CN114001703A - 一种滑坡变形数据实时过滤方法 - Google Patents
一种滑坡变形数据实时过滤方法 Download PDFInfo
- Publication number
- CN114001703A CN114001703A CN202111177605.4A CN202111177605A CN114001703A CN 114001703 A CN114001703 A CN 114001703A CN 202111177605 A CN202111177605 A CN 202111177605A CN 114001703 A CN114001703 A CN 114001703A
- Authority
- CN
- China
- Prior art keywords
- time
- deformation
- data
- point
- landslide
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B21/00—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant
- G01B21/32—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant for measuring the deformation in a solid
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Pit Excavations, Shoring, Fill Or Stabilisation Of Slopes (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明提供一种滑坡变形数据实时过滤方法,避免了采用最小二乘法过滤变形数据在处理对于突发型滑坡临滑实时预报时,无法较好地平衡误差剔除和及时识别加速变形,进而导致在实时预报中造成误报或漏报的问题,为滑坡实时预警提供可靠的数据支撑a、通过室内试验和野外现场监测获得的大量变形曲线进行分析,根据原始数据得到变形速率数据波动趋势特点b、确定误差基本特征和波动趋势c、基于实时变形数据的不确定性,采用常规移动平均法、最小二乘法等常用数据过滤方法相结合,研究不同过滤参数变化下变形数据的误差处理效果和临滑预报偏差特征d、利用自主研发的智能监测设备,建立数据识别过滤区,进行变形数据缓冲过滤。
Description
技术领域
本发明涉及针对在突发型滑坡临滑发生时对临滑变形滑坡的数据误差过滤方法。
背景技术
滑坡变形数据的误差过滤平滑是滑坡时间预报的重要前期工作,确保预报结果不因误差产生严重偏差,近年来常用的移动平均法(孟蒙,陈智强,黄达,等.基于H-P滤波法、ARIMA和VAR模型的库区滑坡位移综合预测[J].岩土力学,2016,37(S2):552-560.)、最小二乘法(郭献涛,黄腾,臧妻斌,等. 基于最小二乘三维表面匹配算法的滑坡变形测量[J].岩土力学,2015,36(5):1421-1427.)、Kalman滤波(彭鹏,单治钢,董育烦,等.基于Kalman滤波融合算法的库区滑坡动态变形监测综合信息提取[J].岩石力学与工程学报,2014,33(8):1520-1525.)、神经网络法过滤(翟会君,翟亚锋,朱涛,等.基于回归-ELM神经网络模型的滑坡变形及失稳预测模型[J].河北工业科技,2017,34(6):440-447)等多种变形数据处理方法都能在事后较好地平滑变形数据,但对于突发型滑坡临滑实时预报,由于变形监测设备获取的实时数据具有一定的误差不确定性,在误差过滤中需要实时反映波动究竟是由于滑坡进入临滑加速还是精度误差引起,而单一的过滤方法无法较好地平衡误差剔除和及时识别加速变形,在实时预报中过滤程度较低会造成误报,过滤程度过高则会导致漏报,这一问题对临滑预报的偏差影响极大,缺乏科学有效的临滑时间预报方法,对于人员紧急疏散和应急抢险非常不利。
发明内容
本发明的目的在于克服现有过滤方法的不足,适应现实需要,提供一种滑坡变形数据实时过滤方法,本发明方法避免了采用最小二乘法导致不能实时反映波动究竟是由于滑坡进入临滑加速还是精度误差引起的问题,为滑坡应急处置提供可靠的时间参考。
为了实现本发明的目的,本发明所采用的技术方案为:一种滑坡变形数据实时过滤方法,包括以下步骤:
A、通过室内试验和野外现场监测获得的大量变形曲线进行分析,根据原始数据得到的变形速率数据波动趋势特点;
B、确定误差基本特征和波动趋势;
C、基于实时变形数据的不确定性,采用常规移动平均法、最小二乘法、卡尔曼滤波、样条平滑等常用数据过滤方法相结合,研究不同过滤参数变化下变形数据的误差处理效果和临滑预报偏差特征;
D、利用自主研发的智能监测设备在加速变形阶段可自动加密监测频率的优势,建立数据识别过滤区,进行变形数据缓冲过滤。
优选的,步骤A具体为:步骤A具体为:依次取24个时间段的原始变形速率时间散点图为一个固定时间段长度,每次顺延一个时间点,即1-24,2-25,3-26逐步往后延后一个时间点,避免其他变量的影响,将第一个固定时间段上的散点用最小二乘法拟合成一条直线并求出解析式:y=ax+b。
优选的,步骤C具体为:a、令时间点2即x2,令x=x2代入解析式y=ax+b,求解y2.,得到点(x2,y2);同时,用最小二乘法求出第二个时间段(2-25)上的散点拟合直线解析式y0=a0x0+b0以及该解析式的中点(x中,y中),x中即为第13个时间点(x中=x13);b、将点(x2,y2)与点(x中,y中)连线,并求得该直线解析式y1=a1x1+b1c、在解析式y1=a1x1+b1的基础上求出该直线上的第二个点的坐标(x3,y3),同时,用最小二乘法求出第三个时间段(3-26)上的散点拟合直线解析式y2=a2x2+b2以及该解析式的中点(x中1,y中1).d、将点(x3,y3)与点(x中1,y中1)连线,并求得该直线解析式y3=a3x3+b3;e、重复cd操作。
本发明的有益效果在于:
本发明方法考虑变形误差的特点和突发型滑坡的极短加速变形特征,可通过整合现有误差过滤方法,基于丰富的临滑变形监测数据上,构建更合理的突发型滑坡实时过滤方法,为后续滑坡临滑预报提供支持。
附图说明
图1原始速率变形图;
图2过滤后变形速率图;
图3第一个固定时间段所拟合直线解析式示意图;
图4第二个固定时间段所拟合直线解析式示意图;
图5连点成线示意图;
图6第三个固定时间段所拟合直线解析式示意图;
图7连点成线示意图。
具体实施方式
下面结合附图和实施例对本发明进一步说明:
实施例1:一种滑坡变形数据实时过滤方法,参见图3-图7,包括以下步骤:
a、依次取24个时间段的原始变形速率时间散点图为一个固定时间段长度,每次顺延一个时间点,即1-24,2-25,3-26逐步往后延后一个时间点,即1-24,2-25,3-26逐步往后延后一个时间点,避免其他变量的影响,将第一个固定时间段上的散点用最小二乘法拟合成一条直线并求出解析式:y=ax+b;
b、令时间点2即x2,令x=x2代入解析式y=ax+b,求解y2.,得到点(x2,y2);同时,用最小二乘法求出第二个时间段(2-25)上的散点拟合直线解析式y0=a0x+b0以及该解析式的中点(x中,y中),x中即为第13个时间点(x中=x13);
c、将点(x2,y2)与点(x中,y中)连线,并求得该直线解析式y1=a1x+b1,在解析式y1=a1x1+b1的基础上求出该直线上的第二个点的坐标(x3,y3),同时,用最小二乘法求出第三个时间段(3-26)上的散点拟合直线解析式y2=a2x+b2以及该解析式的中点(x中1,y中1);
d、将点(x3,y3)与点(x中1,y中1)连线,并求得该直线解析式y3=a3x3+b3;
e、重复cd操作。
本发明方法的具体应用如下,可参见图1、图2:
1、党川4#滑坡位于甘肃省永靖县盐锅峡镇黑方台西南侧黄河边,滑源区长300m,宽20m,总滑坡体积约34万m3。自2017年8月底开始,滑坡开始产生变形且变形速率逐渐加快。2017年10月1日凌晨5时许,党川4#滑坡附近连续产生滑动,在滑源区形成了3个凹槽,并在滑坡下方形成了超过300m长的堆积体。其中,监测获取的突发型滑坡变形数据并非光滑曲线,会影响临滑预报的准确性将会出现多个误差点,从而导致多次误报的发生,将会在2017年6月3日、2017年7月5日、2017年8月7日、2017年8月20日等(如图1)多个点产生误报情况,而实际滑坡发生时间2017年10月1日凌晨5点,具有较大的误差预报情况。若采用本发明过滤方法构建可靠的实时变形数据过滤方法,对获取的监测数据进行实时过滤,很好地平衡误差剔除和及时识别加速变形(如图2)。
综上,本发明针对现有数据过滤方法不能体现实时性、预报时间滞后两方面问题,通过本发明过滤方法结合常规移动平均法、卡尔曼滤波、样条平滑等常用数据过滤方法对监测数据进行实时过滤,并平衡和剔除误差数据,构建可靠的实时变形数据过滤方法,保证数据的实时更新和规避数据误差。本发明方法操作简单,避免了无法实时过滤数据和采用计算区域不同导致同一预报方法得到的结果有差异的问题,为滑坡应急处置提供可靠的时间参考。
本发明的实施例公布的是较佳的实施例,但并不局限于此,本领域的普通技术人员,极易根据上述实施例,领会本发明的精神,并做出不同的引申和变化,但只要不脱离本发明的精神,都在本发明的保护范围内。
Claims (3)
1.一种滑坡变形数据实时过滤方法,其特征在于:包括以下步骤:
A、通过室内试验和野外现场监测获得的大量变形曲线进行分析,根据原始数据得到的变形速率数据波动趋势特点;
B、确定误差基本特征和波动趋势;
C、基于实时变形数据的不确定性,采用常规移动平均法、最小二乘法、卡尔曼滤波、样条平滑等常用数据过滤方法相结合,研究不同过滤参数变化下变形数据的误差处理效果和临滑预报偏差特征;
D、利用自主研发的智能监测设备在加速变形阶段可自动加密监测频率的优势,建立数据识别过滤区,进行变形数据缓冲过滤。
2.如权利要求1所述的滑坡变形数据实时过滤方法,其特征在于:步骤A具体为:依次取24个时间段的原始变形速率时间散点图为一个固定时间段长度,每次顺延一个时间点,即1-24,2-25,3-26逐步往后延后一个时间点,避免其他变量的影响,将第一个固定时间段上的散点用最小二乘法拟合成一条直线并求出解析式:y=ax+b。
3.如权利要求1所述的滑坡变形数据实时过滤方法,其特征在于:步骤C具体为:a、令时间点2即x2,令x=x2代入解析式y=ax+b,求解y2,得到点(x2,y2),同时,用最小二乘法求出第二个时间段(2-25)上的散点拟合直线解析式y0=a0x0+b0以及该解析式的中点(x中,y中),x中即为第13个时间点;b、将点(x2,y2)与点(x中,y中)连线,并求得该直线解析式y1=a1x+b1;c、在解析式y1=a1x1+b1的基础上求出该直线上的第二个点的坐标(x3,y3),同时,用最小二乘法求出第三个时间段(3-26)上的散点拟合直线解析式y2=a2x+b2以及该解析式的中点(x中1,y中1);d、将点(x3,y3)与点(x中1,y中1)连线,并求得该直线解析式y3=a3x3+b3;e、重复cd操作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111177605.4A CN114001703B (zh) | 2021-10-09 | 2021-10-09 | 一种滑坡变形数据实时过滤方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111177605.4A CN114001703B (zh) | 2021-10-09 | 2021-10-09 | 一种滑坡变形数据实时过滤方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114001703A true CN114001703A (zh) | 2022-02-01 |
CN114001703B CN114001703B (zh) | 2023-07-28 |
Family
ID=79922415
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111177605.4A Active CN114001703B (zh) | 2021-10-09 | 2021-10-09 | 一种滑坡变形数据实时过滤方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114001703B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117493833A (zh) * | 2023-12-29 | 2024-02-02 | 江西飞尚科技有限公司 | 一种滑坡变形阶段识别方法、***、存储介质及计算机 |
Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2006054745A1 (ja) * | 2004-11-19 | 2006-05-26 | The Yokohama Rubber Co., Ltd. | タイヤ変形量算出方法及びタイヤ変形量算出装置 |
JP2006256503A (ja) * | 2005-03-17 | 2006-09-28 | Yokohama Rubber Co Ltd:The | 車輪浮き上がり状態判定装置、車両転覆回避装置、車両耐転覆性評価装置、車輪浮き上がり状態判定方法、車両転覆回避方法、および車両耐転覆性評価方法 |
JP2007139522A (ja) * | 2005-11-16 | 2007-06-07 | Toyota Motor Corp | 荷重変位算出装置および荷重変位算出方法 |
WO2011016857A2 (en) * | 2009-08-05 | 2011-02-10 | Elliott James C | Equipment and system for structure inspection and monitoring |
WO2014176698A1 (en) * | 2013-05-02 | 2014-11-06 | 059312 N.B. Inc. | Cyclical sensor array |
US20150299966A1 (en) * | 2012-11-14 | 2015-10-22 | Pfeifer Holding Gmbh & Co. Kg | Tearing brake |
CN105627978A (zh) * | 2016-01-27 | 2016-06-01 | 中国铁道科学研究院电子计算技术研究所 | 一种雨季滑坡变形监测方法及*** |
CN106595563A (zh) * | 2016-12-13 | 2017-04-26 | 青岛理工大学 | 一种滑坡变形滑移周期显著性参数的测定方法 |
CN108010280A (zh) * | 2017-12-26 | 2018-05-08 | 成都理工大学 | 一种突发性黄土滑坡预警方法及其应用 |
CN109885977A (zh) * | 2019-03-25 | 2019-06-14 | 成都理工大学 | 一种岸坡变形预测方法 |
CN109935054A (zh) * | 2019-04-25 | 2019-06-25 | 成都星感智联科技有限公司 | 一种滑坡短期时间预报方法 |
CN110378070A (zh) * | 2019-08-05 | 2019-10-25 | 成都理工大学 | 基于pso-svr与des联合的滑坡位移预测方法 |
CN111474544A (zh) * | 2020-03-04 | 2020-07-31 | 广东明源勘测设计有限公司 | 一种基于sar数据的滑坡形变监测及预警方法 |
CN111882829A (zh) * | 2020-07-28 | 2020-11-03 | 成都理工大学 | 一种改进的滑坡临滑时间预报方法 |
WO2020224112A1 (zh) * | 2019-05-07 | 2020-11-12 | 深圳大学 | 一种基于训练级数模型的时间序列预测方法 |
CN213240507U (zh) * | 2020-08-27 | 2021-05-18 | 四川轻化工大学 | 一种滑坡深部大位移自适应监测装置 |
WO2021184541A1 (zh) * | 2020-03-20 | 2021-09-23 | 湖南联智科技股份有限公司 | 一种北斗变形监测中多路径误差的削弱方法 |
-
2021
- 2021-10-09 CN CN202111177605.4A patent/CN114001703B/zh active Active
Patent Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2006054745A1 (ja) * | 2004-11-19 | 2006-05-26 | The Yokohama Rubber Co., Ltd. | タイヤ変形量算出方法及びタイヤ変形量算出装置 |
JP2006256503A (ja) * | 2005-03-17 | 2006-09-28 | Yokohama Rubber Co Ltd:The | 車輪浮き上がり状態判定装置、車両転覆回避装置、車両耐転覆性評価装置、車輪浮き上がり状態判定方法、車両転覆回避方法、および車両耐転覆性評価方法 |
JP2007139522A (ja) * | 2005-11-16 | 2007-06-07 | Toyota Motor Corp | 荷重変位算出装置および荷重変位算出方法 |
WO2011016857A2 (en) * | 2009-08-05 | 2011-02-10 | Elliott James C | Equipment and system for structure inspection and monitoring |
US20150299966A1 (en) * | 2012-11-14 | 2015-10-22 | Pfeifer Holding Gmbh & Co. Kg | Tearing brake |
WO2014176698A1 (en) * | 2013-05-02 | 2014-11-06 | 059312 N.B. Inc. | Cyclical sensor array |
CN105627978A (zh) * | 2016-01-27 | 2016-06-01 | 中国铁道科学研究院电子计算技术研究所 | 一种雨季滑坡变形监测方法及*** |
CN106595563A (zh) * | 2016-12-13 | 2017-04-26 | 青岛理工大学 | 一种滑坡变形滑移周期显著性参数的测定方法 |
CN108010280A (zh) * | 2017-12-26 | 2018-05-08 | 成都理工大学 | 一种突发性黄土滑坡预警方法及其应用 |
CN109885977A (zh) * | 2019-03-25 | 2019-06-14 | 成都理工大学 | 一种岸坡变形预测方法 |
CN109935054A (zh) * | 2019-04-25 | 2019-06-25 | 成都星感智联科技有限公司 | 一种滑坡短期时间预报方法 |
WO2020224112A1 (zh) * | 2019-05-07 | 2020-11-12 | 深圳大学 | 一种基于训练级数模型的时间序列预测方法 |
CN110378070A (zh) * | 2019-08-05 | 2019-10-25 | 成都理工大学 | 基于pso-svr与des联合的滑坡位移预测方法 |
CN111474544A (zh) * | 2020-03-04 | 2020-07-31 | 广东明源勘测设计有限公司 | 一种基于sar数据的滑坡形变监测及预警方法 |
WO2021184541A1 (zh) * | 2020-03-20 | 2021-09-23 | 湖南联智科技股份有限公司 | 一种北斗变形监测中多路径误差的削弱方法 |
CN111882829A (zh) * | 2020-07-28 | 2020-11-03 | 成都理工大学 | 一种改进的滑坡临滑时间预报方法 |
CN213240507U (zh) * | 2020-08-27 | 2021-05-18 | 四川轻化工大学 | 一种滑坡深部大位移自适应监测装置 |
Non-Patent Citations (3)
Title |
---|
KREŠIMIR FRANKIĆ: "Analiza deformacij s helmertovo transformacijo : Deformation analysis with the helmert transformation", 《GEODETSKI VESTNIK》, vol. 56, no. 1, pages 27 - 40 * |
亓星: "滑坡变形监测数据的实时过滤方法及应用", 《水利水电技术(中英文)》, vol. 53, no. 7, pages 129 - 138 * |
闫怡秋: "基于SBAS-InSAR技术的西藏雄巴古滑坡变形特征", 《地质学报》, vol. 95, no. 11, pages 3556 - 3570 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117493833A (zh) * | 2023-12-29 | 2024-02-02 | 江西飞尚科技有限公司 | 一种滑坡变形阶段识别方法、***、存储介质及计算机 |
CN117493833B (zh) * | 2023-12-29 | 2024-04-09 | 江西飞尚科技有限公司 | 一种滑坡变形阶段识别方法、***、存储介质及计算机 |
Also Published As
Publication number | Publication date |
---|---|
CN114001703B (zh) | 2023-07-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105834835A (zh) | 一种基于多尺度主元分析的刀具磨损在线监测方法 | |
CN102788696B (zh) | 基于改进bp神经网络和模糊集理论的轴承健康度评价方法 | |
CN109000876B (zh) | 基于自动编码器深度学习的sns光纤冲击识别方法 | |
CN107038167A (zh) | 基于模型评估的大数据挖掘分析***及其分析方法 | |
CN111275255A (zh) | 一种混凝土坝变形监测预报模型的构建方法 | |
CN114063153B (zh) | 一种自动反演震源机制解的方法与装置 | |
DE102005031386A1 (de) | Verfahren zur Evaluierung von Kontaktcharakteristika und Computerprodukt | |
CN104881567A (zh) | 一种基于统计模型的桥梁健康监测数据小波降噪方法 | |
CN114001703A (zh) | 一种滑坡变形数据实时过滤方法 | |
CN112231971B (zh) | 基于相对整体趋势扩散故障样本生成的高炉故障诊断方法 | |
CN107316350B (zh) | 一种基于定位***的考勤作弊行为检测方法 | |
CN112434962A (zh) | 基于电力负荷数据的企业用户状态评估方法和*** | |
CN115392284A (zh) | 一种基于机器学习的场地微振动振源识别方法 | |
CN108509601A (zh) | 一种基于大数据分析的食品风味评定方法 | |
CN110398775B (zh) | 隧道突涌水灾害微震事件信号波动初至拾取方法及*** | |
CN115741235A (zh) | 基于五轴加工中心刀具的磨损预测与健康管理方法 | |
CN114611745A (zh) | 机床评估方法、机床评估***及介质 | |
CN114871850A (zh) | 一种基于振动信号和bp神经网络的刀具磨损状态评估方法 | |
CN113641733B (zh) | 一种河道断面流量实时智能推求方法 | |
CN105569639A (zh) | 一种基于地面示功图计算油井动液面的方法 | |
CN109670695B (zh) | 基于离群数据挖掘的机械产品加工工序异常并行检测方法 | |
Snee | Crucial considerations in monitoring process performance and product quality | |
CN116703254B (zh) | 模具机械零部件生产信息管理*** | |
CN115310499B (zh) | 一种基于数据融合的工业设备故障诊断***及方法 | |
CN109887253B (zh) | 石油化工装置报警的关联分析方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |