一种滑坡稳定性时变规律分析的方法技术

一种滑坡稳定性时变规律分析的方法，包括以下步骤：构成每月的二维特征数据集；利用K均值算法聚类得到类簇，并为每个类簇分配聚类标签；修正聚类标签，得到滑坡每月的形变状态；根据滑坡每月的形变状态计算状态出现信息量、状态转移信息量和马尔科夫信息量；分析每月的马尔科夫信息量和累计马尔科夫信息量曲线，判断滑坡稳定性时变规律和预测滑坡稳定性发展趋势。本发明专利技术能够很好地反映监测数据的，计算简便，能够实现对滑坡的早期预警。

【技术实现步骤摘要】

本专利技术涉及地质滑坡灾害监测
，尤其涉及一种滑坡稳定性时变规律分析的方法。
技术介绍
滑坡在全球范围内分布广泛，危害极为严重，已成为仅次于地震的第二大地质灾害。一方面，滑坡的稳定性决定了其对外界触发因素的响应程度；另一方面，滑坡稳定性也在外界触发因素的作用下不断发生变化，因此，滑坡稳定性分析是危险度评价、提高位移预测、灾害预警的重要内容。目前，滑坡状稳定性研究方法以极限平衡法和有限元法为主。尽管极限平衡法模型简单，计算简洁，但需要事先知道滑动面的大致位置和形状，所得安全系数只是假定滑裂面上的平均安全度，无法判断滑坡的变形模式。有限元方法不仅能够满足静力平衡等条件，同时能够将无限自由度结构转换为有限自由度的等价，具有非线性分析能力，因此得到了广泛的关注。但，有限元方法的适用性同样需要付出一定代价，比如计算量大，受物理参数影响大等。滑坡的变形和破坏是一个渐进的过程，滑坡的稳定性也随着时间推移不断变化的。稳定性的变化不仅表示了滑坡对外界因素的响应程度，而且能够反映滑坡内在的状况及变形趋势。然而现有边坡稳定性分析方法多局限为静态分析方法。虽然已有学者探索滑坡实时稳定性的研究方法，但研究尚不充分，且涉及参数众多，计算复杂；分析结果局限为稳定性系数大于1表示稳定，反之则不稳定的两种状态，缺乏度的反映，进而导致不能准确给出预警。
技术实现思路
有鉴于此，本专利技术的实施例提供了一种计算简单，能预测滑坡稳定性发展趋势，为滑坡高效预测预报提供依据的滑坡稳定性时变规律分析的方法。本专利技术的实施例提供一种滑坡稳定性时变规律分析的方法，包括以下步骤：(1)根据滑坡每月的变形速度和变形加速度构成每月的二维特征数据集；(2)利用K均值算法对每月的二维特征数据集进行聚类分析得到类簇，并为每个类簇分配聚类标签；(3)对各个类簇分别建立云模型，并计算二维特征数据集内二维特征数据相对于云模型的隶属度，根据隶属度对步骤(2)的聚类标签进行修正，并将修正后的聚类标签所代表的形变状态作为滑坡该月的形变状态，以此类推得到滑坡每月的形变状态；(4)根据滑坡每月的形变状态对滑坡的形变状态进行统计，并据此计算滑坡每月形变状态的信息量模型，所述信息量模型包括状态出现信息量和状态转移信息量，将状态出现信息量、状态转移信息量和云模型中二维特征数据到对应云模型的隶属度乘积定义为马尔科夫信息量，据此计算每月的马尔科夫信息量；(5)分析每月的马尔科夫信息量幅值及波动情况，初步判断滑坡下月的形变状态情况；将各月的马尔科夫信息量累加得到累计马尔科夫信息量曲线，分析累计马尔科夫信息量曲线的整体变化趋势和阶段，据此判断滑坡稳定性时变规律；对累计马尔科夫信息量曲线进行平滑处理，并进行历史最大值分析，据此判断滑坡稳定性时变规律的关键时间节点信息，预测滑坡稳定性发展趋势。进一步，所述步骤(2)中，利用K均值算法对每月的二维特征数据集进行聚类分析包括以下步骤：预设聚类数为K；在所述二维特征数据集中随机选取K个二维特征数据分别设为K个初始聚类中心；计算除K个初始聚类中心外其他二维特征数据分别到K个初始聚类中心的距离，分别比较每个二维特征数据到K个初始聚类中心的距离，将每个二维特征数据和与其距离最小的初始聚类中心归为同一类簇，初次聚类后，计算每个类簇里所有二维特征数据的平均值，并将该平均值确定为新的聚类中心，重复计算每个二维特征数据分别到每个新的聚类中心的距离，并比较距离，重新得到类簇，依此重复直至损失函数的精度小于0.001或相邻损失函数的值不变，所述损失函数的值越小，各个类簇的区分度越大。进一步，所述损失函数的计算方式为：式中：L表示损失函数；Dintra表示一类簇里所有二维特征数据到对应聚类中心的距离总和，反映类内数据的一致性；Dinter表示K个聚类中心之间的距离总和，反映类间数据的差异性；xi表示二维特征数据i；cj为第j类簇的聚类中心。进一步，利用K均值算法对每月的二维特征数据集重复进行N次聚类，N大于1，将N次聚类所得的类簇根据择多判决法确定最终的类簇。进一步，所述步骤(3)中，对步骤(2)得到的每个类簇分别建立云模型，计算每个云模型的数字特征，所述数字特征包括均值、熵和超熵，然后计算并比较所有二维特征数据相对于每个云模型数字特征的隶属度，将每个二维特征数据归入隶属度最高的云模型中。进一步，所述数字特征通过逆向云发生器计算，所述云模型通过正向云发生器进行直观分析。进一步，所述步骤(4)中，状态出现信息量计算公式如下：式中：at为第t月滑坡的变形加速度，Si为本月滑坡的形变状态，Ni为滑坡形变状态Si出现的频数，pi为Si出现的概率，Ii为状态出现信息量。进一步，所述步骤(4)中，状态转移信息量计算公式如下：式中：Iij表示从Si转移到Sj的状态转移信息量，pij表示从Si转移到Sj出现的概率。进一步，所述步骤(4)中，每月的马尔科夫信息量的计算公式如下：式中：uij为马尔科夫信息量，且uij＝Ij*Iij*mbst，mbst表示第t月云模型中二维特征数据到对应云模型的隶属度。与现有技术相比，本专利技术有效的运用马尔科夫信息量来表现滑坡演化变形过程中稳定性的时变规律，当滑坡进入加速变形阶段后，累计马尔科夫信息量将出现明显的波动上升趋势，从而能够实现对于滑坡的早期预警，而且计算简便，同时，本专利技术引入的云模型不仅能分析数据的二维特征，以隶属度表达了各月数据与各形变状态典型数字特征的相似程度，采用云模型修正的标签也能够很好地反映监测数据的形变状态。附图说明图1为本专利技术一实施例的流程图。图2为本专利技术一实施例的滑坡形变状态的类簇示意图。图3为本专利技术一实施例的筛选比例0.6正向云模型生成结果图。图4为本专利技术一实施例的K均值所得类簇与云模型修正结果的对比图。图5为本专利技术一实施例的每月马尔科夫信息量示意图。图6为本专利技术一实施例的累计马尔科夫信息量示意图。具体实施方式为使本专利技术的目的、技术方案和优点更加清楚，下面将结合附图对本专利技术实施方式作进一步地描述。实施例请参照图1，本实施例包括以下步骤：(1)根据滑坡每月的变形速度和变形加速度构成每月的二维特征数据集；(2)利用K均值算法对每月的二维特征数据集进行聚类分析得到类簇，并为每个类簇分配聚类标签；预设聚类数为K；在所述二维特征数据集中随机选取K个二维特征数据分别设为K个初始聚类中心；计算除K个初始聚类中心外其他二维特征数据分别到K个初始聚类中心的距离，分别比较每个二维特征数据到K个初始聚类中心的距离，将每个二维特征数据和与其距离最小的初始聚类中心归为同一类簇，初次聚类后，计算每个类簇里所有二维特征数据的平均值，并将该平均值确定为新的聚类中心，重复计算每个二维特征数据分别到每个新的聚类中心的距离，并比较距离，重新得到类簇，依此重复直至损失函数的精度小于0.001或相邻损失函数的值不变，所述损失函数的值越小，各个类簇的区分布越大。所述损失函数的计算方式为：式中：L表示损失函数；Dintra表示一类簇里所有二维特征数据到对应聚类中心的距离总和，反映类内数据的一致性；Dinter表示K个聚类中心之间的距离总和，反映类间数据的差异性；xi表示二维特征数据i；cj为第j类簇的聚类中心。利用K均值算法对每月的二维特征数据集重复进行N次聚类，N＝9本文档来自技高网...

【技术保护点】
一种滑坡稳定性时变规律分析的方法，其特征在于，包括以下步骤：(1)根据滑坡每月的变形速度和变形加速度构成每月的二维特征数据集；(2)利用K均值算法对每月的二维特征数据集进行聚类分析得到类簇，并为每个类簇分配聚类标签；(3)对各个类簇分别建立云模型，并计算二维特征数据集内二维特征数据相对于云模型的隶属度，根据隶属度对步骤(2)的聚类标签进行修正，并将修正后的聚类标签所代表的形变状态作为滑坡该月的形变状态，以此类推得到滑坡每月的形变状态；(4)根据滑坡每月的形变状态对滑坡的形变状态进行统计，并据此计算滑坡每月形变状态的信息量模型，所述信息量模型包括状态出现信息量和状态转移信息量，将状态出现信息量、状态转移信息量和云模型中二维特征数据到对应云模型的隶属度乘积定义为马尔科夫信息量，据此计算每月的马尔科夫信息量；(5)分析每月的马尔科夫信息量幅值及波动情况，初步判断滑坡下月的形变状态情况；将各月的马尔科夫信息量累加得到累计马尔科夫信息量曲线，分析累计马尔科夫信息量曲线的整体变化趋势和阶段，据此判断滑坡稳定性时变规律；对累计马尔科夫信息量曲线进行平滑处理，并进行历史最大值分析，据此判断滑坡稳定性时变规律的关键时间节点信息，预测滑坡稳定性发展趋势。...

【技术特征摘要】
1.一种滑坡稳定性时变规律分析的方法，其特征在于，包括以下步骤：(1)根据滑坡每月的变形速度和变形加速度构成每月的二维特征数据集；(2)利用K均值算法对每月的二维特征数据集进行聚类分析得到类簇，并为每个类簇分配聚类标签；(3)对各个类簇分别建立云模型，并计算二维特征数据集内二维特征数据相对于云模型的隶属度，根据隶属度对步骤(2)的聚类标签进行修正，并将修正后的聚类标签所代表的形变状态作为滑坡该月的形变状态，以此类推得到滑坡每月的形变状态；(4)根据滑坡每月的形变状态对滑坡的形变状态进行统计，并据此计算滑坡每月形变状态的信息量模型，所述信息量模型包括状态出现信息量和状态转移信息量，将状态出现信息量、状态转移信息量和云模型中二维特征数据到对应云模型的隶属度乘积定义为马尔科夫信息量，据此计算每月的马尔科夫信息量；(5)分析每月的马尔科夫信息量幅值及波动情况，初步判断滑坡下月的形变状态情况；将各月的马尔科夫信息量累加得到累计马尔科夫信息量曲线，分析累计马尔科夫信息量曲线的整体变化趋势和阶段，据此判断滑坡稳定性时变规律；对累计马尔科夫信息量曲线进行平滑处理，并进行历史最大值分析，据此判断滑坡稳定性时变规律的关键时间节点信息，预测滑坡稳定性发展趋势。2.根据权利要求1所述的滑坡稳定性时变规律分析的方法，其特征在于，所述步骤(2)中，利用K均值算法对每月的二维特征数据集进行聚类分析包括以下步骤：预设聚类数为K；在所述二维特征数据集中随机选取K个二维特征数据分别设为K个初始聚类中心；计算除K个初始聚类中心外其他二维特征数据分别到K个初始聚类中心的距离，分别比较每个二维特征数据到K个初始聚类中心的距离，将每个二维特征数据和与其距离最小的初始聚类中心归为同一类簇，初次聚类后，计算每个类簇里所有二维特征数据的平均值，并将该平均值确定为新的聚类中心，重复计算每个二维特征数据分别到每个新的聚类中心的距离，并比较距离，重新得到类簇，依此重复直至损失函数的精度小于0.001或相邻损失函数的值不变，所述损失函数的值越小，各个类簇的区分度越大。3.根据权利要求2所述的滑坡稳定性时变规律分析的方法，其特征在于，所述损失函数的计算方式为：Dintra=Σj=1K&S...

【专利技术属性】
技术研发人员：刘勇，秦志萌，董智敏，胡宝丹，刘烽博，
申请(专利权)人：中国地质大学武汉，
类型：发明
国别省市：湖北;42