CN114821976A - 一种多要素岩溶塌陷的智能预报*** - Google Patents

一种多要素岩溶塌陷的智能预报*** Download PDF

Info

Publication number
CN114821976A
CN114821976A CN202210720819.XA CN202210720819A CN114821976A CN 114821976 A CN114821976 A CN 114821976A CN 202210720819 A CN202210720819 A CN 202210720819A CN 114821976 A CN114821976 A CN 114821976A
Authority
CN
China
Prior art keywords
module
output
karst collapse
data
factor
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
Application number
CN202210720819.XA
Other languages
English (en)
Other versions
CN114821976B (zh
Inventor
张云峰
赵志强
高文锋
张莉莉
李海翔
姜琦
杨元
姚文静
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
No 801 Hydrogeological Engineering Geology Brigade of Shandong Bureau of Geology and Mineral Resources
Original Assignee
No 801 Hydrogeological Engineering Geology Brigade of Shandong Bureau of Geology and Mineral Resources
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by No 801 Hydrogeological Engineering Geology Brigade of Shandong Bureau of Geology and Mineral Resources filed Critical No 801 Hydrogeological Engineering Geology Brigade of Shandong Bureau of Geology and Mineral Resources
Priority to CN202210720819.XA priority Critical patent/CN114821976B/zh
Publication of CN114821976A publication Critical patent/CN114821976A/zh
Application granted granted Critical
Publication of CN114821976B publication Critical patent/CN114821976B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/02—Alarms for ensuring the safety of persons
    • G08B21/10—Alarms for ensuring the safety of persons responsive to calamitous events, e.g. tornados or earthquakes
    • 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
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G06F18/24155—Bayesian classification
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B31/00—Predictive alarm systems characterised by extrapolation or other computation using updated historic data

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Business, Economics & Management (AREA)
  • Emergency Management (AREA)
  • Environmental & Geological Engineering (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Geology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computing Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开一种多要素岩溶塌陷的智能预报***，涉及测量、控制技术领域，包括多要素融合模块、数据降维模块、搜索模块、贝叶斯分类器、预报诊断模块和预警输出模块，多要素融合模块的输入端通过数据接口与基础因素数据库、诱发因素数据库、覆盖层数据库、动力条件数据库或者酸碱液溶蚀数据库的输出端连接，多要素融合模块的输出端与数据降维模块的输入端连接，所述数据降维模块的输出端与搜索模块的输入端连接，所述搜索模块的输出端与贝叶斯分类器的输入端连接，贝叶斯分类器的输出端与预报诊断模块的输入端连接，预报诊断模块的输出端与预警输出模块的输入端连接。本发明大大提高了不同地质数据信息分析能力。

Description

一种多要素岩溶塌陷的智能预报***
技术领域
本发明涉及测量、控制技术领域，且更确切地涉及一种多要素岩溶塌陷的智能预报***。
背景技术
岩溶塌陷（karst collapse）是岩溶洞穴、上覆沉积物及地下水，构成固体、液体及气体三相力学平衡体系，地下水位变动达到一定幅度，平衡破坏，上覆松散沉积物突然塌落，形成上大下小的圆锥形塌陷坑。岩溶地面塌陷是地面变形破坏的主要类型，多发生于碳酸盐岩、钙质碎屑岩和盐岩等可溶性岩石分布地区。激发塌陷活动的直接诱因除降雨、洪水、干旱、地震等自然因素外，往往与抽水、排水、蓄水和其他工程活动等人为因素密切相关，而后者往往规模大、突发性强、危害也就大。岩溶地面塌陷发现于碳酸盐岩分布区，其形成受到环境和人类活动的双重影响。
造成岩溶塌陷的因素有很多，除可溶岩岩性和岩溶类型外，碳酸盐岩的岩溶发育程度和岩溶洞穴的开启程度是决定岩溶塌陷的直接因素。从岩溶塌陷形成机理看，可溶岩洞隙一方面造成岩体结构的不完整，形成局部不稳定地带，另一方面为容纳溶蚀陷落物质和地下水的强烈活动提供了充分条件。除此，还与覆盖层厚度、结构、性质、地下水活动、水动力条件、天然地震和人为振动、附加荷载以及废液导致的酸碱液溶蚀活动等多种活动有关系。
如何实现多种要素因素分析和智能预警就成亟待解决的技术问题，现有技术中对岩溶坍塌的预警多进行人工分析和经验学分析，虽然在一定程度上也具有预警功能，但在造成多因素分析中，如何快速从不同因素中分析出具体因素以及如何实现智能预警的分类仍未提及。
发明内容
针对上述技术的不足，本发明公开一种多要素岩溶塌陷的智能预报***，能够对造成岩溶坍塌的多种因素中快速找出具体化原因，并能够对不同的因素进行智能分类与预警。
为了实现上述技术效果，本发明采用以下技术方案：一种多要素岩溶塌陷的智能预报***：其中包括：
多要素融合模块；作为造成岩溶塌陷多种因素的集合，包括基础因素数据库、诱发因素数据库、覆盖层数据库、动力条件数据库和酸碱液溶蚀数据库；所述多要素融合模块连接数据接口与数据降维模块；
数据降维模块；用于将多要素融合模块中多种格式的数据信息以及高纬度数据信息转化为低纬度数据信息，便于后期数据信息的应用；
搜索模块，用于在岩溶塌陷多要素中搜索数据因素，通过混沌差分进化算法模型提高岩溶塌陷多要素检索的能力；
贝叶斯分类器；用于将检索出的岩溶塌陷多要素数据信息分类，以输出最高概率的岩溶塌陷事件；
预报诊断模块，用于将分类后的岩溶塌陷多要素数据信息进行诊断输出，以满足预报或者预警的作用；
预警输出模块，将诊断输出的分类后的岩溶塌陷多要素数据信息输出，并通过可视化显示模块实现数据输出或者通过远端监控模块实现远端监控；其中：
所述多要素融合模块的输入端通过数据接口与基础因素数据库、诱发因素数据库、覆盖层数据库、动力条件数据库或者酸碱液溶蚀数据库的输出端连接，所述多要素融合模块的输出端与数据降维模块的输入端连接，所述数据降维模块的输出端与搜索模块的输入端连接，所述搜索模块的输出端与贝叶斯分类器的输入端连接，所述贝叶斯分类器的输出端与预报诊断模块的输入端连接，所述预报诊断模块的输出端与预警输出模块的输入端连接，所述预警输出模块的输出端与可视化显示模块或者远端监控模块的输入端连接。
作为本发明进一步的技术方案，多要素融合模块中的数据信息至少包括基础因素或者诱发因素。
作为本发明进一步的技术方案，数据降维模块为随机森林降维模块。
作为本发明进一步的技术方案，所述搜索模块包括种群设置模块、编码模块、迭代计算模块、适应度计算模块、索引模块、变异模块和交叉计算模块，其中种群设置模块的输出端与编码模块的输入端连接，所述编码模块的输出端分别与迭代计算模块和适应度计算模块的输入端连接，所述迭代计算模块和适应度计算模块的输出端与索引模块的输入端连接，所述索引模块的输出端分别与变异模块和交叉计算模块的输入端连接，其中所述迭代计算模块还与适应度计算模块连接，所述变异模块与交叉计算模块连接。
作为本发明进一步的技术方案，所述搜索模块实现搜索的方法通过以下步骤进行：
步骤一、通过种群设置模块设置覆盖层厚度、结构、性质、土洞陷落、覆盖层砂性土质、夹砂砾石、地下水活动、溶蚀、搬运、水动力条件、降雨、水库蓄水、井下充水、灌溉渗漏以及严重干旱、井下排水、高强度抽水、天然地震、人为振动、附加荷载或者废液导致的酸碱液溶蚀活动数据信息；不同数据信息通过数字编制的方式实现信息编码；
步骤二、通过迭代计算模块和适应度计算模块计算迭代次数和适应度，其中缩放 因子设置为F, 交叉因子设置为CR，迭代计算的最大迭代次数设置为
Figure 708924DEST_PATH_IMAGE001
，混沌差分进化算 法模型在应用过程中的全局搜索次数设置为
Figure 473093DEST_PATH_IMAGE002
；多种并行计算的节点下岩溶塌陷数据分析 输出种群设置模块设置种群规模为NP，种群设置模块输出函数为：
Figure 188108DEST_PATH_IMAGE003
（1）
公式（1）中，
Figure 370959DEST_PATH_IMAGE004
表示种群设置模块输出函数，
Figure 730396DEST_PATH_IMAGE005
中的
Figure 855347DEST_PATH_IMAGE006
表示造成岩溶塌陷 因素中最佳检索函数，
Figure 933024DEST_PATH_IMAGE007
中的
Figure 450725DEST_PATH_IMAGE008
为不同节点下岩溶塌陷数据分析输出的变量值，
Figure 930247DEST_PATH_IMAGE009
为岩溶坍塌多要素计算中发生概率最大的点，
Figure 226100DEST_PATH_IMAGE010
为岩溶坍塌多要素计算中发生概率最 小的点，
Figure 666439DEST_PATH_IMAGE011
为0和1之间用户设置的随机数；
步骤三、通过适应度计算模块计算种群的适应度，计算函数输出为：
Figure 846885DEST_PATH_IMAGE012
（2）
公式（2）中，
Figure 39969DEST_PATH_IMAGE013
表示为检索出的最佳适应度值；
Figure 647668DEST_PATH_IMAGE014
表示检索出的最佳适应度 函数；
在并行计算过程中，由于适应度计算过程中具有的数据节点下岩溶塌陷数据信息量难以查找，通过索引公式提高检索能力，索引公式为：
Figure 306795DEST_PATH_IMAGE015
（3）
公式（3）中，
Figure 149986DEST_PATH_IMAGE016
表示造成岩溶塌陷因素中最佳检索函数；
步骤四、通过变异模块对计算过程中的不同岩溶塌陷因素节点下岩溶塌陷数据分析输出信息进行计算，变异公式为：
Figure 604101DEST_PATH_IMAGE017
（4）
公式（4）中，V i （t+1）表示变异函数；V i （t+1）中的i表示造成岩溶塌陷因素中最佳检 索函数，
Figure 258067DEST_PATH_IMAGE018
、
Figure 532054DEST_PATH_IMAGE019
、
Figure 178936DEST_PATH_IMAGE020
表示为岩溶塌陷因素分析计算过程中混沌差分进化算法模型输出的参数 数据量，
Figure 487557DEST_PATH_IMAGE021
、
Figure 46846DEST_PATH_IMAGE022
和
Figure 932762DEST_PATH_IMAGE023
均表示任意一个岩溶塌陷因素分析节点下岩溶塌陷数据分 析输出的并行计算数据量；t表示计算数据量的时间；F表示缩放因子；
步骤五、通过交叉计算模块实现岩溶塌陷因素分析计算过程中的不同因素计算信息额变异操作，输出上述数据信息后，为了提高数据计算的纯度，需要进行交叉计算，公式可以为：
Figure 258701DEST_PATH_IMAGE024
（5）
公式（5）中，
Figure 31616DEST_PATH_IMAGE025
表示岩溶塌陷因素分析计算过程中，岩溶塌陷因素节点下岩 溶塌陷数据分析输出的参数的变异输出，
Figure 152019DEST_PATH_IMAGE026
表示0和1之间用户设置的随机数
Figure 790811DEST_PATH_IMAGE027
表 示岩溶塌陷数据不同节点输出函数；
Figure 654862DEST_PATH_IMAGE028
表示交叉计算模块计算变异操作的频率；CR表 示交叉因子；
Figure 279354DEST_PATH_IMAGE029
表示存在岩溶塌陷因素中最佳检索函数时，并且不同节点下的适应 度函数输出；
将该输出值与输出的适应度进行比较，比较函数为：
Figure 960871DEST_PATH_IMAGE030
（6）
公式（6）中，（2）是在（1）成立的条件下进行，(4)在（3）的条件下进行，这个过程中， 通过不同的节点下岩溶塌陷数据分析输出数据信息对比，最终实现最优个体的输出，当迭 代计算达到最大值时则停止迭代计算，进而输出不同节点下岩溶塌陷数据分析输出最佳适 应度
Figure 696745DEST_PATH_IMAGE031
；其中
Figure 239853DEST_PATH_IMAGE032
表示第一次计算输出时的适应度函数，
Figure 846415DEST_PATH_IMAGE033
表示存在岩溶塌陷因素 中最佳检索函数时的适应度函数输出；在
Figure 698834DEST_PATH_IMAGE034
成立时，同时满足
Figure 922005DEST_PATH_IMAGE035
、
Figure 737645DEST_PATH_IMAGE036
和
Figure 854505DEST_PATH_IMAGE037
。
作为本发明进一步的技术方案，贝叶斯分类器为级联分类器，以提高分类器精度。
作为本发明进一步的技术方案，贝叶斯分类器实现分类的方法为：构建贝叶斯分类函数，函数表示为：
Figure 487612DEST_PATH_IMAGE038
（7）
公式（7）中，所有岩溶塌陷因素类别的P(x)设置为常数，获得并筛选
Figure 807866DEST_PATH_IMAGE039
为 最大概率值的岩溶塌陷因素类别，
Figure 676465DEST_PATH_IMAGE040
表示岩溶塌陷因素信息，
Figure 788778DEST_PATH_IMAGE041
表示发生故 障类型C k 的概率函数；概率输出函数为：
Figure 465222DEST_PATH_IMAGE042
（8）
公式（8）中，k=1,2,···,m，k为混沌差分进化算法模型在应用过程中的全局搜索次数设置；N表示所有岩溶塌陷发生因素训练样本的总数，Nc表示所有岩溶塌陷发生因素训练样本中发生类型C k 的样本数。
朴素贝叶斯网络x 1,x 2,···,x n 的每个属性在条件上相互独立，仅与发生岩溶塌陷类型C相关，则概率函数输出为：
Figure 397406DEST_PATH_IMAGE043
（9）
公式（9）中，x 1,x 2,···, x n表示岩溶塌陷因素信息，则概率P(x i |C k )计算公式为：
Figure 804116DEST_PATH_IMAGE044
（10）
公式（10）中，
Figure 646302DEST_PATH_IMAGE045
表示训练岩溶塌陷样本P(C k )时同时满足岩溶塌陷发生因素特征 C k 和条件属性x i 的样本数。
作为本发明进一步的技术方案，预报诊断模块通过不确定性矩阵函数实现岩溶塌陷数据监测。
作为本发明进一步的技术方案，不确定性矩阵函数实施方法为：
首先构建不确定性矩阵理论的数学模型：
Figure 621211DEST_PATH_IMAGE046
（11）
公式（11）中，C表示不确定性矩阵理论的数学模型总矩阵，C1和C2示均表示不确定性矩阵理论模型中的部分矩阵，J表示行数量，N表示列数量；K表示岩溶塌陷的因素；其中：
Figure 165325DEST_PATH_IMAGE047
（12）
公式（12）中，C1中的{D1,D2,D3,…,DJ}表示造成岩溶塌陷状态的因素构成数据集合，D1表示其中的因素之一，下角标为序号，设岩溶塌陷的因素有J种， N表示覆盖层厚度、结构、性质、土洞陷落、覆盖层砂性土质、夹砂砾石、地下水活动、溶蚀、搬运、水动力条件、降雨、水库蓄水、井下充水、灌溉渗漏以及严重干旱、井下排水、高强度抽水、天然地震、人为振动、附加荷载或者废液导致的酸碱液溶蚀活动数据信息中的数据数量；
Figure 516672DEST_PATH_IMAGE048
（13）
公式（13）中，C2中的{L1,L2,L3,…,LK}表示造成岩溶塌陷状态的因素构成数据集 合，K表示其中的因素之一，设岩溶塌陷的因素有K种，N表示岩溶塌陷的因素中的个数，
Figure 213363DEST_PATH_IMAGE049
表示第K个溶塌陷的因素和第N个塌陷的因素中的个数构成的数据信息。
本发明有益的积极效果在于：
区别于常规技术，本发明通过多要素融合模块实现造成岩溶塌陷多种因素的集合和融合，通过数据降维模块将多要素融合模块中多种格式的数据信息以及高纬度数据信息转化为低纬度数据信息，便于后期数据信息的应用，通过搜索模块在岩溶塌陷多要素中搜索数据因素，通过混沌差分进化算法模型提高岩溶塌陷多要素检索的能力。通过贝叶斯分类器将检索出的岩溶塌陷多要素数据信息分类，以输出最高概率的岩溶塌陷事件；通过预报诊断模块将分类后的岩溶塌陷多要素数据信息进行诊断输出，以满足预报或者预警的作用；通过预警输出模块将诊断输出的分类后的岩溶塌陷多要素数据信息输出，并通过可视化显示模块实现数据输出或者通过远端监控模块实现远端监控。本发明能够在覆盖层厚度、结构、性质、土洞陷落、覆盖层砂性土质、夹砂砾石、地下水活动、溶蚀、搬运、水动力条件、降雨、水库蓄水、井下充水、灌溉渗漏以及严重干旱、井下排水、高强度抽水、天然地震、人为振动、附加荷载、废液导致的酸碱液溶蚀活动等诸多数据信息分析出造成岩溶塌陷的各种问题分析，提高智能化分析能力。
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一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图，其中：
图1为本发明***整体架构示意图；
图2为本发明中搜索模块的结构示意图；
图3为本发明中搜索模块搜索方法示意图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的实施例仅用于说明和解释本发明，并不用于限定本发明。
如图1-图3所示，一种多要素岩溶塌陷的智能预报***：包括：
多要素融合模块；作为造成岩溶塌陷多种因素的集合，包括基础因素数据库、诱发因素数据库、覆盖层数据库、动力条件数据库和酸碱液溶蚀数据库；所述多要素融合模块连接数据接口与数据降维模块；
数据降维模块；用于将多要素融合模块中多种格式的数据信息以及高纬度数据信息转化为低纬度数据信息，便于后期数据信息的应用；
搜索模块，用于在岩溶塌陷多要素中搜索数据因素，通过混沌差分进化算法模型提高岩溶塌陷多要素检索的能力；
贝叶斯分类器；用于将检索出的岩溶塌陷多要素数据信息分类，以输出最高概率的岩溶塌陷事件；
预报诊断模块，用于将分类后的岩溶塌陷多要素数据信息进行诊断输出，以满足预报或者预警的作用；
预警输出模块，将诊断输出的分类后的岩溶塌陷多要素数据信息输出，并通过可视化显示模块实现数据输出或者通过远端监控模块实现远端监控；其中：
所述多要素融合模块的输入端通过数据接口与基础因素数据库、诱发因素数据库、覆盖层数据库、动力条件数据库或者酸碱液溶蚀数据库的输出端连接，所述多要素融合模块的输出端与数据降维模块的输入端连接，所述数据降维模块的输出端与搜索模块的输入端连接，所述搜索模块的输出端与贝叶斯分类器的输入端连接，所述贝叶斯分类器的输出端与预报诊断模块的输入端连接，所述预报诊断模块的输出端与预警输出模块的输入端连接，所述预警输出模块的输出端与可视化显示模块或者远端监控模块的输入端连接。
本发明通过构建多要素融合模块、数据降维模块、搜索模块、贝叶斯分类器、预报诊断模块和预警输出模块能够实现岩溶塌陷的多要素分析，通过训练多要素参数，能够将岩溶塌陷因素转换为数据分析，提高了分析能力。
在上述实施例中，多要素融合模块中的数据信息至少包括基础因素或者诱发因素。
在具体实施例中，基础因素中包括覆盖层厚度、结构、性质、土洞陷落、覆盖层砂性土质、夹砂砾石、地下水活动、溶蚀、搬运、水动力条件、降雨、水库蓄水、井下充水、灌溉渗漏以及严重干旱、井下排水、高强度抽水、天然地震、人为振动、附加荷载、废液导致的酸碱液溶蚀活动等数据信息。
在上述实施例中，数据降维模块为随机森林降维模块。
在具体实施例中，数据降维模块能够降低模型的计算量并减少模型运行时间或者降低噪音变量信息，能够通过可视化方式展示归约后的维度信息并减少数据存储空间。组合决策树通常又被称为随机森林，它在进行特征选择与构建有效的分类器时非常有用。一种常用的降维方法是对目标属性产生许多巨大的树，然后根据对每个属性的统计结果找到信息量最大的特征子集。例如，对一个非常巨大的数据集生成树，每颗树只训练一小部分属性。如果一个属性经常成为最佳***属性，那么它很有可能是需要保留的信息特征。对随机森林数据属性的统计评分会揭示与其它属性相比，以确定最佳的预测属性。
在上述实施例中，所述搜索模块包括种群设置模块、编码模块、迭代计算模块、适应度计算模块、索引模块、变异模块和交叉计算模块，其中种群设置模块的输出端与编码模块的输入端连接，所述编码模块的输出端分别与迭代计算模块和适应度计算模块的输入端连接，所述迭代计算模块和适应度计算模块的输出端与索引模块的输入端连接，所述索引模块的输出端分别与变异模块和交叉计算模块的输入端连接，其中所述迭代计算模块还与适应度计算模块连接，所述变异模块与交叉计算模块连接。
在上述实施例中，混沌差分进化算法是将局部寻优能力强的混沌优化细搜索与全局寻优强的差分进化算法相结合形成的算法。它克服了原差分进化过快收敛而提前终止迭代的缺陷，同时算法收敛到最优解的速度和寻得最优值的精度得到保留。改进的混沌差分进化算法主要是对原算法各个参数选值进行智能控制，并加入精度控制因子，它不仅保留了原混沌差分进化算法的优越性，而且智能地减少了对可变参量的操作，使得实际使用起来更加便捷。
在具体实施例中，改进型混沌差分进化算法利用了朴素贝叶斯网络，该模型的每个属性在条件上相互独立，能够提高沌差分进化算法的分类能力，提高了数据分析能力。在本发明中是一种形式的改进点，用此改进的算法求解几类特殊的标准测试函数，寻优效果更优而耗费的时间又是十分适中的。将改进的混沌差分进化算法应用在复杂的组合优化问题上，寻优效果还是很好的。针对实际处理的问题多为多目标约束问题，对算法迭代中的每个可行解个体增加约束条件的判断。不满足约束条件的个体反复重新在可行域内生成，直到满足所有约束条件为止，提高数据检索能力。
在上述实施例中，所述搜索模块实现搜索的方法通过以下步骤进行：
步骤一、通过种群设置模块设置覆盖层厚度、结构、性质、土洞陷落、覆盖层砂性土质、夹砂砾石、地下水活动、溶蚀、搬运、水动力条件、降雨、水库蓄水、井下充水、灌溉渗漏以及严重干旱、井下排水、高强度抽水、天然地震、人为振动、附加荷载或者废液导致的酸碱液溶蚀活动数据信息；不同数据信息通过数字编制的方式实现信息编码；
步骤二、通过迭代计算模块和适应度计算模块计算迭代次数和适应度，其中缩放 因子设置为F, 交叉因子设置为CR，迭代计算的最大迭代次数设置为
Figure 483808DEST_PATH_IMAGE050
，混沌差分进化算 法模型在应用过程中的全局搜索次数设置为
Figure 390584DEST_PATH_IMAGE051
；多种并行计算的节点下岩溶塌陷数据分析 输出种群设置模块设置种群规模为NP，种群设置模块输出函数为：
Figure 155409DEST_PATH_IMAGE052
（1）
公式（1）中，
Figure 96820DEST_PATH_IMAGE053
表示种群设置模块输出函数，
Figure 272586DEST_PATH_IMAGE054
中的
Figure 666658DEST_PATH_IMAGE006
表示造成岩溶塌陷 因素中最佳检索函数，
Figure 232244DEST_PATH_IMAGE055
中的
Figure 28162DEST_PATH_IMAGE008
为不同节点下岩溶塌陷数据分析输出的变量值，
Figure 640409DEST_PATH_IMAGE056
为岩溶坍塌多要素计算中发生概率最大的点，
Figure 397144DEST_PATH_IMAGE010
为岩溶坍塌多要素计算中发生概率最 小的点，
Figure 628405DEST_PATH_IMAGE011
为0和1之间用户设置的随机数；
步骤三、通过适应度计算模块计算种群的适应度，计算函数输出为：
Figure 137884DEST_PATH_IMAGE057
（2）
公式（2）中，
Figure 61977DEST_PATH_IMAGE013
表示为检索出的最佳适应度值；
Figure 306008DEST_PATH_IMAGE014
表示检索出的最佳适应度 函数；
在并行计算过程中，由于适应度计算过程中具有的数据节点下岩溶塌陷数据信息量难以查找，通过索引公式提高检索能力，索引公式为：
Figure 340960DEST_PATH_IMAGE058
（3）
公式（3）中，
Figure 704945DEST_PATH_IMAGE016
表示造成岩溶塌陷因素中最佳检索函数；
步骤四、通过变异模块对计算过程中的不同岩溶塌陷因素节点下岩溶塌陷数据分析输出信息进行计算，变异公式为：
Figure 675306DEST_PATH_IMAGE059
（4）
公式（4）中，V i （t+1）表示变异函数；V i （t+1）中的i表示造成岩溶塌陷因素中最佳检 索函数，
Figure 265688DEST_PATH_IMAGE060
、
Figure 963385DEST_PATH_IMAGE061
、
Figure 588402DEST_PATH_IMAGE062
表示为岩溶塌陷因素分析计算过程中混沌差分进化算法模型输出的参 数数据量，
Figure 484593DEST_PATH_IMAGE021
、
Figure 686904DEST_PATH_IMAGE022
和
Figure 329238DEST_PATH_IMAGE063
均表示任意一个岩溶塌陷因素分析节点下岩溶塌陷数据 分析输出的并行计算数据量；t表示计算数据量的时间；F表示缩放因子；
步骤五、通过交叉计算模块实现岩溶塌陷因素分析计算过程中的不同因素计算信息额变异操作，输出上述数据信息后，为了提高数据计算的纯度，需要进行交叉计算，公式可以为：
Figure 684127DEST_PATH_IMAGE064
（5）
公式（5）中，
Figure 120925DEST_PATH_IMAGE025
表示岩溶塌陷因素分析计算过程中，岩溶塌陷因素节点下岩 溶塌陷数据分析输出的参数的变异输出，
Figure 544953DEST_PATH_IMAGE026
表示0和1之间用户设置的随机数
Figure 459819DEST_PATH_IMAGE027
表 示岩溶塌陷数据不同节点输出函数；
Figure 934794DEST_PATH_IMAGE028
表示交叉计算模块计算变异操作的频率；CR表 示交叉因子；
Figure 542493DEST_PATH_IMAGE029
表示存在岩溶塌陷因素中最佳检索函数时，并且不同节点下的适应 度函数输出；
将该输出值与输出的适应度进行比较，比较函数为：
Figure 453817DEST_PATH_IMAGE065
（6）
公式（6）中，（2）是在（1）成立的条件下进行，(4)在（3）的条件下进行，这个过程中， 通过不同的节点下岩溶塌陷数据分析输出数据信息对比，最终实现最优个体的输出，当迭 代计算达到最大值时则停止迭代计算，进而输出不同节点下岩溶塌陷数据分析输出最佳适 应度
Figure 47740DEST_PATH_IMAGE031
；其中
Figure 501856DEST_PATH_IMAGE032
表示第一次计算输出时的适应度函数，
Figure 405089DEST_PATH_IMAGE033
表示存在岩溶塌陷因素 中最佳检索函数时的适应度函数输出；在
Figure 679076DEST_PATH_IMAGE034
成立时，同时满足
Figure 73761DEST_PATH_IMAGE035
、
Figure 382382DEST_PATH_IMAGE036
和
Figure 456518DEST_PATH_IMAGE037
。
通过岩溶塌陷因素分析计算，能够将所有的计算工作放到HANA数据库层计算，大大减少数据在数据库和应用服务器的传输能耗，计算后的结果能够直接在上层管理中心应用。该申请的方法能够最大化地利用所有能够使用的计算资源，从而达到负载均衡，支持更多的并发访问来提升***的整体处理效率。
在上述实施例中，贝叶斯分类器为级联分类器，以提高分类器精度。
在上述实施例中，贝叶斯分类器实现分类的方法为：
假设朴素贝叶斯分类器的属性变量之间的条件是独立的，每个属性节点下岩溶塌陷数据分析输出只与类节点下岩溶塌陷数据分析输出C相关。由于检索次数的减少，建立贝叶斯网络模型的复杂度呈指数级降低，构建贝叶斯分类函数，函数表示为：
Figure 827587DEST_PATH_IMAGE066
（7）
公式（7）中，所有岩溶塌陷因素类别的P(x)设置为常数，获得并筛选
Figure 153526DEST_PATH_IMAGE039
为 最大概率值的岩溶塌陷因素类别，
Figure 175709DEST_PATH_IMAGE040
表示岩溶塌陷因素信息，
Figure 296112DEST_PATH_IMAGE041
表示发生故 障类型C k 的概率函数；概率输出函数为：
Figure 685636DEST_PATH_IMAGE067
（8）
公式（8）中，k=1,2,···,m，k为混沌差分进化算法模型在应用过程中的全局搜索次数设置；N表示所有岩溶塌陷发生因素训练样本的总数，Nc表示所有岩溶塌陷发生因素训练样本中发生类型C k 的样本数。
当岩溶塌陷数据信息量非常大时，在计算最大后验概率P(X|C k )时，会增加计算成本，并为了减少这种情况的影响。假设朴素贝叶斯网络x 1,x 2,···,x n 的每个属性在条件上相互独立，仅与发生岩溶塌陷类型C相关，则概率函数输出为：
Figure 408741DEST_PATH_IMAGE068
（9）
公式（9）中，x 1,x 2,···, x n表示岩溶塌陷因素信息，则概率P(x i |C k )计算公式为：
Figure 426376DEST_PATH_IMAGE069
（10）
公式（10）中，
Figure 858625DEST_PATH_IMAGE070
表示训练岩溶塌陷样本P(C k )时同时满足岩溶塌陷发生因素特征 C k 和条件属性x i 的样本数。
如果其不存在，则训练样本计算使用以下公式：
Figure 328921DEST_PATH_IMAGE071
（11）
公式（11）中，N表示参与计算的个数，根据上述计算原理，对于贝叶斯网络各岩溶塌陷因素类别的概率P(X|C k )×P(C k )，概率值C k 最大的对应诊断岩溶塌陷因素类别。
比如在一种实施例中，覆盖层厚度小于10米塌陷发生的机会最多，10米～30米可 发生少量塌陷，30米以上可发生零星塌陷。则可以通过
Figure 855717DEST_PATH_IMAGE072
的输出值进行判断。
在上述实施例中，预报诊断模块通过不确定性矩阵函数实现岩溶塌陷数据监测。方法为：
对于岩溶塌陷监测数据，本申请构建岩溶塌陷计算诊断数学模型，减小误差数据的积累，提高对于岩溶塌陷状态诊断的精准度。首先构建不确定性矩阵理论的数学模型：
Figure 600295DEST_PATH_IMAGE073
（12）
公式（12）中，C表示不确定性矩阵理论的数学模型总矩阵，C1和C2示均表示不确定性矩阵理论模型中的部分矩阵，J表示行数量，N表示列数量；K表示岩溶塌陷的因素；其中：
Figure 328079DEST_PATH_IMAGE074
（13）
公式（13）中，C1中的{D1,D2,D3,…,DJ}表示造成岩溶塌陷状态的因素构成数据集合，D1表示其中的因素之一，下角标为序号，设岩溶塌陷的因素有J种， N表示覆盖层厚度、结构、性质、土洞陷落、覆盖层砂性土质、夹砂砾石、地下水活动、溶蚀、搬运、水动力条件、降雨、水库蓄水、井下充水、灌溉渗漏以及严重干旱、井下排水、高强度抽水、天然地震、人为振动、附加荷载或者废液导致的酸碱液溶蚀活动数据信息中的数据数量；
Figure 144726DEST_PATH_IMAGE075
（14）
公式（14）中，C2中的{L1,L2,L3,…,LK}表示造成岩溶塌陷状态的因素构成数据集 合，K表示其中的因素之一，设岩溶塌陷的因素有K种，N表示岩溶塌陷的因素中的个数，
Figure 616158DEST_PATH_IMAGE076
表示第K个溶塌陷的因素和第N个塌陷的因素中的个数构成的数据信息。
在具体实施例中，通过该函数能够全方面地分析造成岩溶塌陷状态的因素，以提高造成岩溶塌陷因素数据分析，大大提高了预警能力。
在上述实施例中， 预警输出模块通过语音或者图文的形式实现预警提醒。
在具体实施例中，通过语音输出时，比如输出异常为基础因素时，通过语音播报给管理者，当异常数据信息为诱发因素时，通过图文等方式播出，通过多元化异常数据输出与播放，进而提高预警能力。
虽然以上描述了本发明的具体实施方式，但是本领域的技术人员应当理解，这些具体实施方式仅是举例说明，本领域的技术人员在不脱离本发明的原理和实质的情况下，可以对上述方法和***的细节进行各种省略、替换和改变。例如，合并上述方法步骤，从而按照实质相同的方法执行实质相同的功能以实现实质相同的结果则属于本发明的范围。因此，本发明的范围仅由所附权利要求书限定。

Claims (9)

1.一种多要素岩溶塌陷的智能预报***：其特征在于：包括：
多要素融合模块；作为造成岩溶塌陷多种因素的集合，包括基础因素数据库、诱发因素数据库、覆盖层数据库、动力条件数据库和酸碱液溶蚀数据库；所述多要素融合模块连接数据接口与数据降维模块：
数据降维模块；用于将多要素融合模块中多种格式的数据信息以及高纬度数据信息转化为低纬度数据信息，便于后期数据信息的应用；
搜索模块，用于在岩溶塌陷多要素中搜索数据因素，通过混沌差分进化算法模型提高岩溶塌陷多要素检索的能力；
贝叶斯分类器；用于将检索出的岩溶塌陷多要素数据信息分类，以输出最高概率的岩溶塌陷事件；
预报诊断模块，用于将分类后的岩溶塌陷多要素数据信息进行诊断输出，以满足预报或者预警的作用；
预警输出模块，将诊断输出的分类后的岩溶塌陷多要素数据信息输出，并通过可视化显示模块实现数据输出或者通过远端监控模块实现远端监控；其中：
所述多要素融合模块的输入端通过数据接口与基础因素数据库、诱发因素数据库、覆盖层数据库、动力条件数据库或者酸碱液溶蚀数据库的输出端连接，所述多要素融合模块的输出端与数据降维模块的输入端连接，所述数据降维模块的输出端与搜索模块的输入端连接，所述搜索模块的输出端与贝叶斯分类器的输入端连接，所述贝叶斯分类器的输出端与预报诊断模块的输入端连接，所述预报诊断模块的输出端与预警输出模块的输入端连接，所述预警输出模块的输出端与可视化显示模块或者远端监控模块的输入端连接。
2.根据权利要求1所述的一种多要素岩溶塌陷的智能预报***：其特征在于：多要素融合模块中的数据信息至少包括基础因素或者诱发因素。
3.根据权利要求1所述的一种多要素岩溶塌陷的智能预报***：其特征在于：数据降维模块为随机森林降维模块。
4.根据权利要求1所述的一种多要素岩溶塌陷的智能预报***：其特征在于：所述搜索模块包括种群设置模块、编码模块、迭代计算模块、适应度计算模块、索引模块、变异模块和交叉计算模块，其中种群设置模块的输出端与编码模块的输入端连接，所述编码模块的输出端分别与迭代计算模块和适应度计算模块的输入端连接，所述迭代计算模块和适应度计算模块的输出端与索引模块的输入端连接，所述索引模块的输出端分别与变异模块和交叉计算模块的输入端连接，其中所述迭代计算模块还与适应度计算模块连接，所述变异模块与交叉计算模块连接。
5.根据权利要求4所述的一种多要素岩溶塌陷的智能预报***：其特征在于：所述搜索模块实现搜索的方法通过以下步骤进行：
步骤一、通过种群设置模块设置覆盖层厚度、结构、性质、土洞陷落、覆盖层砂性土质、夹砂砾石、地下水活动、溶蚀、搬运、水动力条件、降雨、水库蓄水、井下充水、灌溉渗漏以及严重干旱、井下排水、高强度抽水、天然地震、人为振动、附加荷载或者废液导致的酸碱液溶蚀活动数据信息；不同数据信息通过数字编制的方式实现信息编码；
步骤二、通过迭代计算模块和适应度计算模块计算迭代次数和适应度，其中缩放因子 设置为F, 交叉因子设置为CR，迭代计算的最大迭代次数设置为
Figure 178852DEST_PATH_IMAGE001
，混沌差分进化算法模 型在应用过程中的全局搜索次数设置为
Figure 711595DEST_PATH_IMAGE002
；多种并行计算的节点下岩溶塌陷数据分析输出 种群设置模块设置种群规模为NP，种群设置模块输出函数为：
Figure 349250DEST_PATH_IMAGE003
（1）
公式（1）中，
Figure 498603DEST_PATH_IMAGE004
表示种群设置模块输出函数，
Figure 20851DEST_PATH_IMAGE005
中的
Figure 188527DEST_PATH_IMAGE006
表示造成岩溶塌陷因素 中最佳检索函数，
Figure 747815DEST_PATH_IMAGE007
中的
Figure 774677DEST_PATH_IMAGE008
为不同节点下岩溶塌陷数据分析输出的变量值，
Figure 694092DEST_PATH_IMAGE009
为 岩溶坍塌多要素计算中发生概率最大的点，
Figure 464077DEST_PATH_IMAGE010
为岩溶坍塌多要素计算中发生概率最小 的点，
Figure 584480DEST_PATH_IMAGE011
为0和1之间用户设置的随机数；
步骤三、通过适应度计算模块计算种群的适应度，计算函数输出为：
Figure 957692DEST_PATH_IMAGE012
（2）
公式（2）中，
Figure 431530DEST_PATH_IMAGE013
表示为检索出的最佳适应度值；
Figure 449165DEST_PATH_IMAGE014
表示检索出的最佳适应度函数；
在并行计算过程中，由于适应度计算过程中具有的数据节点下岩溶塌陷数据信息量难以查找，通过索引公式提高检索能力，索引公式为：
Figure 599523DEST_PATH_IMAGE015
（3）
公式（3）中，
Figure 210764DEST_PATH_IMAGE016
表示造成岩溶塌陷因素中最佳检索函数；
步骤四、通过变异模块对计算过程中的不同岩溶塌陷因素节点下岩溶塌陷数据分析输出信息进行计算，变异公式为：
Figure 612927DEST_PATH_IMAGE017
（4）
公式（4）中，V i （t+1）表示变异函数；V i （t+1）中的i表示造成岩溶塌陷因素中最佳检索函 数，
Figure 609702DEST_PATH_IMAGE018
、
Figure 947273DEST_PATH_IMAGE019
、
Figure 904865DEST_PATH_IMAGE020
表示为岩溶塌陷因素分析计算过程中混沌差分进化算法模型输出的参数数 据量，
Figure 969773DEST_PATH_IMAGE021
、
Figure 834436DEST_PATH_IMAGE022
和
Figure 467543DEST_PATH_IMAGE023
均表示任意一个岩溶塌陷因素分析节点下岩溶塌陷数据分析 输出的并行计算数据量；t表示计算数据量的时间；F表示缩放因子；
步骤五、通过交叉计算模块实现岩溶塌陷因素分析计算过程中的不同因素计算信息额变异操作，输出上述数据信息后，为了提高数据计算的纯度，需要进行交叉计算，公式可以为：
Figure 302644DEST_PATH_IMAGE024
（5）
公式（5）中，
Figure 656396DEST_PATH_IMAGE025
表示岩溶塌陷因素分析计算过程中，岩溶塌陷因素节点下岩溶塌 陷数据分析输出的参数的变异输出，
Figure 362184DEST_PATH_IMAGE026
表示0和1之间用户设置的随机数
Figure 166192DEST_PATH_IMAGE027
表示岩 溶塌陷数据不同节点输出函数；
Figure 239321DEST_PATH_IMAGE028
表示交叉计算模块计算变异操作的频率；CR表示交 叉因子；
Figure 521398DEST_PATH_IMAGE029
表示存在岩溶塌陷因素中最佳检索函数时，并且不同节点下的适应度函数 输出；
将该输出值与输出的适应度进行比较，比较函数为：
Figure 347271DEST_PATH_IMAGE030
（6）
公式（6）中，（2）是在（1）成立的条件下进行，(4)在（3）的条件下进行，这个过程中，通过 不同的节点下岩溶塌陷数据分析输出数据信息对比，最终实现最优个体的输出，当迭代计 算达到最大值时则停止迭代计算，进而输出不同节点下岩溶塌陷数据分析输出最佳适应度
Figure 463126DEST_PATH_IMAGE031
；其中
Figure 882606DEST_PATH_IMAGE031
表示第一次计算输出时的适应度函数，
Figure 93008DEST_PATH_IMAGE032
表示存在岩溶塌陷因素中 最佳检索函数时的适应度函数输出；在
Figure 914333DEST_PATH_IMAGE033
成立时，同时满足
Figure 198159DEST_PATH_IMAGE034
、
Figure 104935DEST_PATH_IMAGE035
和
Figure 853449DEST_PATH_IMAGE036
。
6.根据权利要求1所述的一种多要素岩溶塌陷的智能预报***：其特征在于：贝叶斯分类器为级联分类器，以提高分类器精度。
7.根据权利要求6所述的一种多要素岩溶塌陷的智能预报***：其特征在于：贝叶斯分类器实现分类的方法为：构建贝叶斯分类函数，函数表示为：
Figure 670226DEST_PATH_IMAGE037
（7）
公式（7）中，所有岩溶塌陷因素类别的P(x)设置为常数，获得并筛选
Figure 252517DEST_PATH_IMAGE038
为最大概率 值的岩溶塌陷因素类别，
Figure 771223DEST_PATH_IMAGE039
表示岩溶塌陷因素信息，
Figure 198793DEST_PATH_IMAGE040
表示发生故障类型C k 的概率函数；概率输出函数为：
Figure 604498DEST_PATH_IMAGE041
（8）
公式（8）中，k=1,2,···,m，k为混沌差分进化算法模型在应用过程中的全局搜索次数设置；N表示所有岩溶塌陷发生因素训练样本的总数，Nc表示所有岩溶塌陷发生因素训练样本中发生类型C k 的样本数；
朴素贝叶斯网络x 1,x 2,···,x n 的每个属性在条件上相互独立，仅与发生岩溶塌陷类型C相关，则概率函数输出为：
Figure 357690DEST_PATH_IMAGE042
（9）
公式（9）中，x 1,x 2,···, x n表示岩溶塌陷因素信息，则概率P(x i |C k )计算公式为：
Figure 363693DEST_PATH_IMAGE043
（10）
公式（10）中，
Figure 470320DEST_PATH_IMAGE044
表示训练岩溶塌陷样本P(C k )时同时满足岩溶塌陷发生因素特征C k 和 条件属性x i 的样本数。
8.根据权利要求1所述的一种多要素岩溶塌陷的智能预报***：其特征在于：预报诊断模块通过不确定性矩阵函数实现岩溶塌陷数据监测。
9.根据权利要求8所述的一种多要素岩溶塌陷的智能预报***：其特征在于：不确定性矩阵函数实施方法为：
首先构建不确定性矩阵理论的数学模型：
Figure 120744DEST_PATH_IMAGE045
（11）
公式（11）中，C表示不确定性矩阵理论的数学模型总矩阵，C1和C2示均表示不确定性矩阵理论模型中的部分矩阵，J表示行数量，N表示列数量；K表示岩溶塌陷的因素；
其中：
Figure 903892DEST_PATH_IMAGE046
（12）
公式（12）中，C1中的{D1,D2,D3,…,DJ}表示造成岩溶塌陷状态的因素构成数据集合，D1表示其中的因素之一，下角标为序号，设岩溶塌陷的因素有J种，N表示覆盖层厚度、结构、性质、土洞陷落、覆盖层砂性土质、夹砂砾石、地下水活动、溶蚀、搬运、水动力条件、降雨、水库蓄水、井下充水、灌溉渗漏以及严重干旱、井下排水、高强度抽水、天然地震、人为振动、附加荷载或者废液导致的酸碱液溶蚀活动数据信息中的数据数量；
Figure 272557DEST_PATH_IMAGE047
（13）
公式（13）中，C2中的{L1,L2,L3,…,LK}表示造成岩溶塌陷状态的因素构成数据集合，K表 示其中的因素之一，设岩溶塌陷的因素有K种，N表示岩溶塌陷的因素中的个数，
Figure 179945DEST_PATH_IMAGE048
表示第 K个溶塌陷的因素和第N个塌陷的因素中的个数构成的数据信息。
CN202210720819.XA 2022-06-24 2022-06-24 一种多要素岩溶塌陷的智能预报*** Active CN114821976B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210720819.XA CN114821976B (zh) 2022-06-24 2022-06-24 一种多要素岩溶塌陷的智能预报***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210720819.XA CN114821976B (zh) 2022-06-24 2022-06-24 一种多要素岩溶塌陷的智能预报***

Publications (2)

Publication Number Publication Date
CN114821976A true CN114821976A (zh) 2022-07-29
CN114821976B CN114821976B (zh) 2022-09-30

Family

ID=82520374

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210720819.XA Active CN114821976B (zh) 2022-06-24 2022-06-24 一种多要素岩溶塌陷的智能预报***

Country Status (1)

Country Link
CN (1) CN114821976B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115392137A (zh) * 2022-10-27 2022-11-25 山东省地质矿产勘查开发局八〇一水文地质工程地质大队(山东省地矿工程勘察院) 一种基于岩溶塌陷水土耦合作用的三维模拟***
CN115600513A (zh) * 2022-12-16 2023-01-13 山东省地质矿产勘查开发局八〇一水文地质工程地质大队（山东省地矿工程勘察院）（Cn） 一种岩溶塌陷监测预警及防控一体化信息化模拟研判***
CN115965246A (zh) * 2023-03-16 2023-04-14 山东省地质矿产勘查开发局八〇一水文地质工程地质大队(山东省地矿工程勘察院) 一种岩溶塌陷灾害的预警分析方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160070828A1 (en) * 2013-04-08 2016-03-10 China University of Mining & Technology, Beijng Vulnerability Assessment Method of Water Inrush from Aquifer Underlying Coal Seam
CN109633748A (zh) * 2018-11-12 2019-04-16 中国石油大学(华东) 一种基于改进遗传算法的地震属性优选方法
CN110297876A (zh) * 2019-06-17 2019-10-01 桂林理工大学 一种多元空间数据的岩溶塌陷地质灾害脆弱性评估方法
CN110610187A (zh) * 2019-05-27 2019-12-24 施甸县保施高速公路投资开发有限公司 一种基于贝叶斯网络的土质边坡坍塌事故诊断方法
CN113744503A (zh) * 2021-08-31 2021-12-03 南京大学 一种岩溶地面塌陷分布式柔性边缘智能预警预报***及方法
CN114328663A (zh) * 2021-12-27 2022-04-12 浙江工业大学 一种基于数据挖掘的高维剧场数据降维可视化处理方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160070828A1 (en) * 2013-04-08 2016-03-10 China University of Mining & Technology, Beijng Vulnerability Assessment Method of Water Inrush from Aquifer Underlying Coal Seam
CN109633748A (zh) * 2018-11-12 2019-04-16 中国石油大学(华东) 一种基于改进遗传算法的地震属性优选方法
CN110610187A (zh) * 2019-05-27 2019-12-24 施甸县保施高速公路投资开发有限公司 一种基于贝叶斯网络的土质边坡坍塌事故诊断方法
CN110297876A (zh) * 2019-06-17 2019-10-01 桂林理工大学 一种多元空间数据的岩溶塌陷地质灾害脆弱性评估方法
CN113744503A (zh) * 2021-08-31 2021-12-03 南京大学 一种岩溶地面塌陷分布式柔性边缘智能预警预报***及方法
CN114328663A (zh) * 2021-12-27 2022-04-12 浙江工业大学 一种基于数据挖掘的高维剧场数据降维可视化处理方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
赵博超等: "浅谈岩溶塌陷的影响因素与模型研究", 《中国岩溶》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115392137A (zh) * 2022-10-27 2022-11-25 山东省地质矿产勘查开发局八〇一水文地质工程地质大队(山东省地矿工程勘察院) 一种基于岩溶塌陷水土耦合作用的三维模拟***
CN115600513A (zh) * 2022-12-16 2023-01-13 山东省地质矿产勘查开发局八〇一水文地质工程地质大队（山东省地矿工程勘察院）（Cn） 一种岩溶塌陷监测预警及防控一体化信息化模拟研判***
CN115600513B (zh) * 2022-12-16 2023-08-04 山东省地质矿产勘查开发局八〇一水文地质工程地质大队(山东省地矿工程勘察院) 一种岩溶塌陷监测预警及防控一体化信息化模拟研判***
CN115965246A (zh) * 2023-03-16 2023-04-14 山东省地质矿产勘查开发局八〇一水文地质工程地质大队(山东省地矿工程勘察院) 一种岩溶塌陷灾害的预警分析方法
CN115965246B (zh) * 2023-03-16 2023-05-19 山东省地质矿产勘查开发局八〇一水文地质工程地质大队(山东省地矿工程勘察院) 一种岩溶塌陷灾害的预警分析方法

Also Published As

Publication number Publication date
CN114821976B (zh) 2022-09-30

Similar Documents

Publication Publication Date Title
CN114821976B (zh) 一种多要素岩溶塌陷的智能预报***
Dou et al. Assessment of advanced random forest and decision tree algorithms for modeling rainfall-induced landslide susceptibility in the Izu-Oshima Volcanic Island, Japan
CN101354757B (zh) 一种精细尺度下的动态风险及易损性预测方法
CN113642849B (zh) 考虑空间分布特征的地质灾害危险性综合评价方法及装置
CN104021267A (zh) 一种地质灾害易发性判定方法和装置
CN112966722A (zh) 基于半监督随机森林模型的区域滑坡易发性预测方法
CN111079999A (zh) 一种基于cnn和svm的洪水灾害易发性预测方法
CN114036841A (zh) 基于半监督支持向量机模型的滑坡易发性预测方法及***
CN109118004B (zh) 一种工程构筑选址适宜区预测方法
CN111968019A (zh) 一种基于cnn与rnn集成的滑坡灾害易发性预测方法
CN116776260A (zh) 基于机器学习的岩爆等级双模型分步预测方法
CN117556197A (zh) 一种基于人工智能的台风涡旋初始化方法
Ma et al. Landslide susceptibility assessment using the certainty factor and deep neural network
CN113191642B (zh) 一种基于最优组合策略的区域滑坡敏感性分析方法
Serencam et al. Determining the water level fluctuations of Lake Van through the integrated machine learning methods
Li et al. Expert knowledge-driven Bayesian network modeling for marine disaster assessment under the small sample condition
Van Nguyen et al. Comparison of machine learning techniques for condition assessment of sewer network
CN117540303A (zh) 基于交叉半监督机器学习算法的滑坡易发性评估方法及***
Wen et al. Hybrid optimized RF model of seismic resilience of buildings in mountainous region based on hyperparameter tuning and SMOTE
CN114611777A (zh) 基于堆叠式长短记忆网络的汛期水库入库流量预测方法
CN114757449A (zh) 一种山水林田湖草综合地质碳汇监测***
Dwiasnati et al. Optimization of Flood Prediction using SVM Algorithm to determine Flood Prone Areas
Hadavi et al. Machine Learning Investigation of Downburst Prone Environments in Canada
Souza et al. A data mining approach to landslide prediction
Ji et al. An Integrated Framework of GRU Based on Improved Whale Optimization Algorithm for Flood Prediction

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