CN117493833B - 一种滑坡变形阶段识别方法、系统、存储介质及计算机 - Google Patents
一种滑坡变形阶段识别方法、系统、存储介质及计算机 Download PDFInfo
- Publication number
- CN117493833B CN117493833B CN202311839837.0A CN202311839837A CN117493833B CN 117493833 B CN117493833 B CN 117493833B CN 202311839837 A CN202311839837 A CN 202311839837A CN 117493833 B CN117493833 B CN 117493833B
- Authority
- CN
- China
- Prior art keywords
- data
- target
- acquisition
- deformation
- data set
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 34
- 230000008859 change Effects 0.000 claims abstract description 96
- 230000003247 decreasing effect Effects 0.000 claims abstract description 29
- 238000012544 monitoring process Methods 0.000 claims abstract description 12
- 238000006073 displacement reaction Methods 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 6
- 238000012546 transfer Methods 0.000 abstract description 2
- 239000000463 material Substances 0.000 description 4
- 239000002689 soil Substances 0.000 description 4
- 239000004927 clay Substances 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000007423 decrease Effects 0.000 description 2
- 239000010438 granite Substances 0.000 description 2
- 239000004575 stone Substances 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 244000302661 Phyllostachys pubescens Species 0.000 description 1
- 235000003570 Phyllostachys pubescens Nutrition 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910002056 binary alloy Inorganic materials 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 239000003673 groundwater Substances 0.000 description 1
- 239000011229 interlayer Substances 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000010410 layer Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000000843 powder Substances 0.000 description 1
- 239000010453 quartz Substances 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 238000009991 scouring Methods 0.000 description 1
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N silicon dioxide Inorganic materials O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 description 1
- 238000002791 soaking 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
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Mathematics (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Algebra (AREA)
- Evolutionary Computation (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Life Sciences & Earth Sciences (AREA)
