【技术实现步骤摘要】
本专利技术涉及桥梁安全，具体涉及一种基于极端梯度的桥墩冲刷风险预测方法。
技术介绍
1、近年来，自然灾害如洪水，与冲刷有关的灾害的随机性和不确定性难以避免，冲刷是导致桥梁水毁的主要原因之一，据统计，我国自1949年至2021年倒塌的192座桥梁中，58%与冲刷有关，桥梁在冲刷过程涉及土壤-地基-水流三者的互相作用，为提高桥梁的安全性，需要对桥梁进行监测以防范风险，如中国专利申请号202010011819.3，公布日为2020.02.18的专利文献，其公开了一种区域性桥梁风险预测方法及系统，其中，预测方法包括：s1、收集区域内所有桥梁的基础信息；s2、基于所述基础信息筛选出需要进行风险预测的桥梁；s3、对需要进行风险预测的桥梁根据其基础信息划分为不同的风险预测等级；不同风险预测等级对应不同风险预测周期；s4、初步确定用于桥梁坍塌评价的致灾因子；s5、对初步确定的致灾因子进行筛选，获得影响桥梁垮塌的主要致灾因子；s6、基于主要致灾因子训练生成多个桥梁垮塌风险预测模型；s7、选择性能最好的风险预测模型作为最终的风险预测模型；s8、对待预测桥梁进行桥梁坍塌风险预测。
2、上述文献是通过前期对信息的收集，筛选出与桥梁垮塌有关的预测因子进行逻辑回归模型预测，该方法侧重桥梁垮塌风险，但引起桥梁垮塌的因素有很多种，与桥墩冲刷有关的水文、周围环境等因子未包含在该方法中，且该方法后期仍需高精度监测技术辅助实施，因此实施成本较高。
技术实现思路
1、本专利技术的目的在于提供一种基于极端梯度的
2、为达到上述目的，本专利技术提供一种基于极端梯度的桥墩冲刷风险预测方法，包括以下步骤：
3、s0根据现有规范并结合已有数据，确定、选取并收集与桥墩冲刷有关的因子对应的因子数据；桥墩冲刷有关的因子包括与桥梁结构特征、水文特征、环境特征有关冲刷因子；预设预期的预测精度；
4、s1对步骤s0中与桥墩冲刷有关的因子数据进行预处理；
5、s2依据步骤s1预处理后的与桥墩冲刷有关的因子数据对桥墩的状态进行检测并作出评估打分，然后根据桥墩得分，将桥墩冲刷风险分为高冲刷风险和低冲刷风险；
6、s3通过采样来平衡高冲刷风险和低冲刷风险之间的数据量；
7、s4通过极端梯度提升算法构建桥墩冲刷风险分类模型，
8、s4.1将平衡后高冲刷风险和低冲刷风险的因子数据作为训练集，
9、s4.2将训练集输入极端梯度提升算法中进行迭代，在每一轮迭代中，通过计算损失函数的梯度和二阶导数，并应用正则化项来更新模型的训练集数据，
10、s4.3根据提前停止规则或达到最大迭代次数来结束迭代过程，得到桥墩冲刷风险分类模型；
11、s5通过混淆矩阵计算准确率、召回率以及精确率对桥墩冲刷风险分类模型的预测精度进行评估；
12、s6在达到预期的预测精度后，将桥墩冲刷风险分类模型作为桥墩冲刷风险的预测模型。
13、以上设置，通过现有规范以及数据确定桥墩冲刷有关的因子，且桥墩冲刷有关的因子涉及与桥梁结构特征、水文特征、环境特征有关冲刷因子，从而能更加准确地确定影响桥墩冲刷的因素，然后通过现场检测对桥墩进行评估打分，便能够依据桥墩冲刷因子将桥墩冲刷风险分类为高冲刷风险和低冲刷风险；通过采用过采样方法处理高冲刷风险和低冲刷风险之间的数据量，这样可以有效避免两类数据量上不平衡的问题，进而避免后续模型训练数据的不平衡差异；通过极端梯度提升算法构建桥墩冲刷风险分类模型，并且在模型的迭代过程中能够更新模型的训练集数据，这样便能够修正前一次迭代的预测误差，以提高模型的稳定性和泛化能力；通过提前停止规则或达到最大迭代次数赖结束迭代过程，能够实现快速计算，而通过设置混淆矩阵，便于评估模型预测的精度，从而使得在达到预期的精度后，将桥墩冲刷风险分类模型作为桥墩冲刷风险的预测模型，方便能够快速、高效且准确预测出桥梁的冲刷风险类别。
14、进一步的，所述步骤s0中的因子包括：水流流速、水流深度、水流宽度、河床坡度、河岸状况、河床填土类型、河床填土颗粒级配、桥墩形状、地基深度、桥梁宽度、历史最高水位、历史冲刷深度、历史最大流速以及桥梁长度。
15、以上设置，通过从桥墩的结构构成、桥墩所处地理环境、类似历史冲刷深度、历史最大流速等水文特征确定与桥梁冲刷有关的因子，确保数据集的全面性，且便于后续形成机器学习模型的数据集。
16、进一步的，所述步骤s1中的预处理包括归一化预处理，归一化预处理的转换函数如下：
17、，
18、其中， x为桥墩冲刷有关的因子的原始数据； xmax 、xmin分别为桥墩冲刷有关的因子数据集样本中最大值、最小值；经过归一化处理后的桥墩冲刷有关的因子数据。
19、以上设置，对桥墩冲刷有关的因子数据进行统一处理，便于后续输入到模型中计算，便于将采集到的因子数据进行预处理使其满足机器学习模型的要求。
20、进一步的，所述步骤s2中评估打分的分值设置为：1～10，分值评估在在1～5之间的桥墩被归类为高冲刷风险，分值评估在在6～10之间的桥墩被归类为低冲刷风险。
21、以上设置，便于通过评估打分将桥墩进行分类，避免对桥墩进行盲目分析。
22、进一步的，所述步骤s3中通过人工合成新样本来增加少数类样本的数量，新样本的确定方法如下所示：
23、；
24、为a、b样本间之间的距离，rand（0，1）为随机在0～1间取值，c为新样本，a为少数类样本，b为多数类样本。
25、以上设置，使得机器学习模型更好地学习少数类样本的特征，从而提高对少数类样本的分类性能，便于高冲刷风险与低冲刷风险之间的数据在数量上达到平衡。
26、进一步的，所述步骤s5中准确率、召回率以及精确率的计算公式如下：
27、，
28、，
29、，
30、tp为预测为高风险，真实值也为高风险，tn为预测值为低风险，真实值为低风险，fp为预测为高风险，真实值为低风险，fn为预测为低风险，真实值为高风险；当准确率、召回率和精确率的数值越接近于1，则表示模型的预测精度越高。
31、以上设置，这样通过计算准确率、召回率以及精确率，便能够评估的桥墩冲刷风险分类模型的预测精度，使得桥墩冲刷风险分类模型的预测精度达到要求。
32、进一步的，所述步骤s6中还包括：在达到预期的预测精度后，通过极端梯度提升算法对影响桥墩冲刷风险的因子的重要性进行排序。
33、以上设置，可以在达到预期的预测精度后，将桥墩冲刷风险的因子放入到极端你本文档来自技高网...
【技术保护点】
1.一种基于极端梯度的桥墩冲刷风险预测方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的一种基于极端梯度的桥墩冲刷风险预测方法，其特征在于：所述步骤S0中的因子包括：水流流速、水流深度、水流宽度、河床坡度、河岸状况、河床填土类型、河床填土颗粒级配、桥墩形状、地基深度、桥梁宽度、历史最高水位、历史冲刷深度、历史最大流速以及桥梁长度。
3.根据权利要求1所述的一种基于极端梯度的桥墩冲刷风险预测方法，其特征在于：所述步骤S1中的预处理包括归一化预处理，归一化预处理的转换函数如下：
4.根据权利要求1所述的一种基于极端梯度的桥墩冲刷风险预测方法，其特征在于：所述步骤S2中评估打分的分值设置为：1～10，分值评估在在1～5之间的桥墩被归类为高冲刷风险，分值评估在在6～10之间的桥墩被归类为低冲刷风险。
5.根据权利要求1所述的一种基于极端梯度的桥墩冲刷风险预测方法，其特征在于：所述步骤S3中通过人工合成新样本来增加少数类样本的数量，新样本的确定方法如下所示：
6.根据权利要求1所述的一种基于极端梯度的桥墩冲刷风险预测方法，
7.根据权利要求1所述的一种基于极端梯度的桥墩冲刷风险预测方法，其特征在于：所述步骤S6中还包括：在达到预期的预测精度后，通过极端梯度提升算法对影响桥墩冲刷风险的因子的重要性进行排序。
8.根据权利要求1所述的一种基于极端梯度的桥墩冲刷风险预测方法，其特征在于：所述步骤S0中“根据现有规范并结合已有数据，确定、选取并收集与桥墩冲刷有关的因子”包括：根据现有国内标准和国外标准中提到桥墩冲刷有关的因子，并对现有国内标准和国外标准中有缺失桥墩冲刷有关的因子，结合现有现场检测报告中提及的因子确定桥墩冲刷有关的因子。
9.根据权利要求1所述的一种基于极端梯度的桥墩冲刷风险预测方法，其特征在于：在步骤S4.2中极端梯度提升算法为XGBoost算法。
...【技术特征摘要】
1.一种基于极端梯度的桥墩冲刷风险预测方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的一种基于极端梯度的桥墩冲刷风险预测方法，其特征在于：所述步骤s0中的因子包括：水流流速、水流深度、水流宽度、河床坡度、河岸状况、河床填土类型、河床填土颗粒级配、桥墩形状、地基深度、桥梁宽度、历史最高水位、历史冲刷深度、历史最大流速以及桥梁长度。
3.根据权利要求1所述的一种基于极端梯度的桥墩冲刷风险预测方法，其特征在于：所述步骤s1中的预处理包括归一化预处理，归一化预处理的转换函数如下：
4.根据权利要求1所述的一种基于极端梯度的桥墩冲刷风险预测方法，其特征在于：所述步骤s2中评估打分的分值设置为：1～10，分值评估在在1～5之间的桥墩被归类为高冲刷风险，分值评估在在6～10之间的桥墩被归类为低冲刷风险。
5.根据权利要求1所述的一种基于极端梯度的桥墩冲刷风险预测方法，其特征在于：所述步骤s3中通过人工合成新样本来增加...
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。