CN111160490A - 一种基于多时间序列的深度学习危岩变形预测方法及装置 - Google Patents
一种基于多时间序列的深度学习危岩变形预测方法及装置 Download PDFInfo
- Publication number
- CN111160490A CN111160490A CN202010114086.6A CN202010114086A CN111160490A CN 111160490 A CN111160490 A CN 111160490A CN 202010114086 A CN202010114086 A CN 202010114086A CN 111160490 A CN111160490 A CN 111160490A
- Authority
- CN
- China
- Prior art keywords
- dangerous rock
- data
- deformation
- learning
- unit
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 239000011435 rock Substances 0.000 title claims abstract description 118
- 238000013135 deep learning Methods 0.000 title claims abstract description 46
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000005516 engineering process Methods 0.000 claims abstract description 29
- 238000012549 training Methods 0.000 claims abstract description 17
- 238000012806 monitoring device Methods 0.000 claims abstract description 9
- 238000012800 visualization Methods 0.000 claims abstract description 9
- 238000004458 analytical method Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 9
- 230000000694 effects Effects 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 5
- 238000005096 rolling process Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 2
- 230000002265 prevention Effects 0.000 abstract description 2
- 230000008901 benefit Effects 0.000 description 6
- 238000007405 data analysis Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000009440 infrastructure construction Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000001314 paroxysmal effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Image Analysis (AREA)
Abstract
本发明公布了一种基于多时间序列的深度学习危岩变形预测方法及装置，其主要特征是：根据危岩体的监测装置获取危岩图像，利用Caffe可视化工具提取危岩图像特征，训练以危岩图像和特征标签建立起来的AlexNet模型，识别危岩的分布式特征，以收集到的危岩图像特征数据构建危岩变形多时间序列，建立多个数据样本，利用深度学习技术对此学习样本进行拟合学习，最后用Matlab软件编制的筛选程序对多个时间序列的预测数据进行优化对比，输出误差最小的时间序列所进行的预测结果。另外对本发明的装置也进行了详细的说明。本发明的实施例能够体现对危岩预测的准确和灵活，能够为危岩失稳预测预测以及为危岩崩塌预测和防治提供依据。
Description
技术领域
本发明是一种基于多时间序列的深度学习危岩变形预测方法及装置，涉及危岩体在监测下的变形预测问题，另外还涉及利用深度学习技术建立的网络学习预测模型对大数据进行拟合学习计算等相关领域。
背景技术
