CN120160552B - 一种基于物理信息神经网络模型的滑坡三维变形场监测方法和系统 - Google Patents

一种基于物理信息神经网络模型的滑坡三维变形场监测方法和系统

Info

Publication number
CN120160552B
CN120160552B CN202510254713.9A CN202510254713A CN120160552B CN 120160552 B CN120160552 B CN 120160552B CN 202510254713 A CN202510254713 A CN 202510254713A CN 120160552 B CN120160552 B CN 120160552B
Authority
CN
China
Prior art keywords
landslide
monitoring
deformation
neural network
point cloud
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
Application number
CN202510254713.9A
Other languages
English (en)
Other versions
CN120160552A (zh
Inventor
何容杰
蒋楠
李智宇
李海波
周家文
胡宇翔
李从江
张洁源
祝清阳
徐源懋
黄蕾
鲜昭
陈骎
范刚
戚顺超
罗洪钰
鲁功达
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Sichuan University
Original Assignee
Sichuan University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Sichuan University filed Critical Sichuan University
Priority to CN202510254713.9A priority Critical patent/CN120160552B/zh
Publication of CN120160552A publication Critical patent/CN120160552A/zh
Application granted granted Critical
Publication of CN120160552B publication Critical patent/CN120160552B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00—Measuring arrangements characterised by the use of optical techniques
    • G01B11/16—Measuring arrangements characterised by the use of optical techniques for measuring the deformation in a solid, e.g. optical strain gauge
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B15/00—Measuring arrangements characterised by the use of electromagnetic waves or particle radiation, e.g. by the use of microwaves, X-rays, gamma rays or electrons
    • G01B15/06—Measuring arrangements characterised by the use of electromagnetic waves or particle radiation, e.g. by the use of microwaves, X-rays, gamma rays or electrons for measuring the deformation in a solid
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B7/00—Measuring arrangements characterised by the use of electric or magnetic techniques
    • G01B7/16—Measuring arrangements characterised by the use of electric or magnetic techniques for measuring the deformation in a solid, e.g. by resistance strain gauge
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06N3/045—Combinations of networks
    • G06N3/0455—Auto-encoder networks; Encoder-decoder networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10028—Range image; Depth image; 3D point clouds

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Geometry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Electromagnetism (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)

Abstract

本发明公开了一种基于物理信息神经网络模型的滑坡三维变形场监测方法和系统。包括：利用三维激光扫描获取滑坡体的多期点云数据，并结合有限测斜和GNSS监测数据获取滑坡体的内外观时序变形数据；采用改进的ICP算法对点云数据进行解算，获得滑坡体的表面变形场；构建物理信息神经网络模型，根据监测数据进行训练，并通过优化模型参数，预测沿坡向和垂直坡向的位移；根据训练好的模型推演滑坡三维整体时序变形场，实现实时监测。本发明的优点是：能够提供高精度的滑坡变形监测，具有实时性和准确性，能够有效预警滑坡灾害。