- Pure & Applied Mathematics (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Pit Excavations, Shoring, Fill Or Stabilisation Of Slopes (AREA)
Abstract
本发明提供及一种滑坡变形阶段识别方法、系统、存储介质及计算机,该方法包括以下步骤:判断目标数据组中各第一采集数据之间是否满足增大或减小变化趋势;若目标数据组中各第一采集数据之间满足增大或减小变化趋势,标记第一变形数据组中最新的第一采集数据所对应的采集时刻,以得到目标时刻;对目标时刻后的第二采集数据进行监控,并获取第二采集数据的数据变化率超出预设值所对应的采集时刻,以基于采集时刻确定临滑点时刻。通过对数据进行采集处理,并进行趋势识别,以确定趋势开始时刻,然后进一步对趋势开始时刻最近的数据进行采集处理,确定灾害体发生变形的时刻,实现超前告警,为现场人员疏散转移赢得了时间,减少财产损失。
Description
技术领域
本发明涉及滑坡预警技术领域,特别涉及一种滑坡变形阶段识别方法、系统、存储介质及计算机。
背景技术
滑坡是指斜坡上的土体或者岩体,受河流冲刷、地下水活动、雨水浸泡、地震及人工切坡等因素影响,在重力作用下,沿着一定的软弱面或者软弱带,整体地或者分散地顺坡向下滑动的自然现象,通过对边坡处的环境参数进行监测,并基于监测数据进行分析,可以减少滑坡对人们的生命及财产造成的威胁。
现有技术当中,针对滑坡数据的采集及识别方式,滑坡特征要素和空间结构界定困难,适用于宏观趋势识别,忽略了滑坡土体内部状态和位移,预警的精准性较低,提前预警的效果较差。
发明内容
针对现有技术的不足,本发明的目的在于提供一种滑坡变形阶段识别方法、系统、存储介质及计算机,旨在解决现有技术中,预警的精准性较低,提前预警的效果较差的技术问题。
为了实现上述目的,本发明是通过如下技术方案来实现的:一种滑坡变形阶段识别方法,包括以下步骤:基于第一采集频率获取若干个连续的第一采集数据,以得到第一变形数据组;根据所述第一变形数据组中各第一采集数据的采集时刻赋予对应的权数,并对各所述第一采集数据进行加权处理以得到目标数据组,其中,所述第一变形数据组中与最新采集时刻对应的第一采集数据的权数大于其他权数;判断所述目标数据组中各第一采集数据之间是否满足增大或减小变化趋势;若所述目标数据组中各第一采集数据之间满足增大或减小变化趋势,标记所述第一变形数据组中最新的第一采集数据所对应的采集时刻,以得到目标时刻;对所述目标时刻后的第二采集数据进行监控,并获取第二采集数据的数据变化率超出预设值所对应的采集时刻,以基于所述采集时刻确定临滑点时刻。
根据上述技术方案的一方面,获取第二采集数据的数据变化率超出预设值对应的采集时刻,以基于所述采集时刻确定临滑点时刻的步骤具体包括:
基于所述目标时刻及所述目标时刻后对应的若干个第二采集数据,以得到第二变形数据组;
基于最小二乘法对各所述第二采集数据及与所述第二采集数据对应的采集时刻数据进行拟合,得到拟合曲线;
求解所述拟合曲线对应的二阶导函数是否存在位移数据为零的目标解;
若存在位移数据为零的目标解,基于所述目标解得到对应的临滑点时刻。
根据上述技术方案的一方面,判断所述目标数据组中各第一采集数据之间是否满足增大或减小的变化趋势的步骤具体包括:
判断所述目标数据组中,每相邻两个第一采集数据之间是否均满足以下表达式:
Xm>Xm-1;
式中,Xm为与当前目标时刻对应的第一目标数据,Xm-1为与前一目标时刻对应的第二目标数据;
若每相邻两个第一采集数据之间均满足所述表达式,判定所述目标数据组中各第一采集数据之间满足增大的变化趋势。
根据上述技术方案的一方面,对所述目标时刻后的第二采集数据进行监控,并获取第二采集数据的数据变化率超出预设值所对应的采集时刻的步骤具体包括:
基于所述第二变形数据组中每相邻两个采集数据的数据变化量生成变化曲线,并判断相邻两个所述变化曲线的斜率变化量是否大于预设值;
若相邻两个所述变化曲线的斜率变化量大于预设值,标记所述斜率变化量大于预设值所对应的目标变化曲线,并基于所述目标变化曲线得到对应的初始采集时刻。
根据上述技术方案的一方面,对所述目标时刻后的第二采集数据进行监控的步骤还包括:
判断所述第二变形数据组中相邻两个第二采集数据的差值是否大于预设差值;
若第二变形数据组中相邻两个第二采集数据的差值大于预设值,基于第二采集频率获取第三采集数据,所述第二采集频率大于所述第一采集频率。
根据上述技术方案的一方面,判断所述目标数据组中各第一采集数据之间是否满足增大或减小变化趋势的步骤之后,所述方法还包括:
若目标数据组中各第一采集数据之间不满足增大或减小变化趋势,基于预设的采集频率获取最新的第一采集数据,使所述第一变形数据组中第一采集数据的数量保持预设值,直至所述目标数据组中各第一采集数据之间满足增大或减小变化趋势。
另一方面本发明还提供了一种滑坡变形阶段识别系统,包括:
第一采集模块,用于基于第一采集频率获取若干个连续的第一采集数据,以得到第一变形数据组;
加权处理模块,用于根据所述第一变形数据组中各第一采集数据的采集时刻赋予对应的权数,并对各所述第一采集数据进行加权处理以得到目标数据组,其中,所述第一变形数据组中与最新采集时刻对应的第一采集数据的权数大于其他权数;
数据判断模块,用于判断所述目标数据组中各第一采集数据之间是否满足增大或减小变化趋势;
趋势判断模块,用于若所述目标数据组中各第一采集数据之间满足增大或减小变化趋势,标记所述第一变形数据组中最新的第一采集数据所对应的采集时刻,以得到目标时刻;
临滑点判断模块,用于对所述目标时刻后的第二采集数据进行监控,并获取第二采集数据的数据变化率超出预设值所对应的采集时刻,以基于所述采集时刻确定临滑点时刻。
根据上述技术方案的一方面,所述临滑点判断模块具体用于:
基于所述目标时刻及所述目标时刻后对应的若干个第二采集数据,以得到第二变形数据组;
基于最小二乘法对各所述第二采集数据及与所述第二采集数据对应的采集时刻数据进行拟合,得到拟合曲线;
求解所述拟合曲线对应的二阶导函数是否存在位移数据为零的目标解;
若存在位移数据为零的目标解,基于所述目标解得到对应的临滑点时刻。
根据上述技术方案的一方面,所述临滑点判断模块具体用于:
基于所述目标时刻及所述目标时刻后对应的若干个第二采集数据,以得到第二变形数据组;
基于最小二乘法对各所述第二采集数据及与所述第二采集数据对应的采集时刻数据进行拟合,得到拟合曲线;
求解所述拟合曲线对应的二阶导函数是否存在位移数据为零的目标解;
若存在位移数据为零的目标解,基于所述目标解得到对应的临滑点时刻。
根据上述技术方案的一方面,所述趋势判断模块具体用于:
判断所述目标数据组中,每相邻两个第一采集数据之间是否均满足以下表达式:
Xm>Xm-1;
式中,Xm为与当前目标时刻对应的第一目标数据,Xm-1为与前一目标时刻对应的第二目标数据;
若每相邻两个第一采集数据之间均满足所述表达式,判定所述目标数据组中各第一采集数据之间满足增大的变化趋势。
根据上述技术方案的一方面,所述临滑点判断模块还用于:
基于所述第二变形数据组中每相邻两个采集数据的数据变化量生成变化曲线,并判断相邻两个所述变化曲线的斜率变化量是否大于预设值;
若相邻两个所述变化曲线的斜率变化量大于预设值,标记所述斜率变化量大于预设值所对应的目标变化曲线,并基于所述目标变化曲线得到对应的初始采集时刻。
根据上述技术方案的一方面,所述临滑点判断模块还用于:
判断所述第二变形数据组中相邻两个第二采集数据的差值是否大于预设差值;
若第二变形数据组中相邻两个第二采集数据的差值大于预设值,基于第二采集频率获取第三采集数据,所述第二采集频率大于所述第一采集频率。
根据上述技术方案的一方面,所述滑坡变形阶段识别系统还包括:
第二采集模块,用于若目标数据组中各第一采集数据之间不满足增大或减小变化趋势,基于预设的采集频率获取最新的第一采集数据,使所述第一变形数据组中第一采集数据的数量保持预设值,直至所述目标数据组中各第一采集数据之间满足增大或减小变化趋势。
另一方面,本发明还提供了一种存储介质,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述技术方案所述的滑坡变形阶段识别方法。
另一方面,本发明还提供了一种计算机,其上存储有计算机程序,该程序被处理器执行时实现上述技术方案所述的滑坡变形阶段识别方法。
与现有技术相比,本发明的有益效果在于:通过对数据进行采集处理,并进行趋势识别,以确定趋势开始时刻,然后进一步对趋势开始时刻最近的数据进行采集处理,确定灾害体发生变形的时刻,区别于现有技术的方案,滑坡特征要素和空间结构界定困难,适用于宏观趋势识别,忽略了滑坡土体内部状态和位移,且属于范围的概率预测,提前预警的效果较差,本方案可以实现单个点位和设备的精准预警,以提高小型地质灾害预警的精准性,同时实现超前告警,为现场人员疏散转移赢得了时间,减少财产损失。
附图说明
图1为本发明第一实施例中滑坡变形阶段识别方法的流程图;
图2为本发明第一实施例中步骤S100-步骤S400的具体流程示意图;
图3为本发明第一实施例中目标时刻识别曲线示意图;
图4为本发明第一实施例中步骤S500的具体流程示意图;
图5为本发明第一实施例中裂缝趋势规律图;
图6为本发明第一实施例中倾角数据整体曲线变化图;
图7为本发明第一实施例中倾角数据具体曲线变化图;
图8为本发明第二实施例中滑坡变形阶段识别系统的结构框图;
如下具体实施方式将结合上述附图进一步说明本发明。
具体实施方式
为了便于理解本发明,下面将参照相关附图对本发明进行更全面的描述。附图中给出了本发明的多个实施例。但是,本发明可以以许多不同的形式来实现,并不限于本文所描述的实施例。相反地,提供这些实施例的目的是使本发明的公开内容更加透彻全面。
需要说明的是,当元件被称为“固设于”另一个元件,它可以直接在另一个元件上或者也可以存在居中的元件。当一个元件被认为是“连接”另一个元件,它可以是直接连接到另一个元件或者可能同时存在居中元件。本文所使用的术语“垂直的”、“水平的”、“左”、“右”以及类似的表述只是为了说明的目的。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本发明。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
请参阅图1,所示为本发明第一实施例中的滑坡变形阶段识别方法,包括以下步骤:
步骤S100,基于第一采集频率获取若干个连续的第一采集数据,以得到第一变形数据组。
具体来说,在本实施例中,上述采集数据包括倾角数据及裂缝数据,上述第一变形数据组包括连续采集的5组数据,采集粒度为1h,例如采集9个数据时,基于当前时刻往前输入连续5组数据以组成第一变形数据组;而下一时刻的第一变形数据组,即由上一变形数据组中的4个数据加上最新采集的数据组成。
步骤S200,根据所述第一变形数据组中各第一采集数据的采集时刻赋予对应的权数,并对各所述第一采集数据进行加权处理以得到目标数据组,其中,所述第一变形数据组中与最新采集时刻对应的第一采集数据的权数大于其他权数。
具体来说,在本实施例中,上述五组第一采集数据为x1,…xi。上述i=5。上述五组第一采集数据对应的权数分别为:10%、10%、10%、10%、50%;即第一变形数据组中最新一个第一采集数据的权数最高,以始终放大最新一组数据变化的特征。
步骤S300,判断所述目标数据组中各第一采集数据之间是否满足增大或减小变化趋势。具体来说,在本实施例中,上述步骤S300中,判断所述目标数据组中各第一采集数据之间是否满足增大或减小的变化趋势的步骤具体包括:
步骤S310,判断所述目标数据组中,每相邻两个第一采集数据之间是否均满足以下表达式:
Xm>Xm-1;
式中,Xm为与当前目标时刻对应的第一目标数据,Xm-1为与前一目标时刻对应的第二目标数据;
步骤S320,若每相邻两个第一采集数据之间均满足所述表达式,判定所述目标数据组中各第一采集数据之间满足增大的变化趋势。
步骤S400,若所述目标数据组中各第一采集数据之间满足增大或减小变化趋势,标记所述第一变形数据组中最新的第一采集数据所对应的采集时刻,以得到目标时刻。
可以理解的,在本实施例中,上述步骤S300之后,上述方法还包括:
步骤S310,若目标数据组中各第一采集数据之间不满足增大或减小变化趋势,基于预设的采集频率获取最新的第一采集数据,使所述第一变形数据组中第一采集数据的数量保持预设值,直至所述目标数据组中各第一采集数据之间满足增大或减小变化趋势。可以理解地,通过实时对第一采集数据组进行更新,并始终放大最新数据的特征,当各数据之间存在关联趋势时,快速获取到目标时刻,即确定趋势开始时刻。
便于理解地,在本实施例中。上述步骤S100-步骤S400的具体流程图如图2所示,目标时刻识别曲线示意图如图3所示,虚线处为目标时刻。
步骤S500,对所述目标时刻后的第二采集数据进行监控,并获取第二采集数据的数据变化率超出预设值所对应的采集时刻,以基于所述采集时刻确定临滑点时刻。
便于理解的,上述步骤S500的目的是为了确定临滑点时刻,临滑点即生滑坡前短时间内有数据变化明显特征时刻,表现为灾害体开始发生变形。
具体来说,在本实施例中,上述步骤S500中,对所述目标时刻后的第二采集数据进行监控,并获取第二采集数据的数据变化率超出预设值所对应的采集时刻的步骤具体包括:
步骤S510,基于所述第二变形数据组中每相邻两个采集数据的数据变化量生成变化曲线,并判断相邻两个所述变化曲线的斜率变化量是否大于预设值;
步骤S520,若相邻两个所述变化曲线的斜率变化量大于预设值,标记所述斜率变化量大于预设值所对应的目标变化曲线,并基于所述目标变化曲线得到对应的初始采集时刻。
此外,在本实施例中,上述步骤S500中,对所述目标时刻后的第二采集数据进行监控的步骤还包括:
步骤S530,判断所述第二变形数据组中相邻两个第二采集数据的差值是否大于预设差值;
步骤S540,若第二变形数据组中相邻两个第二采集数据的差值大于预设值,基于第二采集频率获取第三采集数据,所述第二采集频率大于所述第一采集频率。优选地,在本实施例中,上述预设差值为120mg,即当数据发生突变时,即触发加密采集,以准确对数据进行获取分析,同时取触发加密时刻的前一时刻为临滑点时刻。
优选地,在本实施例中,上述获取第二采集数据的数据变化率超出预设值对应的采集时刻,以基于所述采集时刻确定临滑点时刻的步骤具体包括:
步骤S550,基于所述目标时刻及所述目标时刻后对应的若干个第二采集数据,以得到第二变形数据组。具体来说,在本实施例中,上述第二变形数据组包括从当前时刻,即目标时刻往前输入连续的7组变形数据x1,...,xi。采集粒度为1h。
步骤S560,基于最小二乘法对各所述第二采集数据及与所述第二采集数据对应的采集时刻数据进行拟合,得到拟合曲线。
步骤S570,求解所述拟合曲线对应的二阶导函数是否存在位移数据为零的目标解。
步骤S580,若存在位移数据为零的目标解,基于所述目标解得到对应的临滑点时刻。
如图4所示,优选地,在本实施例中,对7组数据进行拟合,得到拟合曲线,将中间5个变形数据代入计算f”(xi)=0,使用最小二乘曲线拟合法对时间和位移数据进行拟合,二阶导函数代入某时刻的位移等于0时,输出该时刻作为临滑点时刻。
便于理解地,上述滑坡变形包括大趋势变形及小趋势变形:
大趋势变形 (数据变化值大,变化明显,历时长):取变形值开始突变或者斜率发生较大变化的初始时刻。或者取数据触发加密采集的前一个时刻。比如加速度数据变化120mg将触发加密采集,取前一时刻为临滑点时刻。
小趋势变形 (数据变化值小,变化不明显,历时短):取变形数据出现拐点时刻Tp,即数据变化率突然增大或者减小的时刻点。
便于理解地,在本实施例的一些应用场景中,以某滑坡为例,滑坡所处斜坡自然坡度约12°~25°,坡顶高程约202.4m,坡脚高程约179.2m,山顶植被发育,以毛竹为主。滑坡后缘高程约195.9m,滑坡前缘高程约179.2m,相对高差16.7m。滑坡主滑方向150°,滑体斜长约44m,水平长约39m,平均宽约60m,平均厚约3-4m,总方量7020m3。滑坡为浅层、小型、牵引式土质滑坡。滑体物质主要为第四系残坡积层粘土、粉质粘土。下伏基岩为二叠系晚世乐平组老山段(P3ls)灰白色中-厚层夹薄层石英砂岩。
测得的采集数据如图5所示,其中,裂缝数据总体变化情况:03LF02变化560mm,5.19开始滑动~5.27停止滑动,小时变形速率19.5mm/h~2mm/h。趋势识别的临滑点为裂缝数据拐点,关键变形阶段为2021/5/19 14:51:25至2021/5/19 17:48:47,历时2小时57分,变形速率达到19.17mm/h。如下图所示。裂缝的关键变形阶段开始时变形速率突然增大,临滑点之后速率变化非常明显。
