CN112906595A - 一种基于弹性波的滑坡预测方法及*** - Google Patents
一种基于弹性波的滑坡预测方法及*** Download PDFInfo
- Publication number
- CN112906595A CN112906595A CN202110235669.9A CN202110235669A CN112906595A CN 112906595 A CN112906595 A CN 112906595A CN 202110235669 A CN202110235669 A CN 202110235669A CN 112906595 A CN112906595 A CN 112906595A
- Authority
- CN
- China
- Prior art keywords
- landslide
- elastic wave
- elastic
- prediction
- signal characteristics
- 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
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000000605 extraction Methods 0.000 claims abstract description 13
- 239000000284 extract Substances 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 230000000644 propagated effect Effects 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000003491 array Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 5
- 239000002689 soil Substances 0.000 description 11
- 238000012544 monitoring process Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 239000004927 clay Substances 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 239000012466 permeate Substances 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000004162 soil erosion Methods 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
- G06Q50/265—Personal security, identity or safety
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- General Health & Medical Sciences (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- Primary Health Care (AREA)
- General Engineering & Computer Science (AREA)
- Computer Security & Cryptography (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Pit Excavations, Shoring, Fill Or Stabilisation Of Slopes (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明公开了一种基于弹性波的滑坡预测方法,应用于滑坡预测技术领域,具体步骤包括:构建多目标滑坡概率预测模型;获取边坡内传播的弹性波信号;利用特征提取网络拾取所述弹力波信号的信号特征;所述信号特征带入所述多目标滑坡概率预测模型的方程内,判断滑坡是否发生。本发明公开提供了一种基于弹性波的滑坡预测***及方法,构建多目标滑坡预测模型,利用不同时刻的弹性波波速确定预测结果,预测精度大大提高,利用分割的原理将弹性波传播过程中分割成不同的时间段,分别计算波速,判断滑坡是否发生,将历史数据代入所述多目标滑坡概率预测模型,确定出现滑坡的弹性波波速阈值,根据不同波速持续时间,以及当前波速确定是否发生滑坡。
Description
技术领域
本发明涉及滑坡预测技术领域,更具体的说是涉及一种基于弹性波的滑坡预测方法及***。
背景技术
目前,滑坡作为主要地质灾害之一,在世界范围内每年造成大量人员伤亡和财产损失。应用最先进的滑坡监测预报***在区域尺度上进行边坡监测,对预测降雨型滑坡的发生具有重要意义。因此,亟需对存在潜在滑坡危险的边坡进行监测,为潜在受灾群众提供早期预警,为分析和救灾提供参考。
迄今为止,多种边坡监测技术作为早期预警***已得到广泛应用。进一步,弹性波特性包含了大量与土的受力状态有关的信息。利用弹性波波对土力学进行无损分析在地质工程中得到越来越多的应用。由于土中弹性波波速能够反映其内部力学状态,弹性波波速已被用于表征土力学状态,例如黏土流变行为,堆积层几何形貌,剪切模量,泊松比,松动圈深度,土壤侵蚀,土体含水率,土体变形,和边坡位移。研究发现,弹性波特性能够直接反映边界条件变化对土体响应、边坡行为和破坏机制的影响。
然而现有技术中,由于观测的尺度影响分析、输出和判断,选择适当的数字高程模型分辨率,即像素大小、网格分辨率和网格大小的选择很困难。导致遥感监测技术不能精准预测滑坡的发生;土颗粒产生的声发射信号较弱,衰减较快,限制了边坡监测技术的应用。而且现有技术中,对于滑坡未能进行灵敏、连续、远程实时监测,对于滑坡报警的播报准确性差;并且坡面土壤一般处于非饱和状态,基质吸力贡献了大部分土抗剪强度。在降雨过程中,雨水渗入坡面,降低基质吸力,进而降低土体抗剪强度。当抗剪强度降低到无法维持平衡时,边坡发生滑动。对于上述内容,现有技术不能进行准确预测。
因此,如何提供一种利用弹力波对滑坡灾害进行预测是本领域技术人员亟需解决的问题。
发明内容
有鉴于此,本发明提供了一种基于弹性波的滑坡预测方法及***,根据不同时刻的弹性波波速确定是否发生滑坡,大大提高预测精度。
为了实现上述目的,本发明提供如下技术方案:
一种基于弹性波的滑坡预测方法,具体步骤包括:
构建多目标滑坡概率预测模型;
获取边坡内传播的弹性波信号;
利用特征提取网络拾取所述弹力波信号的信号特征;
所述信号特征带入所述多目标滑坡概率预测模型的方程内,判断滑坡是否发生。
通过上述技术方案,本发明的技术效果在于:构建多目标滑坡预测模型,利用不同时刻的弹性波波速确定预测结果,预测精度大大提高。
优选的,在上述的一种基于弹性波的滑坡预测方法中,所述多目标滑坡概率预测模型表示为其中,t0为初始时刻,t1为初始时刻的下一时刻,H0为弹性波在t0时刻的传播距离,H1为弹性波在t1时刻的传播距离,V为弹性波波速,αn为当前弹力波速度系数。
通过上述技术方案,本发明的技术效果在于:利用分割的原理将弹性波传播过程中分割成不同的时间段,分别计算波速。
优选的,在上述的一种基于弹性波的滑坡预测方法中,所述特征提取网络包括四个卷积层,且每个卷积层包括一个批归一化单元、最大池化单元、一个激活函数。
优选的,在上述的一种基于弹性波的滑坡预测方法中,所述信号特征为不同时刻的二维数组。
优选的,在上述的一种基于弹性波的滑坡预测方法中,当前弹力波速度系数αn的获得根据当前波速持续的时间确定,并且α0+α1+...+αn=1。
通过上述技术方案,本发明的技术效果在于:当前波速持续时间作为当前波速的权重系数,当某一速度积累一定程度时,也会造成滑坡发生。
优选的,在上述的一种基于弹性波的滑坡预测方法中,判断滑坡是否发生,将历史数据代入所述多目标滑坡概率预测模型,确定出现滑坡的弹性波波速阈值。
一种基于弹性波的滑坡预测***,包括:弹性波发射器、数据获取模块、滑坡概率预测模块、数据对比模块和数据输出模块;所述弹性波对待预测区域发射弹性波;所述数据获取模块拾取所述边坡内传播的弹性波信号,并提取信号特征;所述滑坡概率预测模块内输入所述信号特征,并利用所述数据对比模块与弹性波波速阈值进行比较,判断是否发生滑坡,并通过所述数据输出模块输出。
优选的,在上述的一种基于弹性波的滑坡预测***中,所述数据获取模块包括:特征提取网络、预处理单元、接收单元和发送单元;所述接收单元接收所述弹性波信号;通过所述预处理单元进行降噪、过滤;所述特征提取网络提取所述弹性波信号的信号特征,通过所述发送单元发送给所述滑坡概率预测模块。
经由上述的技术方案可知,与现有技术相比,本发明公开提供了一种基于弹性波的滑坡预测***及方法,构建多目标滑坡预测模型,利用不同时刻的弹性波波速确定预测结果,预测精度大大提高,利用分割的原理将弹性波传播过程中分割成不同的时间段,分别计算波速,判断滑坡是否发生,将历史数据代入所述多目标滑坡概率预测模型,确定出现滑坡的弹性波波速阈值,根据不同波速持续时间,以及当前波速确定是否发生滑坡。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1附图为本发明的方法流程图;
图2附图为本发明的结构框图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的实施例公开了一种基于弹性波的滑坡预测方法,如图1所示,具体步骤包括:
S101构建多目标滑坡概率预测模型;
S102获取边坡内传播的弹性波信号;
S103利用特征提取网络拾取弹力波信号的信号特征;
S104信号特征带入多目标滑坡概率预测模型的方程内,判断滑坡是否发生。
其中,t0为初始时刻,t1为初始时刻的下一时刻,H0为弹性波在t0时刻的传播距离,H1为弹性波在t1时刻的传播距离,V为弹性波波速,αn为当前弹力波速度系数。
为了进一步优化上述技术方法,特征提取网络包括四个卷积层,且每个卷积层包括一个批归一化单元、最大池化单元、一个激活函数。
为了进一步优化上述技术方法,信号特征为不同时刻的二维数组。
为了进一步优化上述技术方法,当前弹力波速度系数αn的获得根据当前波速持续的时间确定,并且α0+α1+...+αn=1。
为了进一步优化上述技术方法,判断滑坡是否发生,将历史数据代入多目标滑坡概率预测模型,确定出现滑坡的弹性波波速阈值。
一种基于弹性波的滑坡预测***,如图2所示,包括:弹性波发射器、数据获取模块、滑坡概率预测模块、数据对比模块和数据输出模块;弹性波对待预测区域发射弹性波;数据获取模块拾取边坡内传播的弹性波信号,并提取信号特征;滑坡概率预测模块内输入信号特征,并利用数据对比模块与弹性波波速阈值进行比较,判断是否发生滑坡,并通过数据输出模块输出。
为了进一步优化上述技术方法,数据获取模块包括:特征提取网络、预处理单元、接收单元和发送单元;接收单元接收弹性波信号;通过预处理单元进行降噪、过滤;特征提取网络提取弹性波信号的信号特征,通过发送单元发送给滑坡概率预测模块。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (8)
1.一种基于弹性波的滑坡预测方法,其特征在于,具体步骤包括:
构建多目标滑坡概率预测模型;
获取边坡内传播的弹性波信号;
利用特征提取网络拾取所述弹力波信号的信号特征;
所述信号特征带入所述多目标滑坡概率预测模型的方程内,判断滑坡是否发生。
3.根据权利要求1所述的一种基于弹性波的滑坡预测方法,其特征在于,所述特征提取网络包括四个卷积层,且每个卷积层包括一个批归一化单元、最大池化单元、一个激活函数。
4.根据权利要求1所述的一种基于弹性波的滑坡预测方法,其特征在于,所述信号特征为不同时刻的二维数组。
5.根据权利要求2所述的一种基于弹性波的滑坡预测方法,其特征在于,当前弹力波速度系数αn的获得根据当前波速持续的时间确定,并且α0+α1+...+αn=1。
6.根据权利要求2所述的一种基于弹性波的滑坡预测方法,其特征在于,判断滑坡是否发生,将历史数据代入所述多目标滑坡概率预测模型,确定出现滑坡的弹性波波速阈值。
7.一种基于弹性波的滑坡预测***,其特征在于,包括:弹性波发射器、数据获取模块、滑坡概率预测模块、数据对比模块和数据输出模块;所述弹性波对待预测区域发射弹性波;所述数据获取模块拾取边坡内传播的弹性波信号,并提取信号特征;所述滑坡概率预测模块内输入所述信号特征,并利用所述数据对比模块与弹性波波速阈值进行比较,判断是否发生滑坡,并通过所述数据输出模块输出。
8.根据权利要求7所述的一种基于弹性波的滑坡预测***,其特征在于,所述数据获取模块包括:特征提取网络、预处理单元、接收单元和发送单元;所述接收单元接收所述弹性波信号;通过所述预处理单元进行降噪、过滤;所述特征提取网络提取所述弹性波信号的信号特征,通过所述发送单元发送给所述滑坡概率预测模块。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110235669.9A CN112906595A (zh) | 2021-03-03 | 2021-03-03 | 一种基于弹性波的滑坡预测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110235669.9A CN112906595A (zh) | 2021-03-03 | 2021-03-03 | 一种基于弹性波的滑坡预测方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112906595A true CN112906595A (zh) | 2021-06-04 |
Family
ID=76108214
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110235669.9A Pending CN112906595A (zh) | 2021-03-03 | 2021-03-03 | 一种基于弹性波的滑坡预测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112906595A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110208022A (zh) * | 2019-06-12 | 2019-09-06 | 济南雷森科技有限公司 | 基于机器学习的电力设备多特征音频指纹故障诊断方法及*** |
CN110243413A (zh) * | 2019-06-27 | 2019-09-17 | 浙江大学 | 一种超重力离心模型物理状态的监测装置及监测方法 |
CN110259442A (zh) * | 2019-06-28 | 2019-09-20 | 重庆大学 | 一种煤系地层水力压裂破裂层位识别方法 |
CN110363963A (zh) * | 2019-07-05 | 2019-10-22 | 中国矿业大学(北京) | 一种基于弹性波波速的降雨型滑坡预警*** |
CN110363151A (zh) * | 2019-07-16 | 2019-10-22 | 中国人民解放军海军航空大学 | 基于双通道卷积神经网络虚警可控的雷达目标检测方法 |
CN110426458A (zh) * | 2019-07-05 | 2019-11-08 | 中国矿业大学(北京) | 一种利用弹性波波速预测滑坡的新方法及监测*** |
-
2021
- 2021-03-03 CN CN202110235669.9A patent/CN112906595A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110208022A (zh) * | 2019-06-12 | 2019-09-06 | 济南雷森科技有限公司 | 基于机器学习的电力设备多特征音频指纹故障诊断方法及*** |
CN110243413A (zh) * | 2019-06-27 | 2019-09-17 | 浙江大学 | 一种超重力离心模型物理状态的监测装置及监测方法 |
CN110259442A (zh) * | 2019-06-28 | 2019-09-20 | 重庆大学 | 一种煤系地层水力压裂破裂层位识别方法 |
CN110363963A (zh) * | 2019-07-05 | 2019-10-22 | 中国矿业大学(北京) | 一种基于弹性波波速的降雨型滑坡预警*** |
CN110426458A (zh) * | 2019-07-05 | 2019-11-08 | 中国矿业大学(北京) | 一种利用弹性波波速预测滑坡的新方法及监测*** |
CN110363151A (zh) * | 2019-07-16 | 2019-10-22 | 中国人民解放军海军航空大学 | 基于双通道卷积神经网络虚警可控的雷达目标检测方法 |
Non-Patent Citations (2)
Title |
---|
YULONG CHEN等: "Development of elastic wave velocity threshold for rainfall-induced landslide prediction and early warning", 《LANDSLIDES》, pages 955 - 968 * |
陈宇龙等: "基于弹性波波速的降雨型滑坡预警***", 《岩土力学》, vol. 40, no. 09, pages 3373 - 3386 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111623722B (zh) | 一种基于多传感器的边坡变形立体监测***和方法 | |
US11859365B2 (en) | System for bridge scour multi-source monitoring, monitoring method thereof, and scour depth evaluating method thereof | |
US9196145B2 (en) | Method and system for automated location dependent natural disaster forecast | |
KR101788104B1 (ko) | 극한 강우를 고려한 실시간 산사태 예보 및 경보 시스템 및 방법 | |
Khan et al. | Microwave satellite data for hydrologic modeling in ungauged basins | |
Baart et al. | Using 18th century storm-surge data from the Dutch Coast to improve the confidence in flood-risk estimates | |
Benjamin et al. | Emergent characteristics of rockfall inventories captured at a regional scale | |
CN114611778B (zh) | 一种基于入库流量的水库水位预警方法及*** | |
CN114333249A (zh) | 滑坡预警方法和装置 | |
CN114298549A (zh) | 一种基于大数据的水利安全监测***及方法 | |
CN115116202A (zh) | 一种滑坡灾害预警方法、装置、设备及可读存储介质 | |
Karunarathna et al. | Linkages between sediment composition, wave climate and beach profile variability at multiple timescales | |
CN103197046A (zh) | 泥石流临界土体体积含水率测量方法与泥石流预警方法 | |
CN113566894A (zh) | 基于物联网的地质灾害监测方法、***、终端及介质 | |
CN110398775B (zh) | 隧道突涌水灾害微震事件信号波动初至拾取方法及*** | |
Ceresetti et al. | Multiscale evaluation of extreme rainfall event predictions using severity diagrams | |
CN115100819A (zh) | 基于大数据分析的滑坡灾害预警方法、装置及电子设备 | |
Chen et al. | Analysis of storm surge characteristics based on stochastic process | |
CN116990847B (zh) | 基于边缘计算的北斗gnss接收机解算方法和*** | |
CN112906595A (zh) | 一种基于弹性波的滑坡预测方法及*** | |
CN110796310A (zh) | 一种区域性地质灾害的易发性预测方法和*** | |
CN115146746B (zh) | 基于多源数据融合的区域滑坡灾害识别方法 | |
Anderson et al. | Long-term Shoreline change at Kailua, Hawaii, using regularized single transect | |
CN116978191B (zh) | 一种海洋灾害预测与预警的方法及*** | |
CN115754006B (zh) | 一种基于时间序列排列模式分布的声发射事件检测方法 |
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 |