一种基于蠕变型滑坡动能变化率临滑预警方法技术

本发明专利技术公开了一种基于蠕变型滑坡动能变化率临滑预警方法，涉及滑坡预警技术领域，解决现有滑坡预警不准确的问题，通过采集与滑坡相关的多源数据，构建基于动能变化率的循环神经网络LSTM模型；再对采集的多源数据降噪，然后运用GRA方法对降噪后的多源数据进行关联度分析，提取重要影响因素，使数据降维并更新数据集，最后将初始循环神经网络LSTM模型数据集的前70％数据作为训练集，其余数据作为测试集，对训练集运用GA算法通过基因编码不断优化初始循环神经网络LSTM模型的权值和阈值，再通过输入测试集进行验证，输出动能变化率预测结果；本发明专利技术提升了基于动能变化率的预警指标预测准确度。测准确度。

【技术实现步骤摘要】
一种基于蠕变型滑坡动能变化率临滑预警方法


[0001]本专利技术涉及滑坡预警
，更具体的是涉及一种基于蠕变型滑坡动能变化率临滑预警方法


技术介绍

[0002]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、地震及工程扰动等因素影响，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，具有突发性强、分布广、破坏性巨大的特点；采取有效的监测预警方法对滑坡进行监测是十分迫切和必要的。
[0003]在滑坡监测预警方法上，常用的方法有限元软件建模分析和人工智能监测预警等；有限元软件建模分析：一方面所需的地质勘探资料要求详细，对于人力、物力、财力的消耗很大，另一方面软件内的计算公式是固定的所计算出的结果贴近于理想状态，不能充分考虑现场实时变化的状况。人工智能方法：人工智能监测预警普遍采用了机器学习中的常用算法(如SVM、BP神经网络、随机森林等)，而随着深度学习的出现，越来越多的深度学习算法(如LSTM、RNN、 CNN、GRU等)也被引入到滑坡监测预警中，但与深度学习相关的现有专利技术专利都是比较粗放：
[0004]1)不选定滑坡类型进行预测；滑坡的常见类型有渐变型、突变型和蠕变型，而最常见的滑坡是蠕变型。蠕变型滑坡是有明显的阶段特征，如果将人工智能方法作为滑坡的普适性预警方法，容易造成阶段判别错误、特征捕捉不准确的问题；
[0005]2)选定滑坡类型但不选定滑坡演化的某个阶段进行预测；滑坡演化是分阶段的，包括了初始变形阶段、等速变形阶段、加速变形阶段、临滑阶段，如果不选定滑坡所处的阶段进行人工智能分析，则滑坡监测预警的数据分析将始终停留在该阶段的预测，容易导致人工智能的滑坡预警分析变成无用预测；
[0006]3)滑坡预警指标基本一致，缺乏创新；现有的滑坡预警专利技术专利所选用的预警指标以坡体位移和降雨量为主，而各类人工智能预警的专利技术专利都在围绕着怎么更加准确对这些指标进行预测，由于这些预警指标本身代表性有限，所以同样会造成滑坡预警不准确。
[0007]各类人工智能监测预警方法存在的缺点：
[0008]缺乏数据预处理：现场实际采集的数据存在很多的噪声，而数据预处理也是人工智能的重要一环，但很多的专利技术专利并没有提及或者展示数据预处理的方法。
[0009]目前，常用的人工智能监测预警方法主要有以下这些：
[0010]RBF神经网络：具有较强的聚类能力，能较好地处理复杂事物和大量数据，但其本质是一个静态网络不能用于滑坡的动态监测；
[0011]SVM：有着很好的分类能力，但应用在滑坡预警时更适合于模式判别，不能实现精准的动态预警；
[0012]k
‑
means：需要预先设定聚类数目K，不适用于大规模数据，容易陷入局部最优、聚类停滞等问题；
[0013]BP神经网络：可以解决非线性问题，但其在训练过程中，容易陷入局部极小，收敛速度慢，对训练样本具有很强的依赖性；
[0014]RNN：基本的循环神经网络，将上一时刻的输出作为下一刻的输入，考虑了时间序列的关联性，数据的遗忘速度快；
[0015]LSTM：一种特殊的循环神经网络，能够解决长时间序列的依赖问题，精度高但计算复杂；
[0016]GRU：一种特殊的循环神经网络，不加选择的使用细胞状态，简化了计算，但是过往时间序列的信息约束导致新信息的提取越来越少；
[0017]神经网络优化：由于各类神经网络都存在着各自的短板，所以部分专利采用了其余辅助方法上述几种方法进行优化；
[0018]因此，围绕模型自身的短板，本申请根据自身的需求引入新的方法对模型进行优化，形成组合式人工智能监测预警方法，以提高预测精度。

技术实现思路

[0019]本专利技术的目的在于：解决现有预警针对阶段性不强，容易造成阶段判别错误，特征捕捉、滑坡预警不准确的技术问题，本专利技术提供一种基于蠕变型滑坡动能变化率临滑预警方法。
[0020]本专利技术采用的技术方案如下：一种基于蠕变型滑坡动能变化率临滑预警方法，其特征在于，包括如下步骤：
[0021]步骤一、数据采集：采集与滑坡相关的多源数据，构建基于动能变化率的循环神经网络LSTM模型；
[0022]步骤二、数据预处理：对步骤一采集的多源数据，基于最小二乘法，运用双指针法调节滑动窗口进行高阶多项式拟合，实现多源数据降噪处理；
[0023]步骤三、关联性分析：运用GRA方法对降噪后的多源数据进行关联度分析，设定关联度阈值，提取重要影响因素，进行数据降维并更新数据集，得初始循环神经网络LSTM模型；
[0024]步骤四、优化初始循环神经网络LSTM模型：将初始循环神经网络LSTM模型数据集的前70％数据作为训练集，其余数据作为测试集，对训练集运用GA算法通过基因编码不断优化初始循环神经网络LSTM模型的权值和阈值，再通过输入测试集进行验证，输出动能变化率预测结果。
[0025]其中，LSTM(长短记忆模型)是一种特殊的循环神经网络，能够解决长序列训练过程中的梯度消失和梯度爆炸问题，适用于与时间序列相关的数据预测，具有长期记忆能力，并能自动提取有效数据信息作为下一项结果的输出，有着更高的预测能力；GRA(灰色关联性分析)是确定分析序列，对变量进行预处理，计算子序列与母序列的关联系数，计算子序列与母序列的灰色关联度；GA(遗传算法)是一种群初始化，将权值和阈值用二进制编码组合起来，组成一个个体编码，具体包括适应度函数：将预测值与期望值的误差矩阵的函数的范数作为目标函数的输出；算子交叉：采用单点交叉算子，在随机选择的位置点上进行分割并交换右侧的部分，从而得到两个不同的子染色体；变异算子：设定概率产生变异基因数，用随机方法选出变异基因，所选基因编码为1则变为0，反之变为1，通过以上的变化，产生新
的个体编码，重新循环直至满足终止条件，进行解码，得到最优权值和阈值，更新得到最优LSTM模型，将数据输入LSTM模型进行动能变化率预测。
[0026]步骤一所述的数据采集，具体操作步骤如下：
[0027]1)通过深孔钻探获取钻孔的深部累计位移，选择钻孔内部及其周边10米范围内的土体，钻孔自上而下按照位移传感器布设间隔将监测孔等分成n段，采用动能修订公式计算测孔动能(E)及动能变化率
[0028]动能修订公式如下：
[0029][0030]式中，m
i
为第i段圆柱体的质量；v
1i
和v
2i
分别为第i段圆柱体的上、下端速度；v
ci
为第i段圆柱体的质心速度；l
i
为第i段圆柱体的长量；J
c
为第i段圆柱体的转动惯量，通过下式可计算得到：
[0031][0032]式中，R为监测孔周围土体的直径；
[0033]动能变化率计算公式：式中，t为时间；
[0034]2)构建基于动能变化率的循环神经网络LSTM模型。
...

【技术保护点】

【技术特征摘要】
1.一种基于蠕变型滑坡动能变化率临滑预警方法，其特征在于，包括如下步骤：步骤一、数据采集：采集与滑坡相关的多源数据，构建基于动能变化率的循环神经网络LSTM模型；步骤二、数据预处理：对步骤一采集的多源数据，基于最小二乘法，运用双指针法调节滑动窗口进行高阶多项式拟合，实现多源数据降噪处理；步骤三、关联性分析：运用GRA方法对降噪后的多源数据进行关联度分析，设定关联度阈值，提取重要影响因素，进行数据降维并更新数据集，得初始循环神经网络LSTM模型；步骤四、优化初始循环神经网络LSTM模型：将初始循环神经网络LSTM模型数据集的前70％数据作为训练集，其余数据作为测试集，对训练集运用GA算法通过基因编码优化初始循环神经网络LSTM模型的权值和阈值，再通过输入测试集进行验证，输出动能变化率预测结果。2.根据权利要求1所述的一种基于蠕变型滑坡动能变化率临滑预警方法，其特征在于，步骤一所述的数据采集，具体操作步骤如下：(1)通过深孔钻探获取钻孔的深部累计位移，选择钻孔内部及其周边10米范围内的土体，钻孔自上而下按照位移传感器布设间隔将监测孔等分成n段，采用动能修订公式计算测孔动能(E)及动能变化率动能修订公式如下：式中，m
i
为第i段圆柱体的质量；v
1i
和v
2i
分别为第i段圆柱体的上、下端速度；v
ci
为第i段圆柱体的质心速度；J
c
为第i段圆柱体的转动惯量；通过下式可计算得到：式中，R为监测孔周围土体的直径，m
i
为第i段圆柱体的质量，l
i
为第i段圆柱体的长量；动能变化率计算公式：式中，t为时间；(2)构建基于动能变化率的循环神经网络LSTM模型。3.根据权利要求1所述的一种基于蠕变型滑坡动能变化率临滑预警方法，其特征在于，步骤二所述数据预处理，具体操作过程如下：采用双指针算法，用i，j表示滑动窗口的左边界和右边界，通过改变i，j来扩展和收缩滑动窗口，这个滑动窗口的长度j
‑
i+1，对窗口内的数据进行高阶多项式拟合；假设任意时刻的预测值x
t
，用式(1)表示：x
t
＝a0+a1*t+a2*t2+
…
+a
k
‑1*t
k
‑1+ε
t
(1)式(1)中，a
i
为常数，t为任意时刻，ε
t
为修正值；则对于前后时刻的预测值，同样采用式(1)计算，一共可得到2n+1个式
将式(2)简化表示为式(3)：X
(2n+1)
×1＝T
(2n+1)
×
k
×
A
k
×1+E
(2n+1)
×1(3)式(3)中，T
(2n+1)
×
k
为时间矩阵；A
k
×1为系数矩阵；E
(2n+1)
×1为修正值矩阵；采用最小二乘法，如式(4)所示：式(4)中，(L
i
(x)(i＝1，2，
…
m))为残差函数；f(x
i
，w
j
)为理论函数；w
i
为待定参数；通过最小二乘法运算，可以求解A
k
‑1的解为：A＝(T
trans
.T)
‑1.T
trans
.X其中上标trans表示转置，故模型的滤值(P)为：P＝T.A＝T.(T
trans
.T)
‑1.T
trans
.X＝B.X最终可以得到滤波值和观测值之间的关系矩阵(B)：B＝T.(T

【专利技术属性】
技术研发人员：吴红刚，袁中夏，陈浩，廖小平，李永强，周威扬，张俊德，牌立芳，陈康帅，
申请(专利权)人：兰州理工大学，
类型：发明
国别省市：