便于理解地,在本实施例的一些应用场景中,以某一滑坡为例,隐患点位于丘陵区,地形高程为260-300m,相对高差为40m,自然坡度为15-30°,为剥蚀丘陵地貌;隐患体整体宽约48m,长约10m,平均厚度约1-2m,体积约648m3,滑坡平面呈不规则形态,规模为小型;房后切坡高5-10m、宽约46m、坡度45-70°,坡墙距0.5-1.5m,坡向100°,滑坡堤前所处斜坡区前缘因人工建房切坡形成陡坎,致使区内土石界面、全/强风化界面外倾裸露。滑坡体物质为含碎石粉质粘土和全风化花岗岩,下伏基岩为强风化花岗岩。
测得的采集数据如图6-图7所示,其中,倾角数据整体变化情况:
X方向:从开始徐变至临滑前变化0.5°(x+),从临滑前至滑坡发生变化65°;Y方向:从开始徐变至临滑前变化4.7°(Y+),从临滑前至滑坡发生变化23°;Z方向:从开始徐变至临滑前变化1.8°(Z-),从临滑前至滑坡发生变化95.7°。
具体来说,数据规律表现在同步性和趋势性(小趋势):
1、同一倾角传感器中X/Y/Z轴的数据是同步变化,具有相同开始和结束时间的特征,变化值均在1°左右。
2、同一倾角传感器中X/Y/Z轴的数据是趋势性变化,表现在:三轴数据各自连续增大或减小,直到临滑点为止。三轴倾角无明显关联的方向趋势规律,因为现场设备姿态是根据环境和滑坡运动而变化。
综上,本发明上述实施例当中的滑坡变形阶段识别方法,通过对数据进行采集处理,并进行趋势识别,以确定趋势开始时刻,然后进一步对趋势开始时刻最近的数据进行采集处理,确定灾害体发生变形的时刻,区别于现有技术的方案,滑坡特征要素和空间结构界定困难,适用于宏观趋势识别,忽略了滑坡土体内部状态和位移,且属于范围的概率预测,提前预警的效果较差,本方案可以实现单个点位和设备的精准预警,以提高小型地质灾害预警的精准性,同时实现超前告警,为现场人员疏散转移赢得了时间,减少财产损失。
本发明的第二实施例还提供了一种滑坡变形阶段识别系统,图8为上述系统的结构框图,如图所示,该系统包括:
第一采集模块100,用于基于第一采集频率获取若干个连续的第一采集数据,以得到第一变形数据组;
加权处理模块200,用于根据所述第一变形数据组中各第一采集数据的采集时刻赋予对应的权数,并对各所述第一采集数据进行加权处理以得到目标数据组,其中,所述第一变形数据组中与最新采集时刻对应的第一采集数据的权数大于其他权数;
数据判断模块300,用于判断所述目标数据组中各第一采集数据之间是否满足增大或减小变化趋势;
趋势判断模块400,用于若所述目标数据组中各第一采集数据之间满足增大或减小变化趋势,标记所述第一变形数据组中最新的第一采集数据所对应的采集时刻,以得到目标时刻;
临滑点判断模块500,用于对所述目标时刻后的第二采集数据进行监控,并获取第二采集数据的数据变化率超出预设值所对应的采集时刻,以基于所述采集时刻确定临滑点时刻。
优选地,在本实施例中,所述临滑点判断模块500具体用于:
基于所述目标时刻及所述目标时刻后对应的若干个第二采集数据,以得到第二变形数据组;
基于最小二乘法对各所述第二采集数据及与所述第二采集数据对应的采集时刻数据进行拟合,得到拟合曲线;
求解所述拟合曲线对应的二阶导函数是否存在位移数据为零的目标解;
若存在位移数据为零的目标解,基于所述目标解得到对应的临滑点时刻。
优选地,在本实施例中,所述临滑点判断模块500具体用于:
基于所述目标时刻及所述目标时刻后对应的若干个第二采集数据,以得到第二变形数据组;
基于最小二乘法对各所述第二采集数据及与所述第二采集数据对应的采集时刻数据进行拟合,得到拟合曲线;
求解所述拟合曲线对应的二阶导函数是否存在位移数据为零的目标解;
若存在位移数据为零的目标解,基于所述目标解得到对应的临滑点时刻。
优选地,在本实施例中,所述趋势判断模块400具体用于:
判断所述目标数据组中,每相邻两个第一采集数据之间是否均满足以下表达式:
Xm>Xm-1;
式中,Xm为与当前目标时刻对应的第一目标数据,Xm-1为与前一目标时刻对应的第二目标数据;
若每相邻两个第一采集数据之间均满足所述表达式,判定所述目标数据组中各第一采集数据之间满足增大的变化趋势。
优选地,在本实施例中,所述临滑点判断模块500还用于:
基于所述第二变形数据组中每相邻两个采集数据的数据变化量生成变化曲线,并判断相邻两个所述变化曲线的斜率变化量是否大于预设值;
若相邻两个所述变化曲线的斜率变化量大于预设值,标记所述斜率变化量大于预设值所对应的目标变化曲线,并基于所述目标变化曲线得到对应的初始采集时刻。
优选地,在本实施例中,所述临滑点判断模块500还用于:
判断所述第二变形数据组中相邻两个第二采集数据的差值是否大于预设差值;
若第二变形数据组中相邻两个第二采集数据的差值大于预设值,基于第二采集频率获取第三采集数据,所述第二采集频率大于所述第一采集频率。
优选地,在本实施例中,所述滑坡变形阶段识别系统还包括:
第二采集模块,用于若目标数据组中各第一采集数据之间不满足增大或减小变化趋势,基于预设的采集频率获取最新的第一采集数据,使所述第一变形数据组中第一采集数据的数量保持预设值,直至所述目标数据组中各第一采集数据之间满足增大或减小变化趋势。
综上,本发明上述实施例当中的滑坡变形阶段识别系统,通过第一采集模块100及加权处理模块200依次对数据进行采集处理,并基于数据判断模块300及趋势判断模块400进行趋势识别,以确定趋势开始时刻,然后进一步通过临滑点判断模块500对趋势开始时刻最近的数据进行采集处理,确定灾害体发生变形的时刻,区别于现有技术中,对数据采集得到范围的概率预测,本方案可以实现单个点位和设备的精准预警,以提高小型地质灾害预警的精准性,同时实现超前告警,为现场人员疏散转移赢得了时间,减少财产损失。
本发明第三实施例还提供了一种存储介质,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述技术方案所述的滑坡变形阶段识别方法。
本发明第四实施例还提供了一种计算机,其上存储有计算机程序,该程序被处理器执行时实现上述技术方案所述的滑坡变形阶段识别方法。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出多种变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (8)
1.一种滑坡变形阶段识别方法,其特征在于,包括以下步骤:
基于第一采集频率获取若干个连续的第一采集数据,以得到第一变形数据组;
根据所述第一变形数据组中各第一采集数据的采集时刻赋予对应的权数,并对各所述第一采集数据进行加权处理以得到目标数据组,其中,所述第一变形数据组中与最新采集时刻对应的第一采集数据的权数大于其他权数;
判断所述目标数据组中各第一采集数据之间是否满足增大或减小变化趋势;
若所述目标数据组中各第一采集数据之间满足增大或减小变化趋势,标记所述第一变形数据组中最新的第一采集数据所对应的采集时刻,以得到目标时刻;
对所述目标时刻后的第二采集数据进行监控,并获取第二采集数据的数据变化率超出预设值所对应的采集时刻,以基于所述采集时刻确定临滑点时刻;
其中,获取第二采集数据的数据变化率超出预设值对应的采集时刻,以基于所述采集时刻确定临滑点时刻的步骤具体包括:
基于所述目标时刻及所述目标时刻后对应的若干个第二采集数据,以得到第二变形数据组;
基于最小二乘法对各所述第二采集数据及与所述第二采集数据对应的采集时刻数据进行拟合,得到拟合曲线;
求解所述拟合曲线对应的二阶导函数是否存在位移数据为零的目标解;
若存在位移数据为零的目标解,基于所述目标解得到对应的临滑点时刻。
2.根据权利要求1所述的滑坡变形阶段识别方法,其特征在于,判断所述目标数据组中各第一采集数据之间是否满足增大或减小的变化趋势的步骤具体包括:
判断所述目标数据组中,每相邻两个第一采集数据之间是否均满足以下表达式:
Xm>Xm-1;
式中,Xm为与当前目标时刻对应的第一目标数据,Xm-1为与前一目标时刻对应的第二目标数据;
若每相邻两个第一采集数据之间均满足所述表达式,判定所述目标数据组中各第一采集数据之间满足增大的变化趋势。
3.根据权利要求1所述的滑坡变形阶段识别方法,其特征在于,对所述目标时刻后的第二采集数据进行监控,并获取第二采集数据的数据变化率超出预设值所对应的采集时刻的步骤具体包括:
基于所述第二变形数据组中每相邻两个采集数据的数据变化量生成变化曲线,并判断相邻两个所述变化曲线的斜率变化量是否大于预设值;
若相邻两个所述变化曲线的斜率变化量大于预设值,标记所述斜率变化量大于预设值所对应的目标变化曲线,并基于所述目标变化曲线得到对应的初始采集时刻。
4.根据权利要求3所述的滑坡变形阶段识别方法,其特征在于,对所述目标时刻后的第二采集数据进行监控的步骤还包括:
判断所述第二变形数据组中相邻两个第二采集数据的差值是否大于预设差值;
若第二变形数据组中相邻两个第二采集数据的差值大于预设值,基于第二采集频率获取第三采集数据,所述第二采集频率大于所述第一采集频率。
5.根据权利要求1所述的滑坡变形阶段识别方法,其特征在于,判断所述目标数据组中各第一采集数据之间是否满足增大或减小变化趋势的步骤之后,所述方法还包括:
若目标数据组中各第一采集数据之间不满足增大或减小变化趋势,基于预设的采集频率获取最新的第一采集数据,使所述第一变形数据组中第一采集数据的数量保持预设值,直至所述目标数据组中各第一采集数据之间满足增大或减小变化趋势。
6.一种滑坡变形阶段识别系统,其特征在于,包括:
第一采集模块,用于基于第一采集频率获取若干个连续的第一采集数据,以得到第一变形数据组;
加权处理模块,用于根据所述第一变形数据组中各第一采集数据的采集时刻赋予对应的权数,并对各所述第一采集数据进行加权处理以得到目标数据组,其中,所述第一变形数据组中与最新采集时刻对应的第一采集数据的权数大于其他权数;
数据判断模块,用于判断所述目标数据组中各第一采集数据之间是否满足增大或减小变化趋势;
趋势判断模块,用于若所述目标数据组中各第一采集数据之间满足增大或减小变化趋势,标记所述第一变形数据组中最新的第一采集数据所对应的采集时刻,以得到目标时刻;
临滑点判断模块,用于对所述目标时刻后的第二采集数据进行监控,并获取第二采集数据的数据变化率超出预设值所对应的采集时刻,以基于所述采集时刻确定临滑点时刻;
其中,所述临滑点判断模块具体用于:
基于所述目标时刻及所述目标时刻后对应的若干个第二采集数据,以得到第二变形数据组;
基于最小二乘法对各所述第二采集数据及与所述第二采集数据对应的采集时刻数据进行拟合,得到拟合曲线;
求解所述拟合曲线对应的二阶导函数是否存在位移数据为零的目标解;
若存在位移数据为零的目标解,基于所述目标解得到对应的临滑点时刻。
7.一种存储介质,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述权利要求1-5中任一项所述的滑坡变形阶段识别方法。
8.一种计算机,其上存储有计算机程序,该程序被处理器执行时实现上述权利要求1-5中任一项所述的滑坡变形阶段识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311839837.0A CN117493833B (zh) | 2023-12-29 | 2023-12-29 | 一种滑坡变形阶段识别方法、系统、存储介质及计算机 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311839837.0A CN117493833B (zh) | 2023-12-29 | 2023-12-29 | 一种滑坡变形阶段识别方法、系统、存储介质及计算机 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117493833A CN117493833A (zh) | 2024-02-02 |
CN117493833B true CN117493833B (zh) | 2024-04-09 |
Family
ID=89672973
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311839837.0A Active CN117493833B (zh) | 2023-12-29 | 2023-12-29 | 一种滑坡变形阶段识别方法、系统、存储介质及计算机 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117493833B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101788104B1 (ko) * | 2016-06-03 | 2017-11-15 | 한국과학기술원 | 극한 강우를 고려한 실시간 산사태 예보 및 경보 시스템 및 방법 |
CN110223490A (zh) * | 2019-05-28 | 2019-09-10 | 成都理工大学 | 一种基于预警等级判断岩质斜坡稳定性的方法 |
CN112364802A (zh) * | 2020-11-19 | 2021-02-12 | 中国地质调查局水文地质环境地质调查中心 | 一种崩塌滑坡灾害体的变形监测方法 |
CN113570826A (zh) * | 2021-07-15 | 2021-10-29 | 长视科技股份有限公司 | 一种河道滑坡形变识别实现灾害预警的方法与系统 |
CN113642812A (zh) * | 2021-10-15 | 2021-11-12 | 西南交通大学 | 基于北斗的微形变预测方法、装置、设备及可读存储介质 |
CN114001703A (zh) * | 2021-10-09 | 2022-02-01 | 四川轻化工大学 | 一种滑坡变形数据实时过滤方法 |
CN115900838A (zh) * | 2023-03-10 | 2023-04-04 | 江西飞尚科技有限公司 | 一种边坡预警方法、系统、计算机设备及可读存储介质 |
CN116659440A (zh) * | 2023-05-31 | 2023-08-29 | 浙江省地质院 | 一种山区滑坡精细化位移监测预警方法 |
CN117113644A (zh) * | 2023-08-01 | 2023-11-24 | 中国电建集团华东勘测设计研究院有限公司 | 一种基于深部监测变形序列的边坡临滑预报方法、系统及介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113340208A (zh) * | 2021-05-27 | 2021-09-03 | 西北大学 | 一种多状态触发的滑坡体远程自动监测预警系统及方法 |
-
2023
- 2023-12-29 CN CN202311839837.0A patent/CN117493833B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101788104B1 (ko) * | 2016-06-03 | 2017-11-15 | 한국과학기술원 | 극한 강우를 고려한 실시간 산사태 예보 및 경보 시스템 및 방법 |
CN110223490A (zh) * | 2019-05-28 | 2019-09-10 | 成都理工大学 | 一种基于预警等级判断岩质斜坡稳定性的方法 |
CN112364802A (zh) * | 2020-11-19 | 2021-02-12 | 中国地质调查局水文地质环境地质调查中心 | 一种崩塌滑坡灾害体的变形监测方法 |
CN113570826A (zh) * | 2021-07-15 | 2021-10-29 | 长视科技股份有限公司 | 一种河道滑坡形变识别实现灾害预警的方法与系统 |
CN114001703A (zh) * | 2021-10-09 | 2022-02-01 | 四川轻化工大学 | 一种滑坡变形数据实时过滤方法 |
CN113642812A (zh) * | 2021-10-15 | 2021-11-12 | 西南交通大学 | 基于北斗的微形变预测方法、装置、设备及可读存储介质 |
CN115900838A (zh) * | 2023-03-10 | 2023-04-04 | 江西飞尚科技有限公司 | 一种边坡预警方法、系统、计算机设备及可读存储介质 |
CN116659440A (zh) * | 2023-05-31 | 2023-08-29 | 浙江省地质院 | 一种山区滑坡精细化位移监测预警方法 |
CN117113644A (zh) * | 2023-08-01 | 2023-11-24 | 中国电建集团华东勘测设计研究院有限公司 | 一种基于深部监测变形序列的边坡临滑预报方法、系统及介质 |
Non-Patent Citations (3)
Title |
---|
A methodology for the analysis of continuous time-series of automatic inclinometers for slow-moving landslides monitoring in Piemonte region, northern Italy;Bordoni, Massimiliano 等;《NATURAL HAZARDS》;20220901;第1115-1142页 * |
基于MSR300雷达监测的凹山采场降雨条件下的边坡变形及滑坡;章亮;任奋华;王培涛;赵健存;;工程科学学报;20180409(04);第22-30页 * |
多源数据融合在岩质滑坡监测预警中的应用;霍冬冬;亓星;;四川理工学院学报(自然科学版);20191020(05);第69-74页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117493833A (zh) | 2024-02-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105069248B (zh) | 巨型滑坡多块滑动计算方法 | |
CN105155502B (zh) | 岩溶溶洞型地基塌陷风险的测定方法 | |
CN106205060B (zh) | 用于露天矿坑尾矿库边坡滑坡预警预报方法 | |
von Albedyll et al. | Thermodynamic and dynamic contributions to seasonal Arctic sea ice thickness distributions from airborne observations | |
CN105676272B (zh) | 炸药震源安全激发参数确定方法 | |
Banner et al. | The Southern Ocean waves experiment. Part I: Overview and mean results | |
Knight et al. | Lightning as a geomorphic agent on mountain summits: Evidence from southern Africa | |
Bolin et al. | Assessment of the risk of rockfalls in Wu Gorge, Three Gorges, China | |
CN110568440A (zh) | 一种基于DS-InSAR技术监测复杂山区形变的方法 | |
Mills et al. | Recognition and palaeoclimatic implications of late Quaternary niche glaciation in eastern Lesotho | |
CN117493833B (zh) | 一种滑坡变形阶段识别方法、系统、存储介质及计算机 | |
CN107507396A (zh) | 一种降雨型滑坡危险性三维多点位多指标的预警方法 | |
Guerin et al. | Estimating rock fall frequency in a limestone cliff using LIDAR measurements | |
CN107123058A (zh) | 一种边坡稳定性分析方法 | |
CN106841570A (zh) | 川东红层岩质滑坡变形演化阶段识别方法 | |
CN106228521A (zh) | 一种基于薄板样条插值的障碍物特征提取方法 | |
Jun et al. | Modeled seasonal variations of firn density induced by steady-state surface air-temperature cycle | |
Rotnicka et al. | Skimming flow and sand transport within and above Ammophila (marram) grass on a foredune | |
Huisman | Assessment of rock mass decay in artificial slopes | |
Li et al. | Back-analysis of pavement thickness based on PSO-GA hybrid algorithms | |
Tian et al. | Stability Evaluation of Massive Landslides Using Ensembled Analysis of Time‐Series InSAR and Numerical Simulation along the Yellow River, Northwestern of China | |
Bán et al. | Comparison of empirical liquefaction potential evaluation methods | |
Bąbel et al. | Development of the unique landforms in the zone of weathering gypsum-anhydrite rocks at Pisky (Shchyrka river valley, Dnister basin) | |
Antypov | Mining research and modeling geomechanical processes | |
CN117574518B (zh) | 一种抽水蓄能电站地下厂房三维地质模型建模方法及系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |