CN117953664B - 一种基于人工智能的地质灾害预测方法及系统 - Google Patents
一种基于人工智能的地质灾害预测方法及系统 Download PDFInfo
- Publication number
- CN117953664B CN117953664B CN202410353630.0A CN202410353630A CN117953664B CN 117953664 B CN117953664 B CN 117953664B CN 202410353630 A CN202410353630 A CN 202410353630A CN 117953664 B CN117953664 B CN 117953664B
- Authority
- CN
- China
- Prior art keywords
- data
- geological
- sub
- monitoring area
- fluctuation
- 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 50
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 16
- 238000012544 monitoring process Methods 0.000 claims abstract description 289
- 238000001514 detection method Methods 0.000 claims abstract description 80
- 239000003673 groundwater Substances 0.000 claims abstract description 32
- 230000002159 abnormal effect Effects 0.000 claims description 108
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 107
- 230000008859 change Effects 0.000 claims description 51
- 239000011435 rock Substances 0.000 claims description 38
- 230000005856 abnormality Effects 0.000 claims description 33
- 238000007781 pre-processing Methods 0.000 claims description 16
- 238000010586 diagram Methods 0.000 claims description 15
- 238000004458 analytical method Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000011156 evaluation Methods 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000001105 regulatory effect Effects 0.000 claims description 6
- 238000009499 grossing Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 description 14
- 238000012545 processing Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 6
- 238000004590 computer program Methods 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 230000003449 preventive effect Effects 0.000 description 3
- 230000001010 compromised effect Effects 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000012876 topography Methods 0.000 description 2
- 230000002547 anomalous effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000003014 reinforcing effect Effects 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000011524 similarity measure Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Landscapes
- Alarm Systems (AREA)
Abstract
本发明公开了一种基于人工智能的地质灾害预测方法及系统,具体涉及地质灾害监测技术领域;通过将监测区域划分为n个子区域,并确定每个区域的数据采集方案和检测设备,在监测阶段对波动地质数据进行预处理,并与历史数据进行匹配,及时发出数据异常信号,有效识别潜在的地质灾害风险,当数据异常信号发出时,通过综合分析地质构造变动、地下水位稳定性和检测设备性能,对地质数据的准确性进行评估,通过分析地质数据的准确性和地质灾害风险级别,及时预测和发出预警信号,为减少灾害损失和保护人员安全提供了重要支持,能够全面监测地质数据,提前识别潜在风险,并采取相应措施降低灾害发生的可能性,进而提高了地质灾害预警的准确性和效率。
Description
技术领域
本发明涉及地质灾害监测技术领域,具体涉及一种基于人工智能的地质灾害预测方法及系统。
背景技术
地质灾害预测技术通过收集地质构造、地形地貌、地下水位、降雨量等多源数据,利用人工智能技术中的机器学习和深度学习算法,如支持向量机、神经网络等,对这些数据进行分析和建模。通过对历史灾害案例的学习和对潜在风险因素的识别,构建地质灾害预测模型。该模型可以实时监测环境变化并预测潜在灾害风险,当监测到灾害风险超过阈值时,自动触发预警系统,向相关部门和民众发送预警信息,提醒采取相应的应对措施,包括疏散人员、加固建筑物等,以减少地质灾害可能造成的损失和伤害。但是,在现有技术中,由于地质勘察需要大量的人力投入且数据采集周期较长,地质数据在采集过程中可能受到多方因素的影响而出现异常波动的情况,使得地质灾害预警信号可能出现误判的情况,同时,随着地质灾害预警信号的准确性长时间受到影响,工作人员可能会降低对真实灾害预警的敏感性,导致在真正灾害发生时未能及时采取有效的应对措施,从而增加了损失和危险。
发明内容
本发明的目的是提供一种基于人工智能的地质灾害预测方法及系统,以解决背景技术中不足。
为了实现上述目的,本发明提供如下技术方案:一种基于人工智能的地质灾害预测方法,包括以下步骤;
S1:将地质灾害监测区域划分为n个子监测区域,确定每个子监测区域内的地质特征数据,并设计出每个子监测区域内的数据采集方案,确定子监测区域内的数据检测设备和人员数量;
S2:监测,获取每个子监测区域内的波动地质数据并对其进行预处理,将预处理后的波动地质数据与对应的子监测区域内历史地质数据进行匹配,确定子监测区域内地质数据异常波动程度,并分别发出数据正常波动信号和数据异常波动信号;
S3:当接收到数据异常波动信号时,对地质构造变动数据进行监测,判断子监测区域内地质构造变动的时间差,评估地质构造变动时间的关联性;判断岩层地下水位的波动趋势,评估岩层地下水位数据的稳定性;
S4:对子监测区域内地质数据出现异常的数据检测设备进行标记,并对标记的数据检测设备的工作状态进行分析,评估数据检测设备的整体性能影响程度;
S5:将地质构造变动的关联性,岩层地下水位的稳定性以及数据检测设备的整体性能影响程度进行综合分析,评估子监测区域内地质数据的准确性;
S6:对子监测区域规定时间内地质数据的准确性进行分析,并对子监测区域内的地质灾害风险级别进行提前预测并进行预警。
在一个优选地实施方式中,S2中,监测,获取每个子监测区域内的波动地质数据并对其进行预处理,将预处理后的波动地质数据与对应的子监测区域内历史地质数据进行匹配,确定子监测区域内地质数据异常波动程度,具体为:
S2.1:对波动地质数据和历史地质数据进行预处理;
S2.2:构建一个距离矩阵,其中每个元素为波动数据点与历史数据点之间的距离;
S2.3:利用动态规划算法计算距离矩阵中的最短路径,以找到波动数据序列与历史数据序列之间的最佳匹配;
S2.4:根据计算得到的最短路径,对波动数据序列和历史数据序列进行对齐;
S2.5:根据对齐后的波动数据序列和历史数据序列,计算它们之间的相似度;
S2.6:将计算得到的相似度与相似度阈值进行比较,若相似度大于相似度阈值,此时发出数据正常波动信号;若相似度小于等于相似度阈值,此时发出数据异常波动信号。
在一个优选地实施方式中,S3中,判断子监测区域内地质构造变动的时间差,评估地质构造变动时间的关联性;
数据持续时间差的获取方法为:
通过实时地质监测数据,识别出异常事件,根据实时地质数据异常事件和地质构造变动事件的起始时间点和结束时间点,对两个事件序列进行对齐;
分别建立实时地质数据异常事件序列E1和地质构造变动事件序列E2,将对齐后的事件序列进行重叠程度计算,计算事件重叠比例,计算实时地质数据异常事件和地质构造变动事件的持续时间差,即计算数据持续时间差;
将获取到的数据持续时间差与标准数据持续时间差进行比较,若获取到的数据持续时间差大于标准数据持续时间差,此时发出时间关联异常信号;若获取到的数据持续时间差小于等于标准数据持续时间差,此时发出时间关联正常信号。
在一个优选地实施方式中,判断岩层地下水位的波动趋势,评估岩层地下水位数据的稳定性,具体为:
水位平滑程度值的获取方法为:
将原始的地下水位数据按时间顺序绘制成时间序列图,横坐标为时间,纵坐标为地下水位值,在图表中标记出每个数据点,以展示地下水位的变化趋势;
绘制移动平均后的水位数据的时间序列图,将移动平均后的水位数据按时间顺序绘制成时间序列图,同样横坐标为时间,纵坐标为移动平均后的地下水位值,在图表中标记出每个数据点,以展示平滑后的地下水位趋势;
将原始地下水位数据的时间序列图和移动平均后的水位数据的时间序列图进行比较,对移动平均后的水位数据进行趋势线拟合,计算趋势线上相邻两点的平均变化率的绝对值,即水位随时间正向变化的平均变化速率,即计算水位平滑程度值。
在一个优选地实施方式中,对子监测区域内地质数据出现异常的数据检测设备进行标记,并对标记的数据检测设备的工作状态进行分析,评估数据检测设备的整体性能影响程度,具体为:
整体性能异常指数的获取方法为:
获取子监测区域内地质数据检测设备的数量h并对其进标号,,/>为大于0的正整数,对地质数据检测设备的工作状态进行监测,获取在s时间段内每台地质数据检测设备的实时工作效率/>,分别建立每台地质数据检测设备的实时工作效率集合/>=/>,/>为大于0的正整数,获取预先设置的每台地质数据检测设备的标准工作效率,将每台地质数据检测设备的实时工作效率与预先设置的每台地质数据检测设备的标准工作效率进行比较,计算实时工作效率与标准工作效率的标准差并对其进行求和,即计算得到整体性能异常指数;
将获取到的地质检测设备的整体性能异常指数与检测设备性能标准阈值进行比较,若获取到的整体性能异常指数大于标准阈值,此时发出设备异常信号;若获取到的整体性能异常指数小于等于标准阈值,此时发出设备正常信号。
在一个优选地实施方式中,S5中,将地质构造变动的关联性,岩层地下水位的稳定性以及数据检测设备的整体性能影响程度进行综合分析,评估子监测区域内地质数据的准确性,具体为:
将数据持续时间差,水位平滑程度值以及整体性能异常指数进行归一化处理,通过归一化处理后的数据持续时间差,水位平滑程度值以及整体性能异常指数计算子监测区域内地质数据的准确性系数;
将子监测区域内地质数据的准确性系数与准确性阈值进行比较,若子监测区域内地质数据的准确性系数大于等于准确性阈值,此时发出数据正常信号;若子监测区域内地质数据的准确性系数小于准确性阈值,此时发出数据异常信号。
在一个优选地实施方式中,S6中,对子监测区域规定时间内地质数据的准确性进行分析,并对子监测区域内的地质灾害风险级别进行提前预测并进行预警;
设定子监测区域内地质灾害风险预测区间,获取在地质灾害风险预测区间内子监测区域内发出数据异常信号的风险占比情况;
若地质灾害风险预测区间内子监测区域内没有发出数据异常信号,将该子监测区域标记为低风险区域,此时生成三级预警信号;
若地质灾害风险预测区间内子监测区域内发出数据异常信号,且数据异常信号的风险占比小于风险占比阈值,将该子监测区域标记为中等风险区域,此时生成二级预警信号;
若地质灾害风险预测区间内子监测区域内发出数据异常信号,且数据异常信号的风险占比大于等于风险占比阈值,将该子监测区域标记为高等风险区域,此时生成一级预警信号。
本发明一种基于人工智能的地质灾害预测系统,包括方案设定模块、匹配模块、数据监测模块、设备监测模块,评估分析模块以及预测预警模块;
方案设定模块:将地质灾害监测区域划分为n个子监测区域,确定每个子监测区域内的地质特征数据,并设计出每个子监测区域内的数据采集方案,确定子监测区域内的数据检测设备和人员数量;
匹配模块:监测,获取每个子监测区域内的波动地质数据并对其进行预处理,将预处理后的波动地质数据与对应的子监测区域内历史地质数据进行匹配,确定子监测区域内地质数据异常波动程度,并分别发出数据正常波动信号和数据异常波动信号;
数据监测模块:当接收到数据异常波动信号时,对地质构造变动数据进行监测,判断子监测区域内地质构造变动的时间差,评估地质构造变动时间的关联性;判断岩层地下水位的波动趋势,评估岩层地下水位数据的稳定性;
设备监测模块:对子监测区域内地质数据出现异常的数据检测设备进行标记,并对标记的数据检测设备的工作状态进行分析,评估数据检测设备的整体性能影响程度;
评估分析模块:将地质构造变动的关联性,岩层地下水位的稳定性以及数据检测设备的整体性能影响程度进行综合分析,评估子监测区域内地质数据的准确性;
预测预警模块:对子监测区域规定时间内地质数据的准确性进行分析,并对子监测区域内的地质灾害风险级别进行提前预测并进行预警。
在上述技术方案中,本发明提供的技术效果和优点:
1、本发明通过将地质灾害监测区域划分为n个子监测区域,确定每个子监测区域内的地质特征数据,并设计出每个子监测区域内的数据采集方案,确定子监测区域内的数据检测设备和人员数量,划分地质灾害监测区域为多个子区域,并设计详细的数据采集方案,使得监测工作更具针对性和有效性,对地质构造变动数据进行监测,判断子监测区域内地质构造变动程度,评估地质构造变动的关联性;判断岩层地下水位的波动趋势,评估岩层地下水位的稳定性,对子监测区域内地质数据出现异常的数据检测设备进行标记,并对标记的数据检测设备的工作状态进行分析,评估数据检测设备的整体性能影响程度,通过监测和分析每个子监测区域内的地质数据,包括波动地质数据、地质构造变动以及岩层地下水位的稳定性,能够快速发现异常情况并提前预警地质灾害风险监测。
2、本发明通过将地质构造变动的关联性,岩层地下水位的稳定性以及数据检测设备的整体性能影响程度进行综合分析,评估子监测区域内地质数据的准确性,对子监测区域规定时间内地质数据的准确性进行分析,并对子监测区域内的地质灾害风险级别进行提前预测并进行预警;通过综合分析地质构造变动、岩层地下水位的稳定性以及数据检测设备的整体性能,能够全面评估子监测区域内地质数据的准确性。这种综合分析不仅提高了对地质数据异常的感知能力,还能够及时发现地质灾害风险,并提前进行预警,通过对地质数据准确性的提前预测和预警,可以采取相应的防范和救援措施。
附图说明
为了更清楚地说明本申请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中记载的一些实施例,对于本领域普通技术人员来讲,还可以根据这些附图获得其他的附图。
图1为本发明的方法流程图。
图2为本发明的系统模块图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例1
请参阅图1所示,本实施例所述一种基于人工智能的地质灾害预测方法,包括以下步骤:
S1:将地质灾害监测区域划分为n个子监测区域,确定每个子监测区域内的地质特征数据,并设计出每个子监测区域内的数据采集方案,确定子监测区域内的数据检测设备和人员数量;
S2:监测,获取每个子监测区域内的波动地质数据并对其进行预处理,将预处理后的波动地质数据与对应的子监测区域内历史地质数据进行匹配,确定子监测区域内地质数据异常波动程度,并分别发出数据正常波动信号和数据异常波动信号;
S3:当接收到数据异常波动信号时,对地质构造变动数据进行监测,判断子监测区域内地质构造变动的时间差,评估地质构造变动时间的关联性;判断岩层地下水位的波动趋势,评估岩层地下水位数据的稳定性;
S4:对子监测区域内地质数据出现异常的数据检测设备进行标记,并对标记的数据检测设备的工作状态进行分析,评估数据检测设备的整体性能影响程度;
S5:将地质构造变动的关联性,岩层地下水位的稳定性以及数据检测设备的整体性能影响程度进行综合分析,评估子监测区域内地质数据的准确性;
S6:对子监测区域规定时间内地质数据的准确性进行分析,并对子监测区域内的地质灾害风险级别进行提前预测并进行预警。
其中,在S1中,将地质灾害监测区域划分为n个子监测区域,确定每个子监测区域内的地质特征数据,并设计出每个子监测区域内的数据采集方案,确定子监测区域内的数据检测设备和人员数量,具体为;
地质特征数据确定,分析地质灾害监测区域的地质特征,包括地形地貌、地质构造、地下水位、土壤类型等。确定每个子监测区域内需要监测的地质特征数据,根据区域特点和灾害风险确定监测重点。
数据采集方案设计,设计每个子监测区域内的数据采集方案,包括监测点的位置布置、监测频率和监测参数。
确定数据采集的方法和技术,如地下水位监测井、地震监测仪、遥感技术等。
数据检测设备和人员数量确定,根据每个子监测区域内的数据采集方案,确定需要的数据检测设备类型和数量,确保覆盖监测区域的关键地质特征。确定每个子监测区域内需要的监测人员数量和专业技术要求,包括设备操作人员、数据分析人员和应急响应人员等。
资源分配和管理,根据数据采集方案和人员需求,合理配置监测设备和人力资源,确保每个子监测区域的监测工作能够顺利进行。建立监测设备和人员的管理制度,包括设备维护保养、人员培训和应急响应准备等。
在S2中,监测,获取每个子监测区域内的波动地质数据并对其进行预处理,将预处理后的波动地质数据与对应的子监测区域内历史地质数据进行匹配,确定子监测区域内地质数据异常波动程度,并分别发出数据正常波动信号和数据异常波动信号,具体为:
实时地质数据获取,配置实时地质监测设备,如地下水位监测仪、地质应力传感器、倾斜计等,确保可以持续获取每个子监测区域内的地质数据。设置监测设备的采样频率和监测参数,以满足监测需求并尽可能实现数据的实时更新。
实时数据预处理,对获取的实时地质数据进行预处理,包括数据清洗、去噪声、异常值处理等。根据监测设备的特性和监测数据的实际情况,选择合适的预处理方法和算法,确保数据的质量和可靠性。
历史地质数据获取与匹配,获取每个子监测区域内的历史地质数据,包括地质构造、地下水位、地表形变等历史监测数据。将预处理后的实时地质数据与对应的历史地质数据进行匹配,建立实时数据与历史数据的对应关系。
数据匹配与分析,对实时地质数据与历史地质数据进行匹配和对比分析,识别实时数据的变化趋势和异常情况。分析实时数据与历史数据之间的差异和关联性,评估监测区域内地质特征的变化和演化趋势。
异常监测与预警,利用匹配后的实时地质数据与历史数据进行异常监测,识别可能存在的地质灾害风险。当实时地质数据与历史数据之间存在异常差异时,及时发出预警信号,提示可能的地质灾害风险,以便采取相应的预防措施。
其中,通过动态时间规整算法将预处理后的实时地质数据与对应的子监测区域内历史地质数据进行匹配,包括:
S2.1:对波动地质数据和历史地质数据进行预处理,包括去除异常值、数据归一化等,确保数据的质量和可比性;
S2.2:构建一个距离矩阵,其中每个元素表示波动数据点与历史数据点之间的距离,可以使用欧氏距离等方法来计算距离;
S2.3:利用动态规划算法计算距离矩阵中的最短路径,以找到波动数据序列与历史数据序列之间的最佳匹配,动态规划的过程中,考虑到可以允许序列之间的时间偏移和变形;
S2.4:根据计算得到的最短路径,对波动数据序列和历史数据序列进行对齐,以便进行后续的相似度比较;对齐的过程中,可以通过插值或者插补等方法处理时间上的偏移;
S2.5:根据对齐后的波动数据序列和历史数据序列,计算它们之间的相似度;通常可以采用累积距离或者相似性度量来衡量实时数据与历史数据之间的相似程度;
S2.6:将计算得到的相似度与相似度阈值进行比较,若相似度大于相似度阈值,说明子监测区域内地质波动数据的异常波动程度较低,此时发出数据正常波动信号;若相似度小于等于相似度阈值,说明子监测区域内地质波动数据的异常波动程度较高,此时发出数据异常波动信号。
在此需要说明的是,相似度阈值由本领域技术人员根据具体地质数据采集情况设置,在此不做限定。
需要强调的是,将计算得到的相似度与相似度阈值进行比较,有助于提高地质灾害预警的准确性和可靠性,减少误报率,并能够有效地节约资源和加强预防措施。
在S3中,当接收到数据异常波动信号时,对地质构造变动数据进行监测,判断子监测区域内地质构造变动的时间差,评估地质构造变动时间的关联性;判断岩层地下水位的波动趋势,评估岩层地下水位数据的稳定性;
其中,当子监测区域内地质数据异常程度增加时,对地质构造变动数据进行监测,判断子监测区域内地质构造变动程度,评估地质构造变动的关联性,具体为:
获取持续时间差对评估子监测区域内地质数据的准确性有以下作用:
关联性评估,持续时间差可以用来评估实时地质数据异常事件和地质构造变动事件之间的时间关联性。如果持续时间差较小,则表示实时地质数据异常事件和地质构造变动事件在时间上更为接近,可能存在较强的关联性,从而增强了对地质数据异常的解释和分析。
准确性验证,持续时间差的大小可以作为一种验证地质数据准确性的指标。如果持续时间差较小,说明实时地质数据异常事件和地质构造变动事件的起止时间较为一致,说明数据采集和处理的准确性较高;反之,如果持续时间差较大,则可能存在数据采集或处理的误差,需要进一步检查和修正。
预警信号发出依据,持续时间差的大小也可以作为发出地质灾害预警信号的依据之一。如果持续时间差较小且与其他因素一致,可能表明地质灾害的风险较高,需要及时发出预警信号并采取相应的应对措施。
综上所述,获取持续时间差有助于评估子监测区域内地质数据的准确性,提高地质灾害预警的精准性和可靠性。
通过实时地质监测数据,识别出异常事件,例如地震、地表形变、地下水位异常等,分析地质构造变动监测数据,识别出地质构造变动事件,如断裂活动、地表下陷、岩层位移等,确定每个地质构造变动事件的起始时间点和结束时间点;
根据实时地质数据异常事件和地质构造变动事件的起始时间点和结束时间点,对两个事件序列进行对齐,计算数据持续时间差;
数据持续时间差的获取方法为:分别建立实时地质数据异常事件序列E1和地质构造变动事件序列E2,,E2=,分别对应起始时间点和结束时间点;
将对齐后的事件序列进行重叠程度计算,计算事件重叠比例,计算表达式为:=/>,式中,/>为事件重叠比例,/>=/>,/>=,/>=min/>,/>=/>,i为实时地质数据异常事件序列中的索引,j为地质构造变动事件序列中的索引;
计算实时地质数据异常事件和地质构造变动事件的持续时间差,即计算数据持续时间差,计算表达式为可以为:=/>,其中,/>是实时地质数据异常事件的结束时间点,/>是地质构造变动事件的起始时间点,/>为数据持续时间差,/>为事件重叠比例;
将获取到的数据持续时间差与标准数据持续时间差进行比较,若获取到的数据持续时间差大于标准数据持续时间差,说明数据采集存在异常或不稳定的情况,可能会影响到地质数据的准确性,此时发出时间关联异常信号,提示相关人员对地质变动过程数据采集时间差进行重点监测,以保证监测数据的可靠性和准确性;若获取到的数据持续时间差小于等于标准数据持续时间差,说明数据采集过程正常且具有稳定性,此时发出时间关联正常信号。
持续时间差的数值越大,表示实时地质数据异常事件与地质构造变动事件之间的时间差较大,可能对监测区域内地质数据的准确性产生以下影响:
数据不一致性,较大的持续时间差可能意味着实时地质数据异常事件的记录与地质构造变动事件的发生时间相差较大,反映了数据之间的不一致性。这种不一致性可能源自数据采集、处理或记录方面的错误,导致了地质数据的不准确性。
数据误差可能性,持续时间差的增大可能暗示了数据的误差可能性增加。大的时间差可能表明了地质构造变动事件的实际发生时间与记录的异常数据事件的时间存在较大的偏差,这可能是数据采集设备或过程中的误差所致。
可信度降低,持续时间差增大可能导致地质数据的可信度降低。当地质数据异常事件与地质构造变动事件的时间差较大时,可能会降低对地质数据异常的解释力度,使得数据的可信度受到质疑,进而影响地质灾害预测的准确性。
因此,较大的持续时间差可能意味着地质数据的准确性受到影响,需要进一步检查和验证数据的来源、采集和处理过程,以确保地质数据的准确性和可靠性。
判断岩层地下水位的波动趋势,评估岩层地下水位数据的稳定性,具体为:
监测,获取岩层地下水位数据,可以通过水文监测站、地下水位监测井或其他水文测量设备进行收集,并对获取到的地下水位数据进行预处理;
水位平滑程度值可以反映地下水位数据的稳定性。如果水位变化较为平滑,平滑程度值较高,则说明地下水位的变化相对稳定,数据的可靠性较高;反之,如果水位变化较为剧烈,平滑程度值较低,则可能存在异常或噪声数据,数据的可靠性较低。
通过对水位数据进行平滑处理,可以减少异常值或噪声的影响,使得真实的地下水位变化更加清晰。较高的平滑程度值意味着水位数据更加稳定,可以更容易地识别和排除异常值,提高数据的准确性。
水位平滑程度值也可以反映监测系统的性能。监测系统的稳定性和准确性会直接影响到水位数据的平滑程度。通过对水位平滑程度值的监测和分析,可以及时发现监测系统的异常或故障,保障数据的准确性和可靠性。
将地下水位数据按照时间顺序排列,确定时间窗口,对地下水位数据进行移动平均计算,即对每个时间点的水位数据及其前后相连多个时间点的数据进行平均计算,得到平滑后的水位数据,计算水位平滑程度值;
水位平滑程度值的获取方法为:将原始的地下水位数据按时间顺序绘制成时间序列图,横坐标为时间,纵坐标为地下水位值,在图表中标记出每个数据点,以展示地下水位的变化趋势;绘制移动平均后的水位数据的时间序列图,将移动平均后的水位数据按时间顺序绘制成时间序列图,同样横坐标为时间,纵坐标为移动平均后的地下水位值;在图表中标记出每个数据点,以展示平滑后的地下水位趋势;
将原始地下水位数据的时间序列图和移动平均后的水位数据的时间序列图进行比较,对移动平均后的水位数据进行趋势线拟合,计算趋势线上相邻两点的平均变化率的绝对值,即水位随时间正向变化的平均变化速率,即计算水位平滑程度值。
比较水位平滑程度值和异常趋势值,将获取到的地下水位监测设备的水位平滑程度值与设备的水位平滑异常趋势值进行比较;
发出水位数据异常信号,若水位平滑程度值超出了异常趋势值的范围,说明地下水位监测设备的水位平滑程度异常,可能会影响到地下水位数据的准确性。此时,发出水位平滑异常信号,提示相关人员设备可能存在问题,需要进行检修或维护,以确保监测数据的可靠性和准确性;
发出水位数据正常信号,若水位平滑程度值在异常趋势值的范围内,说明地下水位监测设备的水位平滑程度符合预期,正常稳定。此时,发出水位平滑正常信号,表示设备工作正常,可以保证监测数据的可靠性和准确性。
水位平滑程度值越大,通常表示地下水位数据的波动相对较小,即地下水位变化相对稳定。因此,对于监测区域内地质数据的准确性而言,水位平滑程度值越大,可能意味着以下几个方面的情况:
较大的水位平滑程度值表明地下水位的变化趋势相对较为平缓,波动较小,因此数据更加稳定。这可能意味着数据采集设备的性能良好,对地下水位的监测能力较强,数据质量较高。
较大的水位平滑程度值通常会减少异常值或噪声的影响,使得地下水位数据更加清晰和可靠。这有助于提高地质数据的准确性,使得数据更加符合实际情况。
稳定的地下水位数据可以提供更可靠的基础,用于进行地质灾害的预测和分析。因此,较大的水位平滑程度值可能会带来更高的预测精度,有助于提前预警和防范地质灾害。
总的来说,水位平滑程度值越大,通常表示地下水位数据的质量越高,数据的稳定性和可靠性更强,从而提高了地质数据的准确性和预测精度。
在S4中,对子监测区域内地质数据出现异常的数据检测设备进行标记,并对标记的数据检测设备的工作状态进行分析,评估数据检测设备的整体性能影响程度,计算检测设备的整体性能异常指数;
获取整体性能异常指数对于评估子监测区域内地质数据的准确性具有以下作用:
整体性能异常指数可以综合考虑所有异常设备的影响,从而评估监测系统的整体数据质量。通过量化指标,可以更准确地了解数据的可靠性程度。
检测设备整体性能异常指数可以作为监测系统性能的参考依据,帮助管理人员了解系统运行状况,并及时调整维护策略。通过监测异常指数的变化,可以及时发现系统问题并采取措施解决,从而提高数据准确性。
整体性能异常指数的获取方法为:获取子监测区域内地质数据检测设备的数量h并对其进标号,,/>为大于0的正整数,对地质数据检测设备的工作状态进行监测,获取在s时间段内每台地质数据检测设备的实时工作效率/>,分别建立每台地质数据检测设备的实时工作效率集合/>=/>,/>为大于0的正整数,获取预先设置的每台地质数据检测设备的标准工作效率,将每台地质数据检测设备的实时工作效率与预先设置的每台地质数据检测设备的标准工作效率进行比较,计算实时工作效率与标准工作效率的标准差并对其进行求和,即计算得到整体性能异常指数;
将获取到的地质检测设备的整体性能异常指数与检测设备性能标准阈值进行比较,若获取到的整体性能异常指数大于标准阈值,说明地质数据检测设备工作状态稳定性较低,可能会影响到地质数据的准确性,此时发出设备异常信号,以提示相关人员从而保证监测数据的可靠性和准确性;若获取到的整体性能异常指数小于等于标准阈值,说明地质数据检测设备在数据采集过程稳定性较高,此时发出设备正常信号。
整体性能异常指数越大,通常意味着监测系统中存在较多的异常设备,其工作状态异常或数据质量低下。这可能对监测区域内地质数据的准确性造成一定程度的影响,具体影响表现如下:
异常指数的增加可能意味着监测系统中存在更多的数据异常或错误,导致地质数据的可靠性降低。这可能包括数据缺失、噪声干扰、错误标定等问题,使得地质数据的准确性受到影响。
异常设备的存在可能导致监测系统对地质现象的监测和预测不准确,从而降低了地质数据的预测精度。这可能会给地质灾害的预警和防范工作带来挑战,增加了实际应对灾害的难度。
因此,整体性能异常指数越大,通常意味着地质数据的准确性越低,需要及时识别和解决监测系统中的异常问题,以提高地质数据的准确性和可靠性。
S5:将地质构造变动的关联性,岩层地下水位的稳定性以及数据检测设备的整体性能影响程度进行综合分析,评估子监测区域内地质数据的准确性;
将数据持续时间差,水位平滑程度值以及整体性能异常指数进行归一化处理,通过归一化处理后的数据持续时间差,水位平滑程度值以及整体性能异常指数计算子监测区域内地质数据的准确性系数。
例如,本发明可以采用如下公式进行子监测区域内地质数据的准确性系数的计算,计算表达式为:=/>,式中,/>为准确性系数,/>为数据持续时间差,/>为水位平滑程度值,/>为整体性能异常指数,/>、/>为数据持续时间差,水位平滑程度值以及整体性能异常指数的比例系数,且/>0;
数据持续时间差和整体性能异常指数同子监测区域内地质数据的准确性系数呈现反比关系,且随着数据持续时间差和整体性能异常指数的数值增大,可能会导致子监测区域内地质数据的准确性下降,增加了数据的不确定性和使用风险;水位平滑程度值越大,通常表示地下水位数据的波动相对较小,即地下水位变化相对稳定,子监测区域内地质数据的准确性越高。
将子监测区域内地质数据的准确性系数与准确性阈值进行比较,若子监测区域内地质数据的准确性系数大于等于准确性阈值,说明子监测区域内采集到的地质数据的准确性越高,且地质数据的采集过程较为稳定,此时发出数据正常信号;若子监测区域内地质数据的准确性系数小于准确性阈值,说明子监测区域内采集到的地质数据的准确性越低,且地质数据的采集过程较不稳定,此时发出数据异常信号,工作人员在接收到数据异常信号后,需要对子监测区域内的数据采集方案进行调整,以提高数据的准确性和数据采集过程的稳定性。
本实施例中,将地质灾害监测区域划分为n个子监测区域,确定每个子监测区域内的地质特征数据,并设计出每个子监测区域内的数据采集方案,确定子监测区域内的数据检测设备和人员数量,监测,获取每个子监测区域内的波动地质数据并对其进行预处理,将预处理后的波动地质数据与对应的子监测区域内历史地质数据进行匹配,确定子监测区域内地质数据异常波动程度,并分别发出数据正常波动信号和数据异常波动信号;当接收到数据异常波动信号时,对地质构造变动数据进行监测,判断子监测区域内地质构造变动程度,评估地质构造变动的关联性;判断岩层地下水位的波动趋势,评估岩层地下水位的稳定性,对子监测区域内地质数据出现异常的数据检测设备进行标记,并对标记的数据检测设备的工作状态进行分析,评估数据检测设备的整体性能影响程度。将地质构造变动的关联性,岩层地下水位的稳定性以及数据检测设备的整体性能影响程度进行综合分析,评估子监测区域内地质数据的准确性,能够更全面地评估子监测区域内地质数据的准确性和可靠性,提高预测的精度和可信度,同时,当接收到地质数据异常信号时,能够快速进行地质构造变动和地下水位稳定性的评估,及时标记异常的数据检测设备并分析其整体性能影响程度,有助于快速响应和处理异常情况,降低可能的灾害风险。
实施例2
S6:对子监测区域规定时间内地质数据的准确性进行分析,并对子监测区域内的地质灾害风险级别进行提前预测并进行预警,具体为:
当子监测区域一定时间内地质数据的准确性出现一直处于较低水平时,说明子监测区域区域内出现地质灾害的风险性越高,具体为:
设定子监测区域内地质灾害风险预测区间,地质灾害风险预测区间对应的时间长度是固定的,而其范围随着时间的推移而变化,始终以实时时间点为终点。在子监测区域内地质灾害风险预测中,地质灾害风险预测区间的起点是固定的,但终点随着时间的推移会不断更新,保持与当前时刻的一致。确保对地质灾害风险的实时监测和评估,及时发现潜在的故障风险并采取必要的应对措施,以减轻可能的损失和影响,主要包括:
获取在地质灾害风险预测区间内子监测区域内发出数据异常信号的风险占比情况;
若地质灾害风险预测区间内子监测区域内没有发出数据异常信号,说明子监测区域内发生地质灾害的风险性较低,将该子监测区域标记为低风险区域,此时生成三级预警信号,提醒相关人员注意保持监测和警惕,但不需要立即采取紧急措施;
若地质灾害风险预测区间内子监测区域内发出数据异常信号,且数据异常信号的风险占比小于风险占比阈值,说明子监测区域内存在一些潜在的风险,且风险性为中等水平,将该子监测区域标记为中等风险区域,此时生成二级预警信号,相关人员需要加强监测和注意,可以适当采取预防措施,以减少潜在风险的发展;
若地质灾害风险预测区间内子监测区域内发出数据异常信号,且数据异常信号的风险占比大于等于风险占比阈值,说明子监测区域内发生地质灾害的风险性较高,将该子监测区域标记为高等风险区域,此时生成一级预警信号,相关人员需要立即采取行动,启动应急响应计划,实施紧急措施,以降低灾害发生的可能性,并保障人员和财产安全。
风险占比阈值,由本领域人员根据子监测区域在一定时间内数据异常信号发出的数量以及子监测区域地质环境的具体情况设置,在此不做赘述。
具体的,一级预警信号的风险级别高于二级预警信号的风险级别,二级预警信号的风险级别高于三级预警信号的风险级别,根据每个子监测区域内的风险级别,预测每个子监测区域内发生地质灾害的风险性。有助于对不同区域内的地质灾害风险进行有效区分和及时警示,为相关部门和人员采取相应的防范和救援措施提供重要参考。
实施例3
请参阅图2所示,本实施例所述一种基于人工智能的地质灾害预测系统,包括方案设定模块、匹配模块、数据监测模块、设备监测模块,评估分析模块以及预测预警模块;
方案设定模块:将地质灾害监测区域划分为n个子监测区域,确定每个子监测区域内的地质特征数据,并设计出每个子监测区域内的数据采集方案,确定子监测区域内的数据检测设备和人员数量;
匹配模块:监测,获取每个子监测区域内的波动地质数据并对其进行预处理,将预处理后的波动地质数据与对应的子监测区域内历史地质数据进行匹配,确定子监测区域内地质数据异常波动程度,并分别发出数据正常波动信号和数据异常波动信号;
数据监测模块:当接收到数据异常波动信号时,对地质构造变动数据进行监测,判断子监测区域内地质构造变动的时间差,评估地质构造变动时间的关联性;判断岩层地下水位的波动趋势,评估岩层地下水位数据的稳定性;
设备监测模块:对子监测区域内地质数据出现异常的数据检测设备进行标记,并对标记的数据检测设备的工作状态进行分析,评估数据检测设备的整体性能影响程度;
评估分析模块:将地质构造变动的关联性,岩层地下水位的稳定性以及数据检测设备的整体性能影响程度进行综合分析,评估子监测区域内地质数据的准确性;
预测预警模块:对子监测区域规定时间内地质数据的准确性进行分析,并对子监测区域内的地质灾害风险级别进行提前预测并进行预警。
上述实施例,可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时,上述实施例可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令或计算机程序。在计算机上加载或执行所述计算机指令或计算机程序时,全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以为通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集合的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质。半导体介质可以是固态硬盘。
应理解,本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况,其中A,B可以是单数或者复数。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系,但也可能表示的是一种“和/或”的关系,具体可参考前后文进行理解。
应理解,在本申请的各种实施例中,上述各过程的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以所述权利要求的保护范围为准。
Claims (5)
1.一种基于人工智能的地质灾害预测方法,其特征在于:包括以下步骤;
S1:将地质灾害监测区域划分为n个子监测区域,确定每个子监测区域内的地质特征数据,并设计出每个子监测区域内的数据采集方案,确定子监测区域内的数据检测设备和人员数量;
S2:监测,获取每个子监测区域内的波动地质数据并对其进行预处理,将预处理后的波动地质数据与对应的子监测区域内历史地质数据进行匹配,确定子监测区域内地质数据异常波动程度,并分别发出数据正常波动信号和数据异常波动信号;
S3:当接收到数据异常波动信号时,对地质构造变动数据进行监测,判断子监测区域内地质构造变动的时间差,评估地质构造变动时间的关联性;判断岩层地下水位的波动趋势,评估岩层地下水位数据的稳定性;
S4:对子监测区域内地质数据出现异常的数据检测设备进行标记,并对标记的数据检测设备的工作状态进行分析,评估数据检测设备的整体性能影响程度;
S5:将地质构造变动的关联性,岩层地下水位的稳定性以及数据检测设备的整体性能影响程度进行综合分析,评估子监测区域内地质数据的准确性;
S6:对子监测区域规定时间内地质数据的准确性进行分析,并对子监测区域内的地质灾害风险级别进行提前预测并进行预警;
步骤S2具体包括:监测,获取每个子监测区域内的波动地质数据并对其进行预处理,将预处理后的波动地质数据与对应的子监测区域内历史地质数据进行匹配,确定子监测区域内地质数据异常波动程度,具体为:
S2.1:对波动地质数据和历史地质数据进行预处理;
S2.2:构建一个距离矩阵,其中每个元素为波动数据点与历史数据点之间的距离;
S2.3:利用动态规划算法计算距离矩阵中的最短路径,以找到波动数据序列与历史数据序列之间的最佳匹配;
S2.4:根据计算得到的最短路径,对波动数据序列和历史数据序列进行对齐;
S2.5:根据对齐后的波动数据序列和历史数据序列,计算它们之间的相似度;
S2.6:将计算得到的相似度与相似度阈值进行比较,若相似度大于相似度阈值,此时发出数据正常波动信号;若相似度小于等于相似度阈值,此时发出数据异常波动信号;
步骤S3具体包括:判断子监测区域内地质构造变动的时间差,评估地质构造变动时间的关联性;
数据持续时间差的获取方法为:
通过实时地质监测数据,识别出异常事件,根据实时地质数据异常事件和地质构造变动事件的起始时间点和结束时间点,对两个事件序列进行对齐;
分别建立实时地质数据异常事件序列E1和地质构造变动事件序列E2,将对齐后的事件序列进行重叠程度计算,计算事件重叠比例,计算实时地质数据异常事件和地质构造变动事件的持续时间差,即计算数据持续时间差;
将获取到的数据持续时间差与标准数据持续时间差进行比较,若获取到的数据持续时间差大于标准数据持续时间差,此时发出时间关联异常信号;若获取到的数据持续时间差小于等于标准数据持续时间差,此时发出时间关联正常信号;
判断岩层地下水位的波动趋势,评估岩层地下水位数据的稳定性,具体为:
水位平滑程度值的获取方法为:
将原始的地下水位数据按时间顺序绘制成时间序列图,横坐标为时间,纵坐标为地下水位值,在图表中标记出每个数据点,以展示地下水位的变化趋势;
绘制移动平均后的水位数据的时间序列图,将移动平均后的水位数据按时间顺序绘制成时间序列图,同样横坐标为时间,纵坐标为移动平均后的地下水位值,在图表中标记出每个数据点,以展示平滑后的地下水位趋势;
将原始地下水位数据的时间序列图和移动平均后的水位数据的时间序列图进行比较,对移动平均后的水位数据进行趋势线拟合,计算趋势线上相邻两点的平均变化率的绝对值,即水位随时间正向变化的平均变化速率,即计算水位平滑程度值。
2.根据权利要求1所述的一种基于人工智能的地质灾害预测方法,其特征在于:对子监测区域内地质数据出现异常的数据检测设备进行标记,并对标记的数据检测设备的工作状态进行分析,评估数据检测设备的整体性能影响程度,具体为:
整体性能异常指数的获取方法为:
获取子监测区域内地质数据检测设备的数量h并对其进标号,,/>为大于0的正整数,对地质数据检测设备的工作状态进行监测,获取在s时间段内每台地质数据检测设备的实时工作效率/>,分别建立每台地质数据检测设备的实时工作效率集合/>=/>,/>为大于0的正整数,获取预先设置的每台地质数据检测设备的标准工作效率,将每台地质数据检测设备的实时工作效率与预先设置的每台地质数据检测设备的标准工作效率进行比较,计算实时工作效率与标准工作效率的标准差并对其进行求和,即计算得到整体性能异常指数;
将获取到的地质检测设备的整体性能异常指数与检测设备性能标准阈值进行比较,若获取到的整体性能异常指数大于标准阈值,此时发出设备异常信号;若获取到的整体性能异常指数小于等于标准阈值,此时发出设备正常信号。
3.根据权利要求1所述的一种基于人工智能的地质灾害预测方法,其特征在于:S5中,将地质构造变动的关联性,岩层地下水位的稳定性以及数据检测设备的整体性能影响程度进行综合分析,评估子监测区域内地质数据的准确性,具体为:
将数据持续时间差,水位平滑程度值以及整体性能异常指数进行归一化处理,通过归一化处理后的数据持续时间差,水位平滑程度值以及整体性能异常指数计算子监测区域内地质数据的准确性系数;
将子监测区域内地质数据的准确性系数与准确性阈值进行比较,若子监测区域内地质数据的准确性系数大于等于准确性阈值,此时发出数据正常信号;若子监测区域内地质数据的准确性系数小于准确性阈值,此时发出数据异常信号。
4.根据权利要求3所述的一种基于人工智能的地质灾害预测方法,其特征在于:S6中,对子监测区域规定时间内地质数据的准确性进行分析,并对子监测区域内的地质灾害风险级别进行提前预测并进行预警;
设定子监测区域内地质灾害风险预测区间,获取在地质灾害风险预测区间内子监测区域内发出数据异常信号的风险占比情况;
若地质灾害风险预测区间内子监测区域内没有发出数据异常信号,将该子监测区域标记为低风险区域,此时生成三级预警信号;
若地质灾害风险预测区间内子监测区域内发出数据异常信号,且数据异常信号的风险占比小于风险占比阈值,将该子监测区域标记为中等风险区域,此时生成二级预警信号;
若地质灾害风险预测区间内子监测区域内发出数据异常信号,且数据异常信号的风险占比大于等于风险占比阈值,将该子监测区域标记为高等风险区域,此时生成一级预警信号。
5.一种基于人工智能的地质灾害预测系统,用于实现权利要求1-4任一项所述的一种基于人工智能的地质灾害预测方法,其特征在于:包括方案设定模块、匹配模块、数据监测模块、设备监测模块,评估分析模块以及预测预警模块;
方案设定模块:将地质灾害监测区域划分为n个子监测区域,确定每个子监测区域内的地质特征数据,并设计出每个子监测区域内的数据采集方案,确定子监测区域内的数据检测设备和人员数量;
匹配模块:监测,获取每个子监测区域内的波动地质数据并对其进行预处理,将预处理后的波动地质数据与对应的子监测区域内历史地质数据进行匹配,确定子监测区域内地质数据异常波动程度,并分别发出数据正常波动信号和数据异常波动信号;
数据监测模块:当接收到数据异常波动信号时,对地质构造变动数据进行监测,判断子监测区域内地质构造变动的时间差,评估地质构造变动时间的关联性;判断岩层地下水位的波动趋势,评估岩层地下水位数据的稳定性;
设备监测模块:对子监测区域内地质数据出现异常的数据检测设备进行标记,并对标记的数据检测设备的工作状态进行分析,评估数据检测设备的整体性能影响程度;
评估分析模块:将地质构造变动的关联性,岩层地下水位的稳定性以及数据检测设备的整体性能影响程度进行综合分析,评估子监测区域内地质数据的准确性;
预测预警模块:对子监测区域规定时间内地质数据的准确性进行分析,并对子监测区域内的地质灾害风险级别进行提前预测并进行预警。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410353630.0A CN117953664B (zh) | 2024-03-27 | 2024-03-27 | 一种基于人工智能的地质灾害预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410353630.0A CN117953664B (zh) | 2024-03-27 | 2024-03-27 | 一种基于人工智能的地质灾害预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117953664A CN117953664A (zh) | 2024-04-30 |
CN117953664B true CN117953664B (zh) | 2024-06-18 |
Family
ID=90800262
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410353630.0A Active CN117953664B (zh) | 2024-03-27 | 2024-03-27 | 一种基于人工智能的地质灾害预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117953664B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102750804A (zh) * | 2011-04-22 | 2012-10-24 | 江西西菱轨道交通技术发展有限公司 | 铁路滑坡灾害早期预警系统及方法 |
CN116797030A (zh) * | 2023-08-25 | 2023-09-22 | 山东省地质调查院(山东省自然资源厅矿产勘查技术指导中心) | 地质监测预警方法、系统、计算机设备及存储介质 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101580062B1 (ko) * | 2014-12-05 | 2015-12-28 | 연세대학교 산학협력단 | 실시간 산사태 예경보 방법 및 시스템 |
CN115587155A (zh) * | 2022-10-28 | 2023-01-10 | 四川蓉电科技发展有限公司 | 一种基于gis的地质数据呈现方法及系统 |
CN117037456B (zh) * | 2023-10-10 | 2024-01-30 | 山东科技大学 | 一种现场监测的矿山灾害预测预警方法及系统 |
-
2024
- 2024-03-27 CN CN202410353630.0A patent/CN117953664B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102750804A (zh) * | 2011-04-22 | 2012-10-24 | 江西西菱轨道交通技术发展有限公司 | 铁路滑坡灾害早期预警系统及方法 |
CN116797030A (zh) * | 2023-08-25 | 2023-09-22 | 山东省地质调查院(山东省自然资源厅矿产勘查技术指导中心) | 地质监测预警方法、系统、计算机设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN117953664A (zh) | 2024-04-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | A two-stage data-driven-based prognostic approach for bearing degradation problem | |
US20220205956A1 (en) | Detection of structural anomalies in a pipeline network | |
US9146800B2 (en) | Method for detecting anomalies in a time series data with trajectory and stochastic components | |
CN109325692B (zh) | 水管网的数据实时分析方法及装置 | |
US8009041B2 (en) | Access monitoring and control system and method | |
JP7056823B2 (ja) | ローカル分析の監視のシステム及び方法 | |
CN116163807A (zh) | 一种基于arima模型的隧道健康监测异常数据动态预警方法 | |
CN117150445B (zh) | 一种区间隧道近距离下穿河流的沉降监测和评价方法 | |
Soo Lon Wah et al. | Damage detection under temperature conditions using PCA–an application to the Z24 Bridge | |
CN111417970B (zh) | 利用实时数据的湿井预测 | |
KR20220132824A (ko) | 배전설비 상태 이상 개소 감시 시스템 및 방법 | |
CN117953664B (zh) | 一种基于人工智能的地质灾害预测方法及系统 | |
CN116777088B (zh) | 用于保障生命安全的供电应急抢修环境监测方法及系统 | |
McKenna et al. | Event detection from water quality time series | |
CN107609330A (zh) | 基于门禁日志挖掘的内部威胁异常行为分析方法 | |
WO2015039693A1 (en) | Method and system for data quality assessment | |
JP7062505B2 (ja) | 設備管理支援システム | |
US20230297095A1 (en) | Monitoring device and method for detecting anomalies | |
CN113982605B (zh) | 多层级盾构法隧道安全保护系统及方法 | |
WO2022059720A1 (ja) | 構造物診断システム、構造物診断方法、および構造物診断プログラム | |
RU2745137C1 (ru) | Автоматизированная система выявления и прогнозирования осложнений в процессе строительства нефтяных и газовых скважин | |
CN114662977A (zh) | 海上钻井平台运动状态的异常检测方法、系统和电子设备 | |
US11960254B1 (en) | Anomaly detection and evaluation for smart water system management | |
CN118097920B (zh) | 一种浅表层滑坡崩塌灾害监测预警装置及监测预警方法 | |
CN117576854B (zh) | 一种基于安防消防一体化的自动报警方法及系统 |
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 |