危岩是指陡坡或陡崖上被各类结构面分割可失稳的岩体，虽然还没有发生崩塌，但实际上已经具备崩塌的主要条件，因而在未来不久的时间内可能发生崩塌现象。中国是一个多山国家，特别是西南山区，危岩变形崩塌现象时有发生，这对发生地周围的人和物将会带来巨大的危害，往往造成严重的灾害。近些年，随着我国对基础设施建设的进一步投入，多山地区的铁路和高速公路的数量逐年增加，另外，各条交通线路上的交通量正快速增长，为了提高道路的安全性，特别是道路两侧因危岩变形引起的崩塌问题，危岩变形预测就变得尤为重要。
实际上，自然情况下，危岩崩塌的发生是一个缓慢的过程。暴露于地表的岩石体在各种风化侵蚀作用下逐渐开裂，最终从初始位置坠落下滚，落于坡脚处。由于危岩崩塌的发生存在极大的不确定性，崩塌运动本身的复杂性和突发性，发生后将造成难以估量的后果，为避免崩塌现象的发生和减少因危岩崩塌造成不必要的人员和经济损失，因此，对危岩的变形规律的预测并定量的预知危岩变形的趋势是极其重要的。
随着计算机技术的快速发展，人工智能的深度学习算法的研究应用也得到了快速发展。近些年，深度学习技术被广泛应用于图像识别领域、语言识别领域、视频分析领域、文本分析领域和大数据分析领域，并取得了极大成功。深度学习本质上就是一个进行特征描述的过程，因此利用深度学习的原理进行图像处理和大数据分析的突出优点，采用深度学习技术进行危岩变形预测是可行的，并且可将这种技术发展成为一种新型的预测方法。
一种基于多时间序列的深度学习技术的危岩变形预测方法，是将危岩体各时间阶段的变形图像进行分析处理得到样本数据建立预测模型，以此自动且快速地进行危岩变形预测。因此，基于多时间序列的深度学习技术的危岩变形预测方法及装置是能够准确、快速获取预测结果，其给工程实际带来的效益是巨大的。
发明内容
本发明实施例采用一种基于多时间序列的深度学习危岩变形预测方法及装置，利用该方法及装置能够快速准确进行危岩变形的预测，建立满足工程需求的自适应深度学习的分析处理模型，本发明提供的一种基于多时间序列的深度学习危岩变形预测方法及装置，包括：
1.预测方法原理包括：步骤一，根据危岩体的监测装置获取图像，比如：可以以半月为单位获取一次危岩的变形图像，亦可以月为单位获取一次危岩的变形图像，以此类推，获取多个时间序列图像；步骤二，利用Caffe可视化工具提取危岩的图像特征；步骤三，训练以危岩变形图像和特征标签建立起来的AlexNet模型，识别危岩的节理、裂隙、破碎程度、粗糙程度和剖面形态等分布式特征；
步骤四，从收集到的危岩图像各种特征数据构建危岩变形多时间序列，建立多个数据样本；步骤五，将利用深度学习技术建立学习模型对此学习样本进行拟合学习，达到准确预测的效果；步骤六，最后利用Matlab软件编制的筛选程序对多个时间序列的预测数据进行优化对比，输出误差最小的时间序列所进行的预测数据；步骤七，为了能够定量预测当前危岩体的变形数据，可依据深度学习技术建立起来的学习模型对各影响因素的数据变化进行智能分析，最终可根据提供的主要影响因素预测变形结果。其装置主要包括：收集数据单元、处理单元、建立样本单元、处理单元、训练单元、学习单元、优化单元、结果单元和分析单元。
2.预测方法为：将利用危岩监测装置收集到的危岩变形时间序列图像进行Caffe可视化工具提取其图像特征，训练以危岩变形图像和特征标签建立起来的AlexNet模型，进行识别分析，以图像特征数据集构建危岩变形多时间序列，建立多个样本，以待输出。
3.预测方法为：构建时间序列的目的是建立n时刻的图像特征数据值和前p个时刻的图像特征数据值的非线性映射关系，实际应用中，第一个时间序列可以以半月为单位获取一次危岩图像特征，获取p次，将前1～p个实测值作为输出序列，将第p+1个实测值作为输出值，由此构成第1个样本数据；然后用第p+1个实测值替换原序列最老的一个值，并将第p+2个实测值作为输出值，进而构成第2个样本数据；以此类推，滚动构建多个危岩变形序列样本数据；第二个时间序列可以以月为单位获取一次危岩图像特征，参照第一个时间序列，可得第二个时间序列的多个危岩变形序列样本数据，照此下去，可构建多个时间序列样本数据，以这多时间序列的危岩变形数据样本进行深度学习建立模型，采用深度学习技术学习模型对学习样本学习之后，将不再滚动构建学习样本，直接预报未来时间危岩变形结果。
4.预测方法为：从收集到的危岩图像各种特征数据构建危岩变形多时间序列，建立多个数据样本，利用深度学习技术建立学习模型对此学习样本进行拟合学习，达到准确预测的效果，最后利用Matlab软件编制的筛选程序对多个时间序列的预测数据进行优化对比，输出误差最小的时间序列所进行的预测数据，为了能够定量预测当前危岩体的变形数据，可依据深度学习技术建立起来的学习模型对各影响因素的数据变化进行智能分析，最终可根据提供的主要影响因素预测待知的变形结果。
5.预测装置还包括：收集数据单元：根据危岩体的监测装置获取图像；处理单元：利用Caffe可视化工具提取危岩的图像特征，训练以危岩变形图像和特征标签建立起来的AlexNet模型，识别危岩的节理、裂隙、破碎程度、粗糙程度和剖面形态等分布式特征；建立样本单元：从收集到的危岩图像各种特征数据构建危岩变形多时间序列，建立多个数据样本；训练单元：利用深度学习技术对建立起来的多个数据样本进行训练处理；学习单元：经过深度学习技术建立一种模型对此学习样本进行拟合学习，达到准确预测的效果；优化单元：最后利用Matlab软件编制的筛选程序对多个时间序列的预测数据进行优化对比；结果单元：输出误差最小的时间序列所进行的预测数据；分析单元：为了能够定量预测当前危岩体的变形数据，可依据深度学习技术建立起来的学习模型对各影响因素的数据变化进行智能分析，最终可根据提供的主要影响因素预测待知的变形结果。
附图说明
图1为本发明原理流程图；
图2为本发明实施流程图；
图3为本发明各阶段实施流程图；
图4为本发明各单元之间工作的原理图；
图5为本发明总体工作流程图；
具体实施方式
本发明实施例提供了一种基于多时间序列的深度学习危岩变形预测方法及装置的实施过程，该实施例基于多时间序列的危岩图像特征进行深度学习，由此大数据图像特征建立一种模型来预测危岩变形，证明了该方法在预测危岩变形上具有精度高和适用性强的优点。为了使本发明所解决的技术问题、技术方案及有益效果更加清楚明白，以下陈述对本发明进行进一步详细说明，其中，关于危岩变形的多时间序列的样本数据相关内容在发明内容中已详细阐述，在此实施例中略。
本发明实施例中的基于多时间序列的深度学习危岩变形预测方法步骤为：根据本发明采用的方法：通过危岩体的监测装置获取所需要的危岩图像，利用Caffe可视化工具提取危岩的图像特征，之后，将训练以危岩变形图像和特征标签建立起来的AlexNet模型，进而识别危岩的节理、裂隙、破碎程度、粗糙程度和剖面形态等分布式特征，从收集到的危岩图像各种分布式特征的数据构建危岩变形多时间序列，建立多个数据样本，利用深度学习技术建立学习模型对此学习样本进行拟合学习，达到准确预测的效果，最后利用Matlab软件编制的筛选程序对多个时间序列的预测数据进行优化对比，输出误差最小的时间序列所进行的预测数据，另外，为了能够定量预测当前危岩体的变形数据，可依据深度学习技术建立起来的学习模型对各影响因素的数据变化进行智能分析，最终可根据提供的主要影响因素预测待知的变形结果。
下面对本发明中的基于多时间序列深度学习技术的危岩变形预测装置进行详细描述，其中：收集数据单元：根据危岩体的监测装置获取图像；处理单元：利用Caffe可视化工具提取危岩的图像特征，训练以危岩变形图像和特征标签建立起来的AlexNet模型，识别危岩的节理、裂隙、破碎程度、粗糙程度和剖面形态等分布式特征；建立样本单元：从收集到的危岩图像各种特征数据构建危岩变形多时间序列，建立多个数据样本；训练单元：利用深度学习技术对建立起来的多个数据样本进行训练处理；学习单元：经过深度学习技术建立一种模型对此学习样本进行拟合学习，达到准确预测的效果；优化单元：最后利用Matlab软件编制的筛选程序对多个时间序列的预测数据进行优化对比；结果单元：输出误差最小的时间序列所进行的预测数据；分析单元：为了能够定量预测当前危岩体的变形数据，可依据深度学习技术建立起来的学习模型对各影响因素的数据变化进行智能分析，最终可根据提供的主要影响因素预测待知的变形结果。
在本发明所提供的装置中，仅仅是示意性的，所述的单元划分，是作为一种逻辑功能的划分，以上所述的实施例仅作解释说明本发明的方法及装置。此外，本发明提供的一种基于多时间序列的深度学习危岩变形预测方法及装置具有以下优点：本发明提供的一种基于多时间序列的深度学习危岩变形预测方法及装置得到的结果趋于保守，具有拟合性能优越、准确性高、精度高和适用性强等优点，这一预测方法基本上做到了***、全面和实用的目的，可以有效指导危岩勘察评价、监测预警以及防治等工作。
Claims (6)
1.一种基于多时间序列的深度学习危岩变形预测方法及装置，其特征原理是：
步骤一，根据危岩体的监测装置获取图像，比如：可以以半月为单位获取一次危岩的变形图像，亦可以以月为单位获取一次危岩的变形图像，以此类推，获取多个时间序列图像；
步骤二，利用Caffe可视化工具提取危岩的图像特征；
步骤三，训练以危岩变形图像和特征标签建立起来的AlexNet模型，识别危岩的节理、裂隙、破碎程度、粗糙程度和剖面形态等分布式特征；
步骤四，从收集到的危岩图像各种特征数据构建危岩变形多时间序列，建立多个数据样本；
步骤五，利用深度学习技术建立学习模型对此学习样本进行拟合学习，达到准确预测的效果；
步骤六，最后利用Matlab软件编制的筛选程序对多个时间序列的预测数据进行优化对比，输出误差最小的时间序列所进行的预测数据；
步骤七，为了能够定量预测当前危岩体的变形数据，可依据深度学习技术建立起来的学习模型对各影响因素的数据变化进行智能分析，最终可根据提供的主要影响因素预测待知的变形结果；
其装置主要包括：收集数据单元、处理单元、建立样本单元、处理单元、训练单元、学习单元、优化单元、结果单元和分析单元。
2.根据权利要求1所述的预测方法及装置，其特征在于，所述预测方法为：将利用危岩监测装置收集到的危岩变形时间序列图像进行Caffe可视化工具提取其图像特征，训练以危岩变形图像和特征标签建立起来的AlexNet模型，进行识别分析，以图像特征数据集构建危岩变形多时间序列，建立多个样本，以待输出。
3.根据权利要求1所述的预测方法及装置，其特征在于，所述预测方法为：构建时间序列的目的是建立n时刻的图像特征数据值和前p个时刻的图像特征数据值的非线性映射关系，实际应用中，第一个时间序列可以以半月为单位获取一次危岩图像特征，获取p次，将前1～p个实测值作为输出序列，将第p+1个实测值作为输出值，由此构成第1个样本数据；然后用第p+1个实测值替换原序列最老的一个值，并将第p+2个实测值作为输出值，进而构成第2个样本数据；以此类推，滚动构建多个危岩变形序列样本数据；第二个时间序列可以以月为单位获取一次危岩图像特征，参照第一个时间序列，可得第二个时间序列的多个危岩变形序列样本数据，照此下去，可构建多个时间序列样本数据。
4.根据权利要求1所述的预测方法及装置，其特征在于，所述预测方法为：以这多时间序列的危岩变形数据样本进行深度学习建立模型，采用深度学习技术学习模型对学习样本学习之后，将不再滚动构建学习样本，直接预报未来时间危岩变形结果。
5.根据权利要求1所述的预测方法及装置，其特征在于，所述预测方法还包括：从收集到的危岩图像各种特征数据构建危岩变形多时间序列，建立多个数据样本，利用深度学习技术建立学习模型对此学习样本进行拟合学习，达到准确预测的效果，最后利用Matlab软件编制的筛选程序对多个时间序列的预测数据进行优化对比，输出误差最小的时间序列所进行的预测数据，为了能够定量预测当前危岩体的变形数据，可依据深度学习技术建立起来的学习模型对各影响因素进行智能分析，最终可根据提供的主要影响因素预测待知的变形结果。
6.根据权利要求5所述的装置，其特征在于，所述预测装置还包括：收集数据单元：根据危岩体的监测装置获取图像；处理单元：利用Caffe可视化工具提取危岩的图像特征，训练以危岩变形图像和特征标签建立起来的AlexNet模型，识别危岩的节理、裂隙、破碎程度、粗糙程度和剖面形态等分布式特征；建立样本单元：从收集到的危岩图像各种特征数据构建危岩变形多时间序列，建立多个数据样本；训练单元：利用深度学习技术对建立起来的多个数据样本进行训练处理；学习单元：经过深度学习技术建立一种模型对此学习样本进行拟合学习，达到准确预测的效果；优化单元：最后利用Matlab软件编制的筛选程序对多个时间序列的预测数据进行优化对比；结果单元：输出误差最小的时间序列所进行的预测数据；分析单元：为了能够定量预测当前危岩体的变形数据，可依据深度学习技术建立起来的学习模型对各影响因素的数据变化进行智能分析，最终可根据提供的主要影响因素预测待知的变形结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010114086.6A CN111160490A (zh) | 2020-02-24 | 2020-02-24 | 一种基于多时间序列的深度学习危岩变形预测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010114086.6A CN111160490A (zh) | 2020-02-24 | 2020-02-24 | 一种基于多时间序列的深度学习危岩变形预测方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111160490A true CN111160490A (zh) | 2020-05-15 |
Family
ID=70566362
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010114086.6A Pending CN111160490A (zh) | 2020-02-24 | 2020-02-24 | 一种基于多时间序列的深度学习危岩变形预测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111160490A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111965255A (zh) * | 2020-08-14 | 2020-11-20 | 广西大学 | 压剪滑移式岩溶危岩失稳预警的声响多前兆方法及装置 |
| CN112182888A (zh) * | 2020-09-29 | 2021-01-05 | 广西大学 | 小型滑移式危岩体主控结构面力学参数识别方法及装置 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110472729A (zh) * | 2019-08-02 | 2019-11-19 | 中南大学 | 基于综合cnn-lstm的岩爆状态预测方法 |
-
2020
- 2020-02-24 CN CN202010114086.6A patent/CN111160490A/zh active Pending
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110472729A (zh) * | 2019-08-02 | 2019-11-19 | 中南大学 | 基于综合cnn-lstm的岩爆状态预测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 柳厚祥: "基于深度学习技术的公路隧道围岩分级方法", 岩土工程学报, vol. 40, no. 10, pages 1180 - 1181 * |
| 苏国韶: "隧道围岩变形预报的高斯过程机器学习模型", 桂林理工大学学报, vol. 30, no. 04, pages 552 - 554 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111965255A (zh) * | 2020-08-14 | 2020-11-20 | 广西大学 | 压剪滑移式岩溶危岩失稳预警的声响多前兆方法及装置 |
| CN112182888A (zh) * | 2020-09-29 | 2021-01-05 | 广西大学 | 小型滑移式危岩体主控结构面力学参数识别方法及装置 |
| CN112182888B (zh) * | 2020-09-29 | 2022-11-01 | 广西大学 | 小型滑移式危岩体主控结构面力学参数识别方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114693615A (zh) | 一种基于域适应的深度学习混凝土桥梁裂缝实时检测方法 | |
| CN113096088B (zh) | 一种基于深度学习的混凝土结构检测方法 | |
| CN107480611A (zh) | 一种基于深度学习卷积神经网络的裂缝识别方法 | |
| CN110569843B (zh) | 一种矿井目标智能检测与识别方法 | |
| CN101697229B (zh) | 一种医学图像的感兴趣区域提取方法 | |
| Enshaei et al. | Automated detection of textured-surface defects using UNet-based semantic segmentation network | |
| CN111160490A (zh) | 一种基于多时间序列的深度学习危岩变形预测方法及装置 | |
| CN116359285A (zh) | 一种基于大数据的油气浓度智能检测***及方法 | |
| CN106855865B (zh) | 水利水电大数据架构建设方法 | |
| Altabey et al. | A deep learning-based approach for pipeline cracks monitoring | |
| CN114241423A (zh) | 一种河道漂浮物智能检测方法及*** | |
| CN114648095A (zh) | 一种基于深度学习的空气质量浓度反演方法 | |
| CN111651930B (zh) | 一种基于极限学习机的流场涡区域检测方法 | |
| Ojeda et al. | Convolutional neural network for predicting failure type in concrete cylinders during compression testing | |
| CN104504265A (zh) | 一种在役桥梁监测信息安全评估的方法 | |
| CN112906593A (zh) | 一种基于Faster RCNN的水闸图像识别方法 | |
| CN116663126A (zh) | 一种基于通道注意力BiLSTM模型的桥梁温度效应预测方法 | |
| Baskaran et al. | Steel frame structure defect detection using image processing and artificial intelligence | |
| CN114550460A (zh) | 轨道交通异常检测方法、装置及存储介质 | |
| CN115345846A (zh) | 一种中低碳钢晶粒度智能评级方法及*** | |
| Kuang et al. | Review on machine learning-based defect detection of shield tunnel lining | |
| Alshawabkeh et al. | Automated Pavement Crack Detection Using Deep Feature Selection and Whale Optimization Algorithm. | |
| CN110095204A (zh) | 一种乙烯裂解炉管温度诊断*** | |
| CN113470739B (zh) | 一种基于混合隶属度随机块模型的蛋白质相互作用预测方法和*** | |
| Xu et al. | Defect recognition method based on fusion learning of multi-layer image features |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |