的意义来解释，除非在此明确定义。在整个说明书中，相同的附图标记表示相同的元件。
需要说明的是，本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于展示的数据、分析的数据等)，均为经用户授权或者经过各方充分授权的信息和数据。
实施例一：
图1为本申请实施例提供的一种土质边坡的稳定性模拟评估方法图，所述方法包括：
获取待评估区域内的边坡建模参数，生成边坡有限元仿真模型；
待评估区域内是指待进行土质边坡的稳定性模拟评估的任意区域，比如黄土边坡区域。边坡建模参数是指待评估区域内的地形地貌、地质构造、岩土类型、边坡形状和尺寸、土壤的弹性模量、泊松比等可以描述待评估区域内的地质结构的参数，具体由本领域专业技术人员通过现有的勘测仪器采集获取。简单来说，边坡建模参数可理解为可以描述待评估区域物理结构的数据，通过现有的仿真平台根据边坡建模参数进行建模，即可得到边坡有限元仿真模型。需要说明的是，边坡有限元仿真模型可以理解为将待评估区域划分为多个子区域，即有限个单元，对有限个单元建立边坡有限元仿真模型。
获取待评估区域内的第一关联工厂，并对所述第一关联工厂进行排放数据采集，得到排放指标集；
具体而言，空气污染会对边坡土质造成影响，从而影响稳定性，其中，造成空气污染的主要原因是现代化工厂生产作业时排放出的污染气体，第一关联工厂即为污染气体排放量最大，即对待评估区域内的空气产生最大影响的工厂，具体可由本领域专业技术人员根据实际情况确定，示例性的，可调取待评估区域内的所有工厂的历史污染排放记录进行筛选分析，确定污染排放量最大的工厂作为第一关联工厂。进一步对所述第一关联工厂进行排放数据采集，得到排放指标集，排放指标集包括所述第一关联工厂对于不同类型的污染物，比如硫化物、二氧化碳等，具体需结合实际情况确定。
获取所述待评估区域内的空气检测数据集，根据所述空气检测数据集和所述排放指标集获取空气影响相关度；
具体而言，获取所述待评估区域内的空气检测数据集，其中，空气检测数据集是指空气中的污染物浓度，可以通过现有的气体传感器检测获取，其与所述排放指标集相对应，根据所述空气检测数据集和所述排放指标集获取空气影响相关度，空气影响相关度用于表示第一关联工厂的污染排放对待评估区域内的空气造成的影响程度。具体获取过程如下详述。
在一个优选实施例中，还包括：
记录所述排放指标集中各个排放指标的初始排放浓度；获取所述空气检测数据集基于所述各个排放指标的检测浓度，其中，所述空气检测数据集为截取检测稳定性大于预设稳定性的数据；根据所述排放浓度和所述检测浓度进行比对，获取浓度差异和扩散时间，以所述浓度差异和所述扩散时间，输出空气影响相关度，其中，所述空气影响相关度为所述第一关联工厂对所述待评估区域造成的空气影响相关程度。
具体地，记录所述排放指标集中各个排放指标的初始排放浓度，即污染物从第一关联工厂排放出时的污染物浓度，具体来说，可根据所述排放指标集在第一关联工厂的污染排放口设置对应的气体传感器，以气体传感器检测初始排出的污染物中各种有害物质的浓度，比如二氧化碳、二氧化硫等的浓度作为各个排放指标的初始排放浓度。进一步获取所述空气检测数据集基于所述各个排放指标的检测浓度，其中，所述空气检测数据集为截取检测稳定性大于预设稳定性的数据，就是说，空气检测数据集是在待评估区域内的不同位置的污染物的浓度检测数据，但是，如果污染物处于扩散阶段，即还在区域内扩散，就会导致不同位置处检测到的污染物浓度具有较大的差异，进而可能会导致土质边坡的稳定性评估结果不准确，因此，可对检测获得的各个排放指标的检测浓度进行稳定性分析，即对于各个排放指标的检测浓度的变化程度进行分析得到检测稳定性，示例性的，可计算各个排放指标的检测浓度的方差或者变化速率作为检测稳定性，进一步由本领域专业技术人员结合实际经验设置预设稳定性，预设稳定性即为判定各个排放指标的检测浓度趋于稳定的判定条件。由此，检测稳定性大于预设稳定性的数据作为所述空气检测数据集。
进一步地，根据所述排放浓度和所述检测浓度进行比对，以所述排放浓度和所述检测浓度之间的偏差值作为浓度差异，同时记录所述排放浓度的采集时间和所述检测浓度的采集时间之间的时间长度作为扩散时间，以所述浓度差异和所述扩散时间，输出空气影响相关度，其中，所述空气影响相关度为所述第一关联工厂对所述待评估区域造成的空气影响相关程度。具体来说，浓度差异越大，可由本领域专业技术人员通过现有技术制定不同的浓度差异样本、扩散时间样本以及对应的空气影响相关度样本，以浓度差异样本、扩散时间样本以及对应的空气影响相关度样本对现有的机器学习模型进行训练，通过训练至收敛状态的机器学习模型对所述浓度差异和所述扩散时间进行分析，输出所述空气影响相关度。由此实现对工厂与空气污染相关度的相关分析，便于后续基于污染排放进行土质边坡稳定性分析，提高分析准确性。
基于所述空气影响相关度，训练相关度网络层；
基于所述空气影响相关度，训练相关度网络层，所述相关度网络层是现有技术中的机器学习模型，比如神经网络模型，即以所述空气影响相关度和所述排放指标集作为相关度网络层的输入，以待评估区域内的空气检测数据集对相关度网络层的输出进行监督调整，由此将相关度网络层训练至收敛，后续通过相关度网络层进行污染物排放的预测。
建立双支路固结评估模型，将所述边坡有限元仿真模型与所述双支路固结评估模型连接，其中，所述双支路固结评估模型包括表面固结评估模型和降雨固结评估模型；
将所述相关度网络层嵌入至所述双支路固结评估模型中，并与所述边坡有限元仿真模型连接，将所述第一关联工厂的实时排放指标集发送至所述边坡有限元仿真模型，调用所述双支路固结评估模型进行分析，输出边坡稳定性评估结果。
建立双支路固结评估模型，所述双支路固结评估模型包括表面固结评估模型和降雨固结评估模型，表面固结评估模型和降雨固结评估模型基于现有的机器学习模型构建，表面固结评估模型用于对不降雨时期，由于长期日积月累造成的边坡表面的边坡变形、土质疏松化、金属化等程度进行评估；降雨固结评估模型用于对降雨时雨水固结进土质层中，由于土质中添加的添加剂而改变土质的稳定性进行分析评估。将所述边坡有限元仿真模型与所述双支路固结评估模型连接，可通过现有技术在两个模型之间设置接口或共享数据来实现。
将所述相关度网络层嵌入至所述双支路固结评估模型中，并与所述边坡有限元仿真模型连接，可通过现有技术在两个模型之间设置接口或共享数据来实现。进而将所述第一关联工厂的实时排放指标集发送至所述边坡有限元仿真模型，调用所述双支路固结评估模型进行分析，输出边坡稳定性评估结果，具体过程如下详述。
在一个优选实施例中，还包括：
将所述第一关联工厂的实时排放指标集发送至所述边坡有限元仿真模型中，根据所述相关度网络层对所述实时排放指标集进行预测，输出预测排放指标集；再基于所述预测排放指标集，由所述双支路固结评估模型进行双支路动态模拟，获取第一模拟数据集和第二模拟数据集；将所述第一模拟数据集输入所述表面固结评估模型进行分析，获取第一固结隐患指标；将所述第二模拟数据集输入所述降雨固结评估模型进行分析，获取第二固结隐患指标；基于所述第一固结隐患指标和所述第二固结隐患指标，输出边坡稳定性评估结果。
在一个优选实施例中，还包括：
将所述第一模拟数据集输入所述表面固结评估模型中，根据所述表面固结评估模型，得到边坡表面层固结厚度影响、边坡表面层土质固结硬度影响以及边坡表面层固结覆盖率影响；根据所述边坡表面层固结厚度影响、边坡表面层土质固结硬度影响以及边坡表面层固结覆盖率影响，获取第一固结隐患指标。
在一个优选实施例中，还包括：
将所述第二模拟数据集输入所述降雨固结评估模型中，根据所述降雨固结评估模型，得到边坡液体固结速率影响、边坡液体固结渗透率影响以及边坡液体固结破坏性影响；根据所述边坡液体固结速率影响、边坡液体固结渗透率影响以及边坡液体固结破坏性影响，获取第二固结隐患指标。
将所述第一关联工厂的实时排放指标集发送至所述边坡有限元仿真模型中，其中，实时排放指标集可通过在第一关联工厂的污染排放口安装气体传感器检测获取，进而根据所述相关度网络层对所述实时排放指标集进行预测，即将实时排放指标集输入所述相关度网络层，输出预测排放指标集，预测排放指标集即为扩散至待评估区域内的污染物浓度。再基于所述预测排放指标集，由所述双支路固结评估模型进行双支路动态模拟，获取第一模拟数据集和第二模拟数据集，简单来说，就是针对不降雨时空气污染对土质边坡形成的日积月累的边坡变形、土质疏松化、金属化等破坏进行模拟，得到第一模拟数据集。具体来说，可通过调取不同的排放指标集样本和对应的边坡变形、土质疏松化、金属化等破坏数据样本基于现有的机器学习模型进行土质边坡破坏模拟，比如可以通过现有的专家系统对不同的排放指标集样本和对应的边坡变形、土质疏松化、金属化等破坏数据样本进行分析，建立不同的排放指标集样本与对应的边坡变形、土质疏松化、金属化等破坏数据样本的数据关联关系，进而对所述预测排放指标集进行分析，输出表示不降雨时的土质边坡的边坡变形、土质疏松化、金属化等破坏的第一模拟数据集。同理，采用相同的方法获取第二模拟数据集，即针对降雨时雨水固结进土质层中，由于土质中添加的添加剂，改变土质的稳定性的数据进行模拟，得到第二模拟数据集。
进而将所述第一模拟数据集输入所述表面固结评估模型进行分析，获取第一固结隐患指标，具体过程如下：
将所述第一模拟数据集输入所述表面固结评估模型中，根据所述表面固结评估模型，得到边坡表面层固结厚度影响、边坡表面层土质固结硬度影响以及边坡表面层固结覆盖率影响。也就是说，所述表面固结评估模型的输入是第一模拟数据集，输出是边坡表面层固结厚度影响、边坡表面层土质固结硬度影响以及边坡表面层固结覆盖率影响。可以理解的，可基于现有技术获取第一模拟数据集样本和对应的边坡表面层固结厚度影响样本、边坡表面层土质固结硬度影响样本以及边坡表面层固结覆盖率影响样本对现有的机器学习模型进行训练，得到收敛的表面固结评估模型。其中，边坡表面层固结厚度影响是指对土质中的土壤颗粒被压实和胶结厚度的影响程度，边坡表面层土质固结硬度影响是指对土壤颗粒之间结合的紧密程度的影响，边坡表面层固结覆盖率影响是指对边坡表面被固结土壤覆盖的面积与总面积之比的影响程度。对所述边坡表面层固结厚度影响、边坡表面层土质固结硬度影响以及边坡表面层固结覆盖率影响进行加权计算得到第一固结隐患指标，其中，加权计算所使用的权重由本领域专业技术人员设定，对此不做限制。由此通过对边坡表面层固结厚度影响、边坡表面层土质固结硬度影响以及边坡表面层固结覆盖率影响的分析，为后续的边坡稳定性评估提供支持，建立边坡稳定性评估与工厂的污染排放的关系，便于进行工厂污染排放的控制。
进一步将所述第二模拟数据集输入所述降雨固结评估模型进行分析，获取第二固结隐患指标，具体过程如下：
将所述第二模拟数据集输入所述降雨固结评估模型中，根据所述降雨固结评估模型，得到边坡液体固结速率影响、边坡液体固结渗透率影响以及边坡液体固结破坏性影响。所述降雨固结评估模型的输入是第二模拟数据集，输出是边坡液体固结速率影响、边坡液体固结渗透率影响以及边坡液体固结破坏性影响。可以理解的，可基于现有技术获取第二模拟数据集样本和对应的边坡液体固结速率影响样本、边坡液体固结渗透率影响样本以及边坡液体固结破坏性影响样本对现有的机器学习模型进行训练，得到收敛的所述降雨固结评估模型。其中，边坡液体固结速率影响是指边坡土壤中水分被吸收或排出的速度影响；边坡液体固结渗透率影响是指边坡土壤在一定压力下允许水通过的能力的影响，即空气中的排放物与水混合后会具有更大的固结层，会对边坡稳定性造成影响，举例如，如果边坡土壤的渗透率较高，水分容易渗透到边坡内部，导致土壤的承载能力下降，从而影响边坡的稳定性；边坡液体固结破坏性影响是指边坡土壤中水分吸收或排出过程中，导致边坡发生破坏的程度，比如，边坡土壤中的水分吸收或排出过程中产生的压力过大，超过了土壤的承载能力，就会导致边坡发生破坏。进而对所述边坡液体固结速率影响、边坡液体固结渗透率影响以及边坡液体固结破坏性影响进行加权计算得到第二固结隐患指标。其中，加权计算所使用的权重由本领域专业技术人员设定，对此不做限制。由此通过表面固结评估模型和降雨固结评估模型实现不同条件下的固结隐患指标分析，提高边坡稳定性评估的全面性和准确性。
最后，以所述第一固结隐患指标和所述第二固结隐患指标作为边坡稳定性评估结果进行输出，实现边坡稳定性模拟评估，提升边坡稳定性评估的准确性。后续可根据边坡稳定性评估结果，对第一关联工厂的污染排放进行控制，提升边坡稳定性，降低边坡土质受到的破坏。
在一个优选实施例中，还包括：
获取所述待评估区域的环境特征分布，根据环境特征分布输出所述待评估区域的降雨概率；以所述降雨概率对所述双支路固结评估模型获取的第一模拟数据集和第二模拟数据集进行权重调整，得到调整后的第一模拟数据集和第二模拟数据集。
获取所述待评估区域的环境特征分布，根据环境特征分布输出所述待评估区域的降雨概率，环境特征分布是指与降雨有关的环境特征，比如地形坡度、植被覆盖率、土壤湿度、地质构造等，可由本领域专业技术人员设定。进一步采集获取与环境特征分布相同的历史环境特征对应的降雨记录，提取降雨次数占总记录的比值作为所述待评估区域的降雨概率。以所述降雨概率对所述双支路固结评估模型获取的第一模拟数据集和第二模拟数据集进行权重调整，得到调整后的第一模拟数据集和第二模拟数据集，就是说，第一模拟数据集和第二模拟数据集是针对不降雨和降雨时的边坡土质状态，比如边坡表面土质疏松化、金属化进行模拟的数据，就应当按照降雨概率对第一模拟数据集和第二模拟数据集进行调整，比如以降雨概率作为第二模拟数据集的权重，对第二模拟数据集乘以对应的权重实现数据调整，用1减去第二模拟数据集的权重作为第一模拟数据集的权重进行数据调整。由此实现不同降雨概率下的土质模拟数据的调整，提升模拟准确性，进而提升土质边坡稳定性评估的准确性。
在一个优选实施例中，还包括：
将所述双支路固结评估模型与温度检测装置连接；根据所述温度检测装置，获取所述待评估区域的实时温度；将所述待评估区域的实时温度输入所述双支路固结评估模型中，当所述实时温度大于第一预设温度，对所述第一模拟数据集和所述第二模拟数据集进行调节；当所述实时温度小于第二预设温度，获取第二调节信息；利用所述第二调节信息对所述第一模拟数据集和所述第二模拟数据集进行调节。
将所述双支路固结评估模型与温度检测装置连接，温度检测装置即为现有的温度传感器，可通过蓝牙或Wi-Fi等方式连接，对此不做限制。根据所述温度检测装置检测获取所述待评估区域的实时温度。将所述待评估区域的实时温度输入所述双支路固结评估模型中，当所述实时温度大于第一预设温度，其中，第一预设温度是高温阈值，即当所述实时温度大于第一预设温度，就可认为土壤中水分会发生蒸发，土质中不包含水分，此时边坡的土质具有稳定性，此时可对所述第一模拟数据集和所述第二模拟数据集进行调节，比如降低边坡表面土质疏松化、金属化，使得所述第一模拟数据集和所述第二模拟数据集变换为具有稳定性的数据，后续的输出的边坡稳定性评估结果为具有稳定性。当所述实时温度小于第二预设温度，获取第二调节信息，其中，第二预设温度为低温时的温度，具体为土质中的水分冻结温度，此时水分冻结，土质的稳定性也会变高，获取第二调节信息，第二调节信息为将所述第一模拟数据集和所述第二模拟数据集向稳定性更高的方向调节的信息，比如降低边坡表面土质疏松化、金属化，利用所述第二调节信息对所述第一模拟数据集和所述第二模拟数据集进行调节。由此通过进行温度检测，以温度对土质稳定性影响进行所述第一模拟数据集和所述第二模拟数据集的调节，进而提升土质边坡稳定性评估结果的准确性。
基于上述分析可知，本申请提供的一个或多个技术方案，其可达到的有益效果如下：
获取待评估区域内的边坡建模参数，生成边坡有限元仿真模型，获取待评估区域内的第一关联工厂，并对第一关联工厂进行排放数据采集，得到排放指标集，获取待评估区域内的空气检测数据集，根据空气检测数据集和排放指标集获取空气影响相关度，基于空气影响相关度，训练相关度网络层，建立双支路固结评估模型，将边坡有限元仿真模型与双支路固结评估模型连接，其中，双支路固结评估模型包括表面固结评估模型和降雨固结评估模型，将相关度网络层嵌入至双支路固结评估模型中，并与边坡有限元仿真模型连接，将第一关联工厂的实时排放指标集发送至边坡有限元仿真模型，调用双支路固结评估模型进行分析，输出边坡稳定性评估结果。由此通过对工厂污染排放对边坡区域空气造成的影响程度进行分析，进而通过双支路固结评估模型进行空气污染对边坡稳定性的影响评估，得到边坡稳定性评估结果，达到实现边坡稳定性与空气污染的联合分析，提升边坡稳定分析的准确性，便于通过边坡稳定性评估结果进行工厂的污染排放控制，降低空气污染对土质边坡的破坏性的技术效果。
实施例二：
基于与前述实施例中一种土质边坡的稳定性模拟评估方法同样的发明构思，如图2所示，本申请还提供了一种土质边坡的稳定性模拟评估系统，所述系统包括：
边坡建模仿真模块11，所述边坡建模仿真模块11用于获取待评估区域内的边坡建模参数，生成边坡有限元仿真模型；
排放指标采集模块12，所述排放指标采集模块12用于获取待评估区域内的第一关联工厂，并对所述第一关联工厂进行排放数据采集，得到排放指标集；
空气影响分析模块13，所述空气影响分析模块13用于获取所述待评估区域内的空气检测数据集，根据所述空气检测数据集和所述排放指标集获取空气影响相关度；
相关度网络层训练模块14，所述相关度网络层训练模块14用于基于所述空气影响相关度，训练相关度网络层；
固结评估模型建立模块15，所述固结评估模型建立模块15用于建立双支路固结评估模型，将所述边坡有限元仿真模型与所述双支路固结评估模型连接，其中，所述双支路固结评估模型包括表面固结评估模型和降雨固结评估模型；
稳定性评估模块16，所述稳定性评估模块16用于将所述相关度网络层嵌入至所述双支路固结评估模型中，并与所述边坡有限元仿真模型连接，将所述第一关联工厂的实时排放指标集发送至所述边坡有限元仿真模型，调用所述双支路固结评估模型进行分析，输出边坡稳定性评估结果。
进一步而言，所述稳定性评估模块16还包括：
将所述第一关联工厂的实时排放指标集发送至所述边坡有限元仿真模型中，根据所述相关度网络层对所述实时排放指标集进行预测，输出预测排放指标集；
再基于所述预测排放指标集，由所述双支路固结评估模型进行双支路动态模拟，获取第一模拟数据集和第二模拟数据集；
将所述第一模拟数据集输入所述表面固结评估模型进行分析，获取第一固结隐患指标；
将所述第二模拟数据集输入所述降雨固结评估模型进行分析，获取第二固结隐患指标；
基于所述第一固结隐患指标和所述第二固结隐患指标，输出边坡稳定性评估结果。
进一步而言，所述稳定性评估模块16还包括：
将所述第一模拟数据集输入所述表面固结评估模型中，根据所述表面固结评估模型，得到边坡表面层固结厚度影响、边坡表面层土质固结硬度影响以及边坡表面层固结覆盖率影响；
根据所述边坡表面层固结厚度影响、边坡表面层土质固结硬度影响以及边坡表面层固结覆盖率影响，获取第一固结隐患指标。
进一步而言，所述稳定性评估模块16还包括：
将所述第二模拟数据集输入所述降雨固结评估模型中，根据所述降雨固结评估模型，得到边坡液体固结速率影响、边坡液体固结渗透率影响以及边坡液体固结破坏性影响；
根据所述边坡液体固结速率影响、边坡液体固结渗透率影响以及边坡液体固结破坏性影响，获取第二固结隐患指标。
进一步而言，所述稳定性评估模块16还包括：
获取所述待评估区域的环境特征分布，根据环境特征分布输出所述待评估区域的降雨概率；
以所述降雨概率对所述双支路固结评估模型获取的第一模拟数据集和第二模拟数据集进行权重调整，得到调整后的第一模拟数据集和第二模拟数据集。
进一步而言，所述稳定性评估模块16还包括：
将所述双支路固结评估模型与温度检测装置连接；
根据所述温度检测装置，获取所述待评估区域的实时温度；
将所述待评估区域的实时温度输入所述双支路固结评估模型中，当所述实时温度大于第一预设温度，对所述第一模拟数据集和所述第二模拟数据集进行调节；
当所述实时温度小于第二预设温度，获取第二调节信息；
利用所述第二调节信息对所述第一模拟数据集和所述第二模拟数据集进行调节。
进一步而言，所述空气影响分析模块13还包括：
记录所述排放指标集中各个排放指标的初始排放浓度；
获取所述空气检测数据集基于所述各个排放指标的检测浓度，其中，所述空气检测数据集为截取检测稳定性大于预设稳定性的数据；
根据所述排放浓度和所述检测浓度进行比对，获取浓度差异和扩散时间，以所述浓度差异和所述扩散时间，输出空气影响相关度，其中，所述空气影响相关度为所述第一关联工厂对所述待评估区域造成的空气影响相关程度。
前述实施例一中的一种土质边坡的稳定性模拟评估方法具体实例同样适用于本实施例的一种土质边坡的稳定性模拟评估系统，通过前述对一种土质边坡的稳定性模拟评估方法的详细描述，本领域技术人员可以清楚地知道本实施例中一种土质边坡的稳定性模拟评估系统，所以为了说明书的简洁，在此不再详述。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。
注意，上述仅为本申请的较佳实施例及所运用技术原理。本领域技术人员会理解，本申请不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本申请的保护范围。因此，虽然通过以上实施例对本申请进行了较为详细的说明，但是本申请不仅仅限于以上实施例，在不脱离本申请构思的情况下，还可以包括更多其他等效实施例，而本申请的范围由所附的权利要求范围决定。
Claims (8)
1.一种土质边坡的稳定性模拟评估方法，其特征在于，所述方法包括：
获取待评估区域内的边坡建模参数，生成边坡有限元仿真模型；
获取待评估区域内的第一关联工厂，并对所述第一关联工厂进行排放数据采集，得到排放指标集；
获取所述待评估区域内的空气检测数据集，根据所述空气检测数据集和所述排放指标集获取空气影响相关度；
基于所述空气影响相关度，训练相关度网络层；
建立双支路固结评估模型，将所述边坡有限元仿真模型与所述双支路固结评估模型连接，其中，所述双支路固结评估模型包括表面固结评估模型和降雨固结评估模型；
将所述相关度网络层嵌入至所述双支路固结评估模型中，并与所述边坡有限元仿真模型连接，将所述第一关联工厂的实时排放指标集发送至所述边坡有限元仿真模型，调用所述双支路固结评估模型进行分析，输出边坡稳定性评估结果。
2.如权利要求1所述的方法，其特征在于，将所述第一关联工厂的实时排放指标集发送至所述边坡有限元仿真模型，调用所述双支路固结评估模型进行分析，方法包括：
将所述第一关联工厂的实时排放指标集发送至所述边坡有限元仿真模型中，根据所述相关度网络层对所述实时排放指标集进行预测，输出预测排放指标集；
再基于所述预测排放指标集，由所述双支路固结评估模型进行双支路动态模拟，获取第一模拟数据集和第二模拟数据集；
将所述第一模拟数据集输入所述表面固结评估模型进行分析，获取第一固结隐患指标；
将所述第二模拟数据集输入所述降雨固结评估模型进行分析，获取第二固结隐患指标；
基于所述第一固结隐患指标和所述第二固结隐患指标，输出边坡稳定性评估结果。
3.如权利要求2所述的方法，其特征在于，将所述第一模拟数据集输入所述表面固结评估模型进行分析，方法包括：
将所述第一模拟数据集输入所述表面固结评估模型中，根据所述表面固结评估模型，得到边坡表面层固结厚度影响、边坡表面层土质固结硬度影响以及边坡表面层固结覆盖率影响；
根据所述边坡表面层固结厚度影响、边坡表面层土质固结硬度影响以及边坡表面层固结覆盖率影响，获取第一固结隐患指标。
4.如权利要求2所述的方法，其特征在于，将所述第二模拟数据集输入所述降雨固结评估模型进行分析，获取第二固结隐患指标，方法还包括：
将所述第二模拟数据集输入所述降雨固结评估模型中，根据所述降雨固结评估模型，得到边坡液体固结速率影响、边坡液体固结渗透率影响以及边坡液体固结破坏性影响；
根据所述边坡液体固结速率影响、边坡液体固结渗透率影响以及边坡液体固结破坏性影响，获取第二固结隐患指标。
5.如权利要求2所述的方法，其特征在于，由所述双支路固结评估模型进行双支路动态模拟，方法还包括：
获取所述待评估区域的环境特征分布，根据环境特征分布输出所述待评估区域的降雨概率；
以所述降雨概率对所述双支路固结评估模型获取的第一模拟数据集和第二模拟数据集进行权重调整，得到调整后的第一模拟数据集和第二模拟数据集。
6.如权利要求2所述的方法，其特征在于，调用所述双支路固结评估模型进行分析，输出边坡稳定性评估结果，方法还包括：
将所述双支路固结评估模型与温度检测装置连接；
根据所述温度检测装置，获取所述待评估区域的实时温度；
将所述待评估区域的实时温度输入所述双支路固结评估模型中，当所述实时温度大于第一预设温度，对所述第一模拟数据集和所述第二模拟数据集进行调节；
当所述实时温度小于第二预设温度，获取第二调节信息；
利用所述第二调节信息对所述第一模拟数据集和所述第二模拟数据集进行调节。
7.如权利要求1所述的方法，其特征在于，根据所述空气检测数据集和所述排放指标集获取空气影响相关度，方法还包括：
记录所述排放指标集中各个排放指标的初始排放浓度；
获取所述空气检测数据集基于所述各个排放指标的检测浓度，其中，所述空气检测数据集为截取检测稳定性大于预设稳定性的数据；
根据所述排放浓度和所述检测浓度进行比对，获取浓度差异和扩散时间，以所述浓度差异和所述扩散时间，输出空气影响相关度，其中，所述空气影响相关度为所述第一关联工厂对所述待评估区域造成的空气影响相关程度。
8.一种土质边坡的稳定性模拟评估系统，其特征在于，用于执行权利要求1至7任意一项所述方法的步骤，所述系统包括：
边坡建模仿真模块，所述边坡建模仿真模块用于获取待评估区域内的边坡建模参数，生成边坡有限元仿真模型；
排放指标采集模块，所述排放指标采集模块用于获取待评估区域内的第一关联工厂，并对所述第一关联工厂进行排放数据采集，得到排放指标集；
空气影响分析模块，所述空气影响分析模块用于获取所述待评估区域内的空气检测数据集，根据所述空气检测数据集和所述排放指标集获取空气影响相关度；
相关度网络层训练模块，所述相关度网络层训练模块用于基于所述空气影响相关度，训练相关度网络层；
固结评估模型建立模块，所述固结评估模型建立模块用于建立双支路固结评估模型，将所述边坡有限元仿真模型与所述双支路固结评估模型连接，其中，所述双支路固结评估模型包括表面固结评估模型和降雨固结评估模型；
稳定性评估模块，所述稳定性评估模块用于将所述相关度网络层嵌入至所述双支路固结评估模型中，并与所述边坡有限元仿真模型连接，将所述第一关联工厂的实时排放指标集发送至所述边坡有限元仿真模型，调用所述双支路固结评估模型进行分析，输出边坡稳定性评估结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311756127.1A CN117435891B (zh) | 2023-12-20 | 2023-12-20 | 一种土质边坡的稳定性模拟评估方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311756127.1A CN117435891B (zh) | 2023-12-20 | 2023-12-20 | 一种土质边坡的稳定性模拟评估方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117435891A true CN117435891A (zh) | 2024-01-23 |
| CN117435891B CN117435891B (zh) | 2024-02-27 |
Family
ID=89552060
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311756127.1A Active CN117435891B (zh) | 2023-12-20 | 2023-12-20 | 一种土质边坡的稳定性模拟评估方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117435891B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118687533A (zh) * | 2024-08-23 | 2024-09-24 | 成都嘉新科技集团有限公司 | 一种坚基路面工程的下沉检测方法 |
Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006195650A (ja) * | 2005-01-12 | 2006-07-27 | Chuo Kaihatsu Kk | 斜面崩壊監視予測システム |
| TW201030687A (en) * | 2009-02-09 | 2010-08-16 | Univ Nat Pingtung Sci & Tech | Intelligent side slope evaluation and forecast decision system |
| CN102243323A (zh) * | 2010-05-10 | 2011-11-16 | 中南大学 | 基于视频探测的岩质边坡稳定性分析方法 |
| CN103336854A (zh) * | 2013-05-13 | 2013-10-02 | 河海大学 | 一种高边坡三维有限元模型的建模方法 |
| CN103745131A (zh) * | 2014-01-27 | 2014-04-23 | 北方工业大学 | 边坡稳定性精细化评价方法 |
| CN105821889A (zh) * | 2016-04-05 | 2016-08-03 | 中国地质调查局西安地质调查中心 | 基于地下水位控制的黄土台塬滑坡综合治理方法 |
| CN106405675A (zh) * | 2016-08-25 | 2017-02-15 | 山东科技大学 | 用于露天矿坑尾矿库边坡滑坡预警的动态监测系统及方法 |
| CN107067333A (zh) * | 2017-01-16 | 2017-08-18 | 长沙矿山研究院有限责任公司 | 一种高寒高海拔高陡边坡稳定性监控方法 |
| CN108090286A (zh) * | 2017-12-19 | 2018-05-29 | 中国水利水电科学研究院 | 一种生态护坡稳定性分析方法 |
| KR20210030031A (ko) * | 2019-09-09 | 2021-03-17 | 한국지질자원연구원 | 사전 기상정보 연동 산사태 조기경보 방법 및 산사태 조기경보 시스템 |
| CN112966425A (zh) * | 2021-04-06 | 2021-06-15 | 昆明理工大学 | 一种边坡稳定性预测评估方法 |
| CN113295212A (zh) * | 2021-05-26 | 2021-08-24 | 西北大学 | 应用多监测点协同作用的滑坡整体稳定性安全预警系统 |
| US20230214557A1 (en) * | 2021-12-30 | 2023-07-06 | Institute Of Mechanics, Chinese Academy Of Sciences | Method for dynamically assessing slope safety |
| US11796695B1 (en) * | 2022-04-20 | 2023-10-24 | Nanjing University Of Information Science & Technology | Evaluation method for evaluating precipitation-induced landslide disaster loss under climate change |
| CN117133099A (zh) * | 2023-08-28 | 2023-11-28 | 河南交院工程技术集团有限公司 | 一种用于高速公路高边坡灾变的自动监测系统 |
-
2023
- 2023-12-20 CN CN202311756127.1A patent/CN117435891B/zh active Active
Patent Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006195650A (ja) * | 2005-01-12 | 2006-07-27 | Chuo Kaihatsu Kk | 斜面崩壊監視予測システム |
| TW201030687A (en) * | 2009-02-09 | 2010-08-16 | Univ Nat Pingtung Sci & Tech | Intelligent side slope evaluation and forecast decision system |
| CN102243323A (zh) * | 2010-05-10 | 2011-11-16 | 中南大学 | 基于视频探测的岩质边坡稳定性分析方法 |
| CN103336854A (zh) * | 2013-05-13 | 2013-10-02 | 河海大学 | 一种高边坡三维有限元模型的建模方法 |
| CN103745131A (zh) * | 2014-01-27 | 2014-04-23 | 北方工业大学 | 边坡稳定性精细化评价方法 |
| CN105821889A (zh) * | 2016-04-05 | 2016-08-03 | 中国地质调查局西安地质调查中心 | 基于地下水位控制的黄土台塬滑坡综合治理方法 |
| CN106405675A (zh) * | 2016-08-25 | 2017-02-15 | 山东科技大学 | 用于露天矿坑尾矿库边坡滑坡预警的动态监测系统及方法 |
| CN107067333A (zh) * | 2017-01-16 | 2017-08-18 | 长沙矿山研究院有限责任公司 | 一种高寒高海拔高陡边坡稳定性监控方法 |
| CN108090286A (zh) * | 2017-12-19 | 2018-05-29 | 中国水利水电科学研究院 | 一种生态护坡稳定性分析方法 |
| KR20210030031A (ko) * | 2019-09-09 | 2021-03-17 | 한국지질자원연구원 | 사전 기상정보 연동 산사태 조기경보 방법 및 산사태 조기경보 시스템 |
| CN112966425A (zh) * | 2021-04-06 | 2021-06-15 | 昆明理工大学 | 一种边坡稳定性预测评估方法 |
| CN113295212A (zh) * | 2021-05-26 | 2021-08-24 | 西北大学 | 应用多监测点协同作用的滑坡整体稳定性安全预警系统 |
| US20230214557A1 (en) * | 2021-12-30 | 2023-07-06 | Institute Of Mechanics, Chinese Academy Of Sciences | Method for dynamically assessing slope safety |
| US11796695B1 (en) * | 2022-04-20 | 2023-10-24 | Nanjing University Of Information Science & Technology | Evaluation method for evaluating precipitation-induced landslide disaster loss under climate change |
| CN117133099A (zh) * | 2023-08-28 | 2023-11-28 | 河南交院工程技术集团有限公司 | 一种用于高速公路高边坡灾变的自动监测系统 |
Non-Patent Citations (5)
| Title |
|---|
| FILIP GAGO 等: "The Slope Stability Solution Using Meshless Local Petrov-Galerkin Method", 《TRANSPORTATION RESEARCH PROCEDIA》, 31 May 2019 (2019-05-31), pages 686 - 693 * |
| SERGES MENDOMO MEYE 等: "Research on Seepage Field and Slope Stability Considering Heterogeneous Characteristics of Waste Piles: A Less Costly Way to Reduce High Leachate Levels and Avoid Accidents", 《ADVANCES IN CIVIL ENGINEERING》, 26 April 2022 (2022-04-26), pages 1 - 20 * |
| 万玲玲: "矿区排矸场边坡稳定性评价分析及防护治理研究", 《水利技术监督》, 10 January 2022 (2022-01-10), pages 9 - 12 * |
| 姚爱军， 薛廷河: "复杂边坡稳定性评价方法与工程实践", 31 January 2008, 科学出版社, pages: 1 - 30 * |
| 孙畅 等: "土体-大气相互作用下土质边坡稳定性研究", 《地球科学》, vol. 47, no. 10, 8 August 2022 (2022-08-08), pages 3701 - 3722 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118687533A (zh) * | 2024-08-23 | 2024-09-24 | 成都嘉新科技集团有限公司 | 一种坚基路面工程的下沉检测方法 |
| CN118687533B (zh) * | 2024-08-23 | 2024-11-01 | 成都嘉新科技集团有限公司 | 一种坚基路面工程的下沉检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117435891B (zh) | 2024-02-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Komma et al. | Ensemble prediction of floods–catchment non-linearity and forecast probabilities | |
| Nyenje et al. | Estimating the effects of climate change on groundwater recharge and baseflow in the upper Ssezibwa catchment, Uganda | |
| Zou et al. | Performance of AERMOD at different time scales | |
| CN110287615B (zh) | 基于遥感解译和降雨实验的雨水径流污染负荷测算方法 | |
| CN110646867A (zh) | 一种城市排水监测预警方法和系统 | |
| CN117435891B (zh) | 一种土质边坡的稳定性模拟评估方法及系统 | |
| CN112035448A (zh) | 一种综合地基gnss水汽和气象要素的神经网络短临降水预报方法 | |
| Delkash et al. | Short-term landfill methane emissions dependency on wind | |
| CN117010217B (zh) | 基于模型分析的地下水污染可视化方法及系统 | |
| CN109726891A (zh) | 一种河流灰水足迹评估方法及其应用 | |
| CN113591700A (zh) | 一种潜在滑坡堵江预测方法 | |
| CN111444560A (zh) | 考虑下垫面影响的高填方压实质量实时评价方法 | |
| CN115829812A (zh) | 一种基于生态系统模拟的碳汇量测算方法及系统 | |
| CN110516289B (zh) | 一种基于频遇值的桥梁短期监测评估方法 | |
| CN110580377A (zh) | 一种基于响应曲面法的植草沟设计参数优化方法 | |
| CN118186862B (zh) | 一种基于bp神经网络的连续压实质量检测方法 | |
| Cristofanelli et al. | Identification of spikes in continuous ground-based in-situ time series of CO 2, CH 4 and CO: an extended experiment within the European ICOS-Atmosphere Network | |
| Fan et al. | The lasting signatures of past landslides on soil stripping from landscapes | |
| Benson | Modeling unsaturated flow and atmospheric interactions | |
| CN106706873A (zh) | 一种直接获得swmm水质模型中参数w的方法 | |
| Zhao et al. | Modelling particle diffusion patterns inside urban road tunnels in Dalian, China, employing annual field measurement | |
| CN110390149A (zh) | 一种基于物源聚集量的强震区泥石流活动性预测方法 | |
| CN112064617B (zh) | 一种土石混合料地基质量检测方法 | |
| Chintalapudi et al. | High-resolution, fully distributed hydrologic event-based simulations over a large watershed in Texas | |
| Penn et al. | Effects of street grid configuration on kerbside concentrations of vehicular emissions |
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 |