Description

一种基于物理信息神经网络模型的滑坡三维变形场监测方法 和系统
技术领域
本发明涉及地质工程技术领域，特别涉及一种基于物理信息神经网络模型的滑坡三维变形场监测方法和系统。
背景技术
近年来，全球滑坡灾害频发，造成了巨大的经济损失和人员伤亡。滑坡灾害的发生不仅威胁着人民生命财产安全，还影响着基础设施的正常运行。因此，滑坡监测与预警已成为滑坡防灾减灾工作中非常重要的一项内容。然而，传统的滑坡监测方法仍面临着一些挑战和局限性，亟需更加高效、精准的技术体系来提升滑坡监测的预警能力。
现有的滑坡监测方法主要分为点式变形监测方法和基于遥感技术的表面变形监测方法。点式变形监测方法通常通过在滑坡体上布设GNSS(全球导航卫星系统)、多点位移计和测斜仪等设备，监测滑坡体的局部变形。尽管该方法能够提供一定的监测数据，但其局限性也十分明显：首先，点式监测只能提供局部区域的变形信息，无法全面反映整个滑坡体的变形情况；其次，该方法依赖于大量设备的布设和维护，且容易受到设备故障、局部崩塌、溶蚀等因素的影响，导致数据异常和误报的情况。此外，点式监测方法一般适用于重力牵引型滑坡，对于降雨型滑坡或呈现台阶状变形特征的滑坡并不适用。
基于遥感技术的表面变形监测方法，如InSAR(合成孔径雷达干涉测量)和三维激光扫描技术，能够在较大范围内获取滑坡表面的变形信息。InSAR技术利用电磁波信号的相位差来解算滑坡表面变形量，三维激光扫描则通过对多期点云数据进行分析来获取变形数据。然而，这些方法主要提供表面变形信息，无法深入到滑坡体内部，缺乏对滑坡体内部变形和失稳过程的全面了解。此外，InSAR解算方法在受周围草木、地形等因素干扰较大的情况下，可能导致较大的误差。三维激光扫描方法则在处理大量点云数据时存在计算量大、数据不连续等问题，难以实现滑坡灾害的实时监测。
还有一些基于岩土体参数(如声发射、降雨量、变形速率等)设定阈值的滑坡监测方法，虽然能够一定程度上进行滑坡失稳判定和灾害预警，但由于岩土体参数具有较强的空间变异性，导致不同滑坡案例之间存在较大差异，基于历史经验和统计数据的阈值往往不具有普适性，因此这些方法难以广泛适用于所有类型的滑坡灾害。
综上所述，现有技术尚无法提供一种全面、精准的滑坡监测与预警系统，尤其是缺乏对滑坡体三维变形的实时监测与预测方法。
发明内容
本发明针对现有技术的缺陷，提供了一种基于物理信息神经网络模型的滑坡三维变形场监测方法和系统。
为了实现以上发明目的，本发明采取的技术方案如下：
一种基于物理信息神经网络模型的滑坡三维变形场监测方法，包括以下步骤：
步骤1：利用三维激光扫描获取滑坡体的多期点云数据，并结合有限测斜和GNSS监测获取滑坡体的有限内外观时序变形监测数据；
步骤2：采用改进ICP算法对多期点云数据进行解算，获取滑坡体的表面变形场；所述改进ICP算法用于识别源点云和目标点云之间对应的点对，并基于这些点对构建旋转和平移矩阵，以确保误差函数最小化。
步骤3：构建物理信息神经网络模型，根据滑坡有限的内外观时序变形监测数据对模型进行训练，获取最优参数，模型的输入为(x,y,z,t)，其中(x,y,z)为监测点的三维空间坐标，t为监测时间，输出为沿着坡向的位移u和垂直坡向的位移v；所述物理信息神经网络模型的损失包括传统损失和物理信息损失，传统损失为均方误差损失，物理信息损失用于表达滑坡体内外部力学变形的物理规律。
步骤4：根据优化好的网络参数，用训练好的物理信息神经网络模型推演滑坡三维整体时序变形场，实现滑坡三维变形场的实时监测。
进一步地，步骤2中所述的改进ICP算法包括以下步骤：
识别源点云和目标点云之间对应的点对，并基于这些点对构建旋转矩阵和空间平移向量，具体公式如下：
Q＝MP+t
其中，P为源点云，Q为目标点云，M为空间旋转矩阵，t为空间平移向量；ty表示沿Y轴的平移量,tz表示沿Z轴的平移量,rij其中i、j＝1,2,3表示旋转矩阵的一个分量，用来旋转点云的坐标。
利用旋转矩阵M和空间平移向量t来估计误差函数，并通过迭代优化变换以最小化误差函数，所述误差函数J的表达式为：
J＝Σ||qi-(M*pi+t)||2
其中，qi是目标点云中的第i个点，pi是源点云中的第i个点；
在每次迭代中，计算新的旋转矩阵Mn和平移向量tn，使得误差函数的总和最小，具体计算公式为：
其中，pi n-1为上一次迭代的点云，qi为目标点云的点，k是点云中点的总数量；
当满足最大迭代次数nmax或误差阈值δ时，停止迭代，完成计算。
进一步地，对于第n次迭代，第n个点云Pn表示为：
Pn＝MnPn-1+tn
对应点云Pn和Q之间的平均距离表示如下：
当n>nmax or d≤δ,计算的迭代停止，是源点云中的第i个点，在第n次迭代后的位置。
进一步地，物理信息神经网络模型的架构为人工神经网络、循环神经网络、长短时记忆神经网络或Transformer注意力机制中的任意一种。
进一步地，所述传统损失为均方误差损失，公式为：
其中，ui和vi是实测的沿坡向和垂直坡向的变形，和是模型预测的沿坡向和垂直坡向的变形；
进一步地，所述物理信息神经网络模型使用ReLU激活函数，ReLU激活函数的表达式为：
进一步地，所述物理信息神经网络模型的边界条件包括滑坡变形边界，且在监测时间t＝0时，滑坡体无变形；在监测时间t＝∞时，滑坡变形收敛至最大值Umax和Vmax。
进一步地，滑坡体通过条分法被分割成若干条带，条带与水平面之间的夹角为θi，沿坡向的变形u和垂直坡向的变形v与监测时间t之间的关系如下式：
进一步地，所述物理信息神经网络模型的总损失L由传统损失Ldata和物理信息损失Lphysics的叠加组成，表达式为：
L＝Ldata+Lphysics。
本发明还公开了一种滑坡三维变形场监测系统，该系统能够用于实施上述的滑坡三维变形场监测方法，具体的，包括：
三维激光扫描装置，用于获取滑坡体的多期点云数据；
有限测斜装置，用于获取滑坡体的内外观时序变形监测数据；
GNSS监测装置，用于获取滑坡体的时序变形数据；
数据处理模块，用于通过改进ICP算法解算多期点云数据，获取滑坡体的表面变形场，所述改进ICP算法用于识别源点云和目标点云之间对应的点对，并基于这些点对构建旋转和平移矩阵，以确保误差函数最小化；
物理信息神经网络模型构建模块，用于根据滑坡有限的内外观时序变形监测数据对物理信息神经网络模型进行训练，获取最优参数，所述物理信息神经网络模型的输入为(x,y,z,t)，其中(x,y,z)为监测点的三维空间坐标，t为监测时间，输出为沿着坡向的位移u和垂直坡向的位移v，所述物理信息神经网络模型的损失包括传统损失和物理信息损失，传统损失为均方误差损失，物理信息损失用于表达滑坡体内外部力学变形的物理规律；
实时监测模块，用于根据优化好的网络参数，利用训练好的物理信息神经网络模型推演滑坡三维整体时序变形场，实现滑坡三维变形场的实时监测。
本发明还公开了一种计算机设备，包括存储器、处理器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滑坡三维变形场监测方法。
本发明还公开了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述滑坡三维变形场监测方法。
与现有技术相比，本发明的优点在于：
1.本发明采用基于物理信息神经网络的滑坡三维变形场监测技术，突破了传统点式变形监测方法的局限，从局部变形监测提升到滑坡整体三维变形场监测。这种升维方法能够全面反映整个滑坡体的变形情况，包括表面变形和深部变形，提供比传统方法更为精确和全面的滑坡变形信息。
2.本发明通过利用三维激光扫描、有限测斜和GNSS等多种监测技术，结合物理信息神经网络模型，实现了滑坡变形的实时监测和预测。这使得滑坡灾害的预警更加及时、精准，能够为灾害防控和应急决策提供有力支持。
3.传统的滑坡监测方法由于依赖经验和阈值，往往无法适应不同类型的滑坡。与此不同，本发明通过物理信息神经网络的训练，能够根据滑坡的不同变形特征进行适应性调整。该方法不仅适用于重力牵引型滑坡，还能够广泛应用于降雨型滑坡、库区滑坡等其他不同类型的滑坡灾害监测。
4.本发明结合了物理力学机制和神经网络的优势，通过损失函数中的物理信息损失，确保模型输出的位移预测符合滑坡体的物理规律。通过不断优化神经网络模型的参数，使得预测的位移值与实测数据更加吻合，从而有效减少误差，提升预测精度。
5.采用多种神经网络架构(如人工神经网络、长短时记忆神经网络和Transformer注意力机制)，根据实际需求选择最优的网络结构，有助于提升模型的学习能力和计算效率。此外，通过适当的激活函数和边界条件的设置，进一步优化了模型的计算过程，确保了高效且精确的结果。
6.相比于传统的点式监测方法，本发明减少了对大量传感器和监测设备的依赖，降低了因设备故障或局部崩塌等因素导致的数据异常和误报的风险。同时，通过综合使用三维激光扫描和GNSS数据，可以进一步减少对单一设备的依赖，提高监测系统的鲁棒性和可靠性。
附图说明
图1是本发明实施例基于三维激光扫描、有限测斜和GNSS实现边坡的联合监测示意图；
图2是本发明实施例物理信息神经网络架构图；图中，(a-b)为改进ICP算法解算滑坡表面变形场；(c-e)为滑坡失稳物理力学机制示意图；(f-g)为物理信息神经网络架构；(h)为长短时记忆神经网络、循环神经网络和Transformer注意力机制等不同的网络结构图；
图3是本发明实施例三维激光扫描解算滑坡表面变形场示意图；图中(a)为滑坡在发展中期沿着坡向的变形u；(b)为滑坡发展后期沿着坡向的变形u；(c)为滑坡发展中期垂直坡向的变形v；(d)为滑坡发展后期垂直坡向的变形v。
图4是本发明实施例基于物理信息神经网络构建滑坡三维变形场示意图。图中(a)为模型训练及参数优化过程；(b)为滑坡三维变形场构建结果。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚明白，以下根据附图并列举实施例，对本发明做进一步详细说明。
本发明提供一种基于物理信息神经网络模型的滑坡三维变形场监测方法，包括以下步骤：
步骤1：利用三维激光扫描获取滑坡体的多期点云数据，利用有限测斜和GNSS监测来获取滑坡体有限的内外观时序变形监测数据，监测示意图如图1所示；
步骤2：采用改进ICP算法对多期点云数据进行解算，从而获取滑坡体的表面变形场。该算法识别源点云和目标点云之间对应的点对，基于这些点对构建旋转和平移矩阵，并利用该矩阵来估计误差函数。该算法迭代的优化变换，以确保误差函数满足预定义的标准，如下所述：
Q＝MP+t (1)
其中，P是源点云，Q是目标点云，M是空间旋转矩阵，t是空间平移向量。总误差J的表示如下：
J＝Σ||qi-(M*pi+t)||2 (3)
其中，应该计算得到J的最小值，M0和t0定义为初始旋转矩阵和初始平移向量。最大迭代次数定义为nmax。平方欧几里得距离的总和阈值设置为δ。第n次迭代计算如下：
对于第n次迭代，第n个点云Pn可以表示为：
Pn＝MnPn-1+tn (5)
对应点云Pn和Q之间的平均距离可以表示如下：
当n>nmax or d≤δ,计算的迭代停止，在此时，ICP的计算过程完成。滑坡表面变形场解算过程和结果示例如图2(a-b)所示。为了确保计算的精度，将目标点云分块进行分别计算。
步骤3：构建物理信息神经网络模型，根据滑坡有限的内外观时序变形监测数据，对模型进行训练，获取最优参数。滑坡失稳的物理力学机制如图2(c-e)所示，神经网络模型的输入为(x,y,z,t)，其中的(x,y,z)为监测点的三维空间坐标，t为监测时间，神经网络模型的输出为沿着坡向的位移u和垂直坡向的位移v，物理信息神经网络模型的架构如图2(f-g)所示，根据不同情况，可以选用人工神经网络、循环神经网络、长短时记忆神经网络或者Transformer注意力机制架构，如图2(h)。物理信息神经网络模型的损失包括传统损失(均方根误差损失)和物理信息损失，传统损失为均方误差损失或其他形式的传统损失，均方误差损失如式(7)所示：
式(7)中，ui和vi是实测的沿着坡向和垂直坡向的变形，和是模型预测的沿着坡向和垂直坡向的变形。采用ReLU激活函数或者其他激活函数类型，ReLU激活函数的的表达式如式(8)所示：
模型的边界条件如式(9)、式(10)和式(11)所示，在监测时间t＝0时，是初始状态，滑坡体没有发生变形，在监测时间t＝∞时，随着时间尺度的无限延伸，滑坡变形不会无限增加，在最大值Umax和Vmax上收敛。此外，当位置(x,y,z)位于如图2d所示的变形边界外时，变形值也为0。在图2e中，坡体通过条分法被分割成若干的条带，条带的总数为i，条带i与水平面之间的夹角用θi表示，因此在滑坡滑动面上，沿着坡向的变形u，垂直坡向的变形v和监测时间t之间的关系如下所示：
物理信息神经网络模型的总损失L就是模型的传统损失和物理信息损失的叠加，如式(13)所示：
L ＝ Ldata + Lphysics (13)
步骤4：根据优化好的网络参数，用训练好的物理信息神经网络模型，推演滑坡三维整体时序变形场，实现滑坡三维变形场的实时监测，从局部变形监测提升到三维整体变形监测。
本实施例首先运用于小型滑坡模型的三维整体变形场监测。
(1)根据三维激光扫描，获取边坡表面的多期点云数据，根据有限测斜，获取边坡内外观时序变形监测数据。
(2)采用三维激光扫描，获取边坡体表面的多期点云数据，采用平均域矢量算法对点云数据进行解算，获取边坡的表面变形场，如图3所示。
(3)根据表面变形场和边坡有限测斜监测的变形时序数据，训练物理信息神经网络模型，得到最优参数。采用物理信息神经网络，推演得到滑坡三维整体变形场，如图4所示。
本发明再一个实施例中，提供了一种滑坡三维变形场监测系统，该系统能够用于实施上述的滑坡三维变形场监测方法，具体的，包括：
三维激光扫描装置，用于获取滑坡体的多期点云数据；
有限测斜装置，用于获取滑坡体的内外观时序变形监测数据；
GNSS监测装置，用于获取滑坡体的时序变形数据；
数据处理模块，用于通过改进ICP算法解算多期点云数据，获取滑坡体的表面变形场，所述改进ICP算法用于识别源点云和目标点云之间对应的点对，并基于这些点对构建旋转和平移矩阵，以确保误差函数最小化；
物理信息神经网络模型构建模块，用于根据滑坡有限的内外观时序变形监测数据对物理信息神经网络模型进行训练，获取最优参数，所述物理信息神经网络模型的输入为(x,y,z,t)，其中(x,y,z)为监测点的三维空间坐标，t为监测时间，输出为沿着坡向的位移u和垂直坡向的位移v，所述物理信息神经网络模型的损失包括传统损失和物理信息损失，传统损失为均方误差损失，物理信息损失用于表达滑坡体内外部力学变形的物理规律；
实时监测模块，用于根据优化好的网络参数，利用训练好的物理信息神经网络模型推演滑坡三维整体时序变形场，实现滑坡三维变形场的实时监测。
本发明再一个实施例中，提供了一种终端设备，该终端设备包括处理器以及存储器，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器用于执行所述计算机存储介质存储的程序指令。处理器可能是中央处理单元(Central ProcessingUnit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor、DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable GateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，其是终端的计算核心以及控制核心，其适于实现一条或一条以上指令，具体适于加载并执行一条或一条以上指令从而实现相应方法流程或相应功能；本发明实施例所述的处理器可以用于滑坡三维变形场监测方法的操作。
本发明再一个实施例中，提供了一种存储介质，具体为计算机可读存储介质(Memory)，所述计算机可读存储介质是终端设备中的记忆设备，用于存放程序和数据。可以理解的是，此处的计算机可读存储介质既可以包括终端设备中的内置存储介质，当然也可以包括终端设备所支持的扩展存储介质。计算机可读存储介质提供存储空间，该存储空间存储了终端的操作系统。并且，在该存储空间中还存放了适于被处理器加载并执行的一条或一条以上的指令，这些指令可以是一个或一个以上的计算机程序(包括程序代码)。需要说明的是，此处的计算机可读存储介质可以是高速RAM存储器，也可以是非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。
可由处理器加载并执行计算机可读存储介质中存放的一条或一条以上指令，以实现上述实施例中有关滑坡三维变形场监测方法的相应步骤；计算机可读存储介质中的一条或一条以上指令由处理器加载并执行。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的实施方法，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。

Claims (6)

1.一种基于物理信息神经网络模型的滑坡三维变形场监测方法，其特征在于：包括以下步骤：
步骤1：利用三维激光扫描获取滑坡体的多期点云数据，并结合有限测斜和GNSS监测获取滑坡体的有限内外观时序变形监测数据；
步骤2：采用改进ICP算法对多期点云数据进行解算，获取滑坡体的表面变形场；所述改进ICP算法用于识别源点云和目标点云之间对应的点对，并基于这些点对构建旋转和平移矩阵，以确保误差函数最小化；
所述的改进ICP算法包括以下步骤：
识别源点云和目标点云之间对应的点对，并基于这些点对构建旋转矩阵和空间平移向量，具体公式如下：
Q＝MP+t
其中，P为源点云，Q为目标点云，M为空间旋转矩阵，t为空间平移向量；ty表示沿Y轴的平移量,tz表示沿Z轴的平移量,rij其中i、j＝1,2,3表示旋转矩阵的一个分量，用来旋转点云的坐标；
利用旋转矩阵M和空间平移向量t来估计误差函数，并通过迭代优化变换以最小化误差函数，所述误差函数J的表达式为：
J＝Σ||qi-(M*pi+t)||2
其中，qi是目标点云中的第i个点，pi是源点云中的第i个点；
在每次迭代中，计算新的旋转矩阵Mn和平移向量tn，使得误差函数的总和最小，具体计算公式为：
其中，pi n-1为上一次迭代的点云，qi为目标点云的点，k是点云中点的总数量；
当满足最大迭代次数nmax或误差阈值δ时，停止迭代，完成计算；
步骤3：构建物理信息神经网络模型，根据滑坡有限的内外观时序变形监测数据对模型进行训练，获取最优参数，
滑坡体通过条分法被分割成若干条带，条带与水平面之间的夹角为θi，沿坡向的变形u和垂直坡向的变形v与监测时间t之间的关系如下式：
所述物理信息神经网络模型的边界条件包括滑坡变形边界，且在监测时间t＝0时，滑坡体无变形；在监测时间t＝∞时，滑坡变形收敛至最大值Umax和Vmax；
滑坡体通过条分法被分割成若干条带，条带与水平面之间的夹角为θi，沿坡向的变形u和垂直坡向的变形v与监测时间t之间的关系如下式：
模型的输入为(x,y,z,t)，其中(x,y,z)为监测点的三维空间坐标，t为监测时间，输出为沿着坡向的位移u和垂直坡向的位移v；所述物理信息神经网络模型的总损失L包括传统损失Ldata和物理信息损失Lphysics，表达式为：
L＝Ldata+Lphysics
物理信息神经网络模型的总损失L用于表达滑坡体内外部力学变形的物理规律；
步骤4：根据优化好的网络参数，用训练好的物理信息神经网络模型推演滑坡三维整体时序变形场，实现滑坡三维变形场的实时监测。
2.根据权利要求1所述的滑坡三维变形场监测方法，其特征在于：对于第n次迭代，第n个点云Pn表示为：
Pn＝MnPn-1+tn
对应点云Pn和Q之间的平均距离表示如下：
当n>nmax or d≤δ,计算的迭代停止，是源点云中的第i个点，在第n次迭代后的位置。
3.根据权利要求1所述的滑坡三维变形场监测方法，其特征在于：物理信息神经网络模型的架构为人工神经网络、循环神经网络、长短时记忆神经网络或Transformer注意力机制中的任意一种。
4.根据权利要求1所述的滑坡三维变形场监测方法，其特征在于：所述传统损失为均方误差损失，公式为：
其中，ui和vi是实测的沿坡向和垂直坡向的变形，和是模型预测的沿坡向和垂直坡向的变形。
5.根据权利要求1所述的滑坡三维变形场监测方法，其特征在于：所述物理信息神经网络模型使用ReLU激活函数，ReLU激活函数的表达式为：
6.一种滑坡三维变形场监测系统，其特征在于：该系统能够用于实施权利要求1至5其中一项所述的滑坡三维变形场监测方法，具体的，包括：
三维激光扫描装置，用于获取滑坡体的多期点云数据；
有限测斜装置，用于获取滑坡体的内外观时序变形监测数据；
GNSS监测装置，用于获取滑坡体的时序变形数据；
数据处理模块，用于通过改进ICP算法解算多期点云数据，获取滑坡体的表面变形场，所述改进ICP算法用于识别源点云和目标点云之间对应的点对，并基于这些点对构建旋转和平移矩阵，以确保误差函数最小化；
物理信息神经网络模型构建模块，用于根据滑坡有限的内外观时序变形监测数据对物理信息神经网络模型进行训练，获取最优参数，所述物理信息神经网络模型的输入为(x,y,z,t)，其中(x,y,z)为监测点的三维空间坐标，t为监测时间，输出为沿着坡向的位移u和垂直坡向的位移v，所述物理信息神经网络模型的损失包括传统损失和物理信息损失，传统损失为均方误差损失，物理信息损失用于表达滑坡体内外部力学变形的物理规律；
实时监测模块，用于根据优化好的网络参数，利用训练好的物理信息神经网络模型推演滑坡三维整体时序变形场，实现滑坡三维变形场的实时监测。
CN202510254713.9A 2025-03-05 2025-03-05 一种基于物理信息神经网络模型的滑坡三维变形场监测方法和系统 Active CN120160552B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202510254713.9A CN120160552B (zh) 2025-03-05 2025-03-05 一种基于物理信息神经网络模型的滑坡三维变形场监测方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202510254713.9A CN120160552B (zh) 2025-03-05 2025-03-05 一种基于物理信息神经网络模型的滑坡三维变形场监测方法和系统

Publications (2)

Publication Number Publication Date
CN120160552A CN120160552A (zh) 2025-06-17
CN120160552B true CN120160552B (zh) 2025-09-23

Family

ID=96006279

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202510254713.9A Active CN120160552B (zh) 2025-03-05 2025-03-05 一种基于物理信息神经网络模型的滑坡三维变形场监测方法和系统

Country Status (1)

Country Link
CN (1) CN120160552B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110425995A (zh) * 2019-08-30 2019-11-08 四川大学 一种基于点云平均域矢量算法的滑坡变形监测方法
CN114812528A (zh) * 2022-06-24 2022-07-29 湖北高路公路工程监理咨询有限公司 一种运用在高速公路病害边坡上的自动监测系统

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110443002A (zh) * 2019-08-16 2019-11-12 中国水利水电科学研究院 一种高边坡形变预测方法及系统
CN115116202B (zh) * 2022-08-29 2022-11-15 西南交通大学 一种滑坡灾害预警方法、装置、设备及可读存储介质

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110425995A (zh) * 2019-08-30 2019-11-08 四川大学 一种基于点云平均域矢量算法的滑坡变形监测方法
CN114812528A (zh) * 2022-06-24 2022-07-29 湖北高路公路工程监理咨询有限公司 一种运用在高速公路病害边坡上的自动监测系统

Also Published As

Publication number Publication date
CN120160552A (zh) 2025-06-17

Similar Documents

Publication Publication Date Title
Zhang et al. Crack detection using fusion features‐based broad learning system and image processing
CN114966685B (zh) 基于InSAR和深度学习的大坝形变监测及预测方法
CN114565124A (zh) 一种基于改进图卷积神经网络的船舶交通流预测方法
CN119596949A (zh) 基于人工智能的路面自动巡检机器人路径规划方法及装置
CN119984290A (zh) 一种基于深度强化学习的路径规划方法及系统、电子设备
CN116577788B (zh) 输电线路异物侵限监测方法、装置和计算机设备
CN115659871B (zh) 一种局部坐标系下的一维水动力模拟方法及装置
CN119413173B (zh) 一种水下声学导航方法、系统、介质、设备及计算机程序
CN110297250A (zh) 基于泰勒展开的初始掠射角求解方法、声线弯曲修正方法和设备
US12504285B2 (en) System and method for estimating drift path of marine floating body
CN120160552B (zh) 一种基于物理信息神经网络模型的滑坡三维变形场监测方法和系统
CN120561516B (zh) 一种自适应物理信息引导的船舶轨迹概率预测方法
CN120246205A (zh) 基于多参数融合的水下推进器控制方法及相关设备
CN120426949A (zh) 基于北斗与机器视觉技术融合交叉的建筑变形监测系统
CN117390364B (zh) 一种用于运营状态下桥梁响应的时空域建模拟合方法
US20250259274A1 (en) System and method for deep equilibirum approach to adversarial attack of diffusion models
CN118521888A (zh) 一种海上目标物预报方法、装置及设备
CN115114985A (zh) 一种基于集合理论的传感器系统分布式融合方法
CN120233304B (zh) 目标定深方法、装置、电子设备及存储介质
CN118916844B (zh) 一种沉管隧道的接头omega止水带压力预测方法
CN104978741B (zh) 一种基于水平集的水体边界时空无缝插值方法
CN120852678B (zh) 一种基于水下混凝土扫描重建的数据处理方法
CN120218160A (zh) 基于进化算法的地表沉降测量数据实时拟合方法
Li et al. Research on ship trajectory prediction model based on GRU-ABiLSTM
CN120873785A (zh) 一种基于扩散模型的闪电潜势和邻近预报方法

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
GR01 Patent grant
GR01 Patent grant