System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及边坡稳定,具体涉及一种基于神经网络模型的边坡稳定性评价方法。
技术介绍
1、边坡稳定性是岩土工程的重要研究课题之一。边坡失稳引起的滑坡、落石、塌陷、泥石流等,随时可能带来严重的破坏甚至不可估量的灾难。边坡稳定性评价是边坡设计、边坡稳定状态判别、边坡加固与治理,防止地质灾害发生的重要决策依据。边坡稳定性评价不仅要考虑可定量的自然因素(地震烈度、降雨量、坡高、森林植被覆盖率等等)对斜坡的影响。
2、事实上,边坡失稳发生也受较多定性的自然因素(岩性、坡面形态、断层发育程度等)和人为因素(开挖程度、排水系统、维修状况等)综合作用影响,都会影响到坡体自身的失稳程度。由于复杂的外界扰动、多变的地质环境条件,工程实践中边坡稳定性影响因素各异,没有统一的评价指标。由于滑坡变形是一个具有多种特征的现象,传统的计算方法忽略了影响滑坡的多因素,不能综合考虑,制约了评估的可靠度;此外,不同边坡具有不同的地形地貌、地质条件和斜坡特征,现有的稳定性评价方法无法对不同类型边坡的稳定性进行准确评估。
3、因此,亟需一种基于神经网络模型的边坡稳定性评价方法,以提高边坡稳定性评估的可靠性。
技术实现思路
1、本专利技术意在提供一种基于神经网络模型的边坡稳定性评价方法,以提高边坡稳定性评估的可靠性。
2、为解决上述技术问题,本专利技术提供如下技术方案:一种基于神经网络模型的边坡稳定性评价方法,包括以下步骤:
3、s1:获取边坡区域的各项参数信息并对数据进行特
4、s2:建立边坡稳定性评价的稳定等级,通过基于区间的基本概率分配方式求解概率值;
5、s3:采用边坡稳定性影响指标的相关数据对构建的神经网络模型进行训练和数据验证;
6、s4:利用训练后的神经网络模型以待评价边坡的具体数据作为输入,来获得评价结果。
7、进一步,在s1中获取的边坡区域的地质条件、斜坡特征和环境气象信息,地质条件包括地层岩性、岩层倾向、岩层倾角和坡体结构,斜坡特征包括斜坡形态、坡体规模、坡体扰动和裂缝位置,坡体扰动由人的活动影响因素决定。
8、进一步,在s1中除待评价边坡的实际数据外,通过查阅已有的工程资料和现场考察,收集工程数据,包括边坡的坡度、高度、土壤类型、含水量信息,在s1中对得到的数据进行处理和标准化,将其转换为可供神经网络模型处理的格式。
9、进一步,在s1中边坡稳定性影响指标包括内部因素和外部条件,内部因素包括土壤性质、结构、地应力以及土体中水的作用,外部条件包括气象特征、地震、边坡形态的改变。
10、进一步,在s2中将稳定性分为4个等级:安全状态、基本安全状态、临界状态、破坏状态,这四种评价等级完整地描述了某一边坡安全状态且相互排斥。
11、进一步,在s2中采用区间求解基本概率分配的具体步骤为:
12、①、将确定的影响指标的区间划分结果作为区间数模型;
13、②、将各指标的试验数据、监测数据取值构成的区间作为识别区间;
14、③、计算2个区间之间的距离和相似度;
15、④、对相似度进行归一化处理,即可得到基本概率赋值。
16、进一步,步骤③中距离和相似度的计算公式如下:
17、设a=[a1,a2]和b=[b1,b2],为两个区间,则它们的距离的二次方d2为:
18、
19、区间a、b的相似度s(a,b)为:
20、
21、式中,α>0为支持系数,d(a,b)为区间数a和b之间的距离,可以调节相似性数值的离散度。
22、进一步,在s3中将影响指标的相关数据整理后作为训练集输入神经网络模型,在s3中采用五折交叉验证法充分利用所有的训练集进行模型的训练和测试,在s3中神经网络模型由三个卷积层、两个池化层、两个全连接层组成,三个卷积核都是5x5,stride=1,池化层使用maxpooling。
23、本专利技术的有益效果:
24、本专利技术可以应用于不同情况的边坡,确保各项指标能够真实地反映边坡的特征,运用神经网络模型对边坡的稳定性进行安全评估,提高了评价结果准确性,通过区间数法来构造基本概率分配的过程合理,且操作性强,计算得出的可信度高。
本文档来自技高网...【技术保护点】
1.一种基于神经网络模型的边坡稳定性评价方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的一种基于神经网络模型的边坡稳定性评价方法,其特征在于:在S1中获取的边坡区域的地质条件、斜坡特征和环境气象信息,地质条件包括地层岩性、岩层倾向、岩层倾角和坡体结构,斜坡特征包括斜坡形态、坡体规模、坡体扰动和裂缝位置,坡体扰动由人的活动影响因素决定。
3.根据权利要求2所述的一种基于神经网络模型的边坡稳定性评价方法,其特征在于:在S1中除待评价边坡的实际数据外,通过查阅已有的工程资料和现场考察,收集工程数据,包括边坡的坡度、高度、土壤类型、含水量信息,在S1中对得到的数据进行处理和标准化,将其转换为可供神经网络模型处理的格式。
4.根据权利要求3所述的一种基于神经网络模型的边坡稳定性评价方法,其特征在于:在S1中边坡稳定性影响指标包括内部因素和外部条件,内部因素包括土壤性质、结构、地应力以及土体中水的作用,外部条件包括气象特征、地震、边坡形态的改变。
5.根据权利要求4所述的一种基于神经网络模型的边坡稳定性评价方法,其特征在于:在S2中将
6.根据权利要求5所述的一种基于神经网络模型的边坡稳定性评价方法,其特征在于:在S2中采用区间求解基本概率分配的具体步骤为:
7.根据权利要求6所述的一种基于神经网络模型的边坡稳定性评价方法,其特征在于:步骤③中距离和相似度的计算公式如下:
8.根据权利要求7所述的一种基于神经网络模型的边坡稳定性评价方法,其特征在于:在S3中将影响指标的相关数据整理后作为训练集输入神经网络模型,在S3中采用五折交叉验证法充分利用所有的训练集进行模型的训练和测试,在S3中神经网络模型由三个卷积层、两个池化层、两个全连接层组成,三个卷积核都是5x5,stride=1,池化层使用maxpooling。
...【技术特征摘要】
1.一种基于神经网络模型的边坡稳定性评价方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的一种基于神经网络模型的边坡稳定性评价方法,其特征在于:在s1中获取的边坡区域的地质条件、斜坡特征和环境气象信息,地质条件包括地层岩性、岩层倾向、岩层倾角和坡体结构,斜坡特征包括斜坡形态、坡体规模、坡体扰动和裂缝位置,坡体扰动由人的活动影响因素决定。
3.根据权利要求2所述的一种基于神经网络模型的边坡稳定性评价方法,其特征在于:在s1中除待评价边坡的实际数据外,通过查阅已有的工程资料和现场考察,收集工程数据,包括边坡的坡度、高度、土壤类型、含水量信息,在s1中对得到的数据进行处理和标准化,将其转换为可供神经网络模型处理的格式。
4.根据权利要求3所述的一种基于神经网络模型的边坡稳定性评价方法,其特征在于:在s1中边坡稳定性影响指标包括内部因素和外部条件,内部因素包括土壤性质、结构、地应力以及土体中水的作用,外部条件包括气象特征...
【专利技术属性】
技术研发人员:王洪麒,李建华,吴玉昌,张坤,
申请(专利权)人:贵州航天职业技术学院,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。