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】
【】本专利技术涉及工程地质及岩土工程防灾减灾,尤其涉及一种边坡滑坡地质灾害斑点图智能识别与预测系统及方法。
技术介绍
0、
技术介绍
1、在自然界存在许多天然边坡和人工边坡。边坡在各种自然及人为因素扰动下容易诱发滑坡。滑坡是自然界发生频率高、分布范围广的一种地质灾害。滑坡地质灾害影响因素多,难以准确判识和预测。长期以来,对滑坡地质灾害判识不准确、预测精度低,是滑坡灾害预测和防治中的难题。
2、迄今,有关滑坡灾害的研究很多,提出了多种理论和假说,成果丰富。滑坡从孕育、发展至终止的全过程中涉及多种内外因素、复杂多变的边界条件以及迭代与反馈作用,因此滑坡致灾因素一直是工程地质领域研究的重点。不同地质条件和坡体结构的滑坡,其诱发机制及触发因素不尽相同,滑坡发育与地形地貌及区域构造运动、地震、极端天气、全球气候变化和人类工程活动有关。利用卫星及gis采集地形、地面资料和卫星图像数据,建立空间数据库,选取与滑坡发生相关的地质、坡度、坡向、高程、地形湿度指数、距断层距离、岩性、土质类型和土地覆被,基于神经网络、遗传算法、突变理论等非线性系统方法对滑坡易发性及演化机理开展了研究。有人曾统计滑坡易发性因子共有596个,并将其归纳为地质、水文、土地覆盖、地貌和其它5种类型。还有人曾应用统计方法分析选择其中7个重要因子,编制了美国南加州的滑坡易发性地图。
3、在滑坡灾害评价与预测方面,以时间序列分析为基础,在采用各种信号分解方法对滑坡累积位移-时间序列进行分解后,应用三角函数法、差分自回归移动平均法、向量自回归分
4、但是,由于滑坡影响因素的复杂性,其发生往往是多因素耦合作用的结果,这些因素通常具有异构、随机、不确定、动态、非线性等特征,随地域、时域与空域而变化,呈现显著的大数据特征,现有的定量解析方法、物理模拟、数值仿真及非线性等方法,还难以处理如此复杂多变的大数据问题。加之,目前滑坡预测主要还是基于变形监测的临滑预测,对于中长期预测方面还存在难以克服的理论和技术瓶颈。
5、大数据、人工智能等新一代信息技术的发展,为复杂大系统背景下的地质灾害预测提供了技术支撑。
6、因此,有必要研究一种边坡滑坡地质灾害斑点图智能识别与预测系统及方法来应对现有技术的不足,以解决或减轻上述一个或多个问题。
技术实现思路
0、
技术实现思路
1、有鉴于此,本专利技术提供了一种边坡滑坡地质灾害斑点图智能识别与预测系统及方法,本专利技术针对滑坡灾害预测的复杂性,创立边坡滑坡地质灾害斑点图智能识别与预测方法,通过边坡病理特征的数字图像诊断,对边坡的稳定性状态进行判识与预测,为滑坡地质灾害提供一种直观、生动、形象的预测预报及稳定性诊断技术,可用于边坡等地质灾害长期预测与评价。
2、一方面,本专利技术提供一种边坡滑坡地质灾害斑点图智能识别与预测系统,所述边坡滑坡地质灾害斑点图智能识别与预测系统包括:
3、数据单元,用于对影响边坡滑坡的地形地质与气象环境数据进行采集,获取原始数据和实时数据;
4、特征分析单元,用于从原始数据和实时数据中提取影响边坡稳定性的特征参数,分别按照预设原则形成斑点图表征,分别获取原始数据的斑点图特征库和实时斑点图特征;
5、判识预测单元,用于通过对比原始数据的斑点图特征库和实时斑点图特征,对边坡健康状态进行判识与预测,并以斑点图的形式展现;
6、所述数据单元通过特征分析单元连接判识预测单元。
7、如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,所述原始数据获取来源包括边坡大数据获取、边坡数据库获取和人工录入,所述实时数据来源包括监测装置实时监测获取和人工录入。
8、如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,所述地形地质数据包括:边坡所在位置信息、边坡几何结构、地形地质、岩性、区域地质构造和软弱夹层;所述气象环境数据包括气象数据和人为扰动影响数据。
9、如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,所述地形地质数据中:
10、边坡所在位置信息包括边坡所在地理位置的三维坐标、方位角及方向角;
11、边坡结构包括边坡及台阶的高度、坡度、倾向、坡体规模以及坡挡;
12、地形地质包括坡地类型、植被覆盖率、坡高/坡度、地层岩性、松散层厚度、基底地层的倾向及倾角;
13、区域地质构造包括断层类型、规模、分布密度及其与边坡的距离、区域地震烈度。
14、如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,所述气象环境数据中人为扰动影响数据包括坡脚开挖、堆载强度、爆破振动和外部荷载,外部载荷包括车辆载荷。
15、如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,所述特征分析单元包括放大器、数字应变仪、数据集成盒和计算机,所述放大器一端连接数据单元,另一端通过数字应变仪连接数据集成盒,所述数据集成盒连接计算机。
16、如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,所述计算机内设有斑点图特征处理器、斑点图生成处理器及斑点图特征库,所述斑点图生成处理器一端通过斑点图特征处理器连接数据集成盒,另一端同时连接斑点图特征库和判识预测单元;其中,
17、斑点图特征处理器采用不同现状和颜色的图像对影响边坡稳定性的特征参量进行表征;
18、斑点图生成处理器将边坡敏感性关键影响因子作为特征因子,通过预设阈值判别边坡稳定性,同时采用斑点图法表征特征因子;
19、斑点图特征库构成边坡滑坡特征斑点图的集合,每个斑点图代表一类边坡的灾变特征,具有类型和大小的双重属性,只有特征值的大小超过阈值时,才表现为显性,否则为隐形。
20、如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,所述判识预测单元包括特征斑点图提取、判识预测和斑点图显示,其中;
21、特征斑点图提取通过从待测边坡斑点图数据库中提取特征斑点图后进行存储和运算;
22、判识预测包括判识和预测,其中,判识匹配显隐形对边坡病害进行识别;预测是气象条件、地震发生以及边坡岩体风化、强度衰减特性进行趋势分析预测;
23、斑点图显示以斑点图的形式展现分析预测结果和边坡病害识别结果。
24、如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,所述特征斑点图提取中运算过程本文档来自技高网...
【技术保护点】
1.一种边坡滑坡地质灾害斑点图智能识别与预测系统,其特征在于,所述边坡滑坡地质灾害斑点图智能识别与预测系统包括:
2.根据权利要求1所述的边坡滑坡地质灾害斑点图智能识别与预测系统,其特征在于,所述原始数据获取来源包括边坡大数据获取、边坡数据库获取和人工录入,所述实时数据来源包括监测装置实时监测获取和人工录入。
3.根据权利要求1所述的边坡滑坡地质灾害斑点图智能识别与预测系统,其特征在于,所述地形地质数据包括:边坡所在位置信息、边坡几何结构、地形地质、岩性、区域地质构造和软弱夹层;所述气象环境数据包括气象数据和人为扰动影响数据。
4.根据权利要求3所述的边坡滑坡地质灾害斑点图智能识别与预测系统,其特征在于,所述地形地质数据中:
5.根据权利要求3所述的边坡滑坡地质灾害斑点图智能识别与预测系统,其特征在于,所述气象环境数据中人为扰动影响数据包括坡脚开挖、堆载强度、爆破振动和外部荷载,外部载荷包括车辆载荷。
6.根据权利要求1所述的边坡滑坡地质灾害斑点图智能识别与预测系统,其特征在于,所述特征分析单元包括放大器、数字应变仪、数
7.根据权利要求6所述的边坡滑坡地质灾害斑点图智能识别与预测系统,其特征在于,所述计算机内设有斑点图特征处理器、斑点图生成处理器及斑点图特征库,所述斑点图生成处理器一端通过斑点图特征处理器连接数据集成盒,另一端同时连接斑点图特征库和判识预测单元;其中,
8.根据权利要求1所述的边坡滑坡地质灾害斑点图智能识别与预测系统,其特征在于,所述判识预测单元包括特征斑点图提取、判识预测和斑点图显示,其中;
9.根据权利要求8所述的边坡滑坡地质灾害斑点图智能识别与预测系统,其特征在于,所述特征斑点图提取中运算过程具体为:赋予每个特征斑点图唯一的特征码,多个斑点图按照一定的编码原则构成一定长度的代码序列的过程;代码为二进制码,当特征斑点图呈显性时为“1”,呈隐性时为“0”;对特征因子进行编码,形成二进制序列码。
10.一种边坡滑坡地质灾害斑点图智能识别与预测方法,其特征在于,所述方法通过上述权利要求1-9之一所述的边坡滑坡地质灾害斑点图智能识别与预测系统实现,所述边坡滑坡地质灾害斑点图智能识别与预测方法将边坡病害诊断结果进行CT影像化,可视化展示边坡病害位置、范围及发生时间,通过特征斑点图随时间的演化,可观察边坡的病变演化进程和预见边坡病害发生时间和规模,及时预警报警。
...【技术特征摘要】
1.一种边坡滑坡地质灾害斑点图智能识别与预测系统,其特征在于,所述边坡滑坡地质灾害斑点图智能识别与预测系统包括:
2.根据权利要求1所述的边坡滑坡地质灾害斑点图智能识别与预测系统,其特征在于,所述原始数据获取来源包括边坡大数据获取、边坡数据库获取和人工录入,所述实时数据来源包括监测装置实时监测获取和人工录入。
3.根据权利要求1所述的边坡滑坡地质灾害斑点图智能识别与预测系统,其特征在于,所述地形地质数据包括:边坡所在位置信息、边坡几何结构、地形地质、岩性、区域地质构造和软弱夹层;所述气象环境数据包括气象数据和人为扰动影响数据。
4.根据权利要求3所述的边坡滑坡地质灾害斑点图智能识别与预测系统,其特征在于,所述地形地质数据中:
5.根据权利要求3所述的边坡滑坡地质灾害斑点图智能识别与预测系统,其特征在于,所述气象环境数据中人为扰动影响数据包括坡脚开挖、堆载强度、爆破振动和外部荷载,外部载荷包括车辆载荷。
6.根据权利要求1所述的边坡滑坡地质灾害斑点图智能识别与预测系统,其特征在于,所述特征分析单元包括放大器、数字应变仪、数据集成盒和计算机,所述放大器一端连接数据单元,另一端通过数字应变仪连接数据集成盒,所述数据集成盒连接计算机。
<...【专利技术属性】
技术研发人员:谭卓英,谭乃根,王凤林,李胜,孙勇成,李万涛,陈华,田益琳,胡天寿,李江,杨颖琳,陈倩,曾宪烨,司迪,
申请(专利权)人:北京科技大学,
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。