一种边坡稳定性评估方法、装置、终端及存储介质与流程

摘要: 本技术涉及边坡稳定性评估,尤其涉及一种边坡稳定性评估方法、装置、终端及存储介质。背景技术:1、随着我国电网规模持续扩大,大量输电线路杆塔、变电站、风电机组等电力...
一种边坡稳定性评估方法、装置、终端及存储介质与流程

本技术涉及边坡稳定性评估,尤其涉及一种边坡稳定性评估方法、装置、终端及存储介质。

背景技术:

1、随着我国电网规模持续扩大,大量输电线路杆塔、变电站、风电机组等电力设施不得不选址于地形复杂的山区、丘陵或高填方区域。这些场址往往面临人工开挖或自然形成的边坡,其稳定性直接关系到电力设施的结构安全与运行可靠性。一旦边坡发生滑移、坍塌等失稳破坏,轻则导致杆塔倾斜、线路跳闸,重则引发倒塔断线、供电中断甚至重大经济损失,因此对边坡稳定性的准确评估已成为电力工程建设与运维阶段的关键技术需求。

2、传统的边坡稳定性评价方法主要依赖极限平衡法、有限元数值模拟等,虽然理论成熟,但通常需要详细的地质勘察参数与复杂的力学建模,计算成本高、效率低,难以在大范围、多测点的电力设施周边快速应用。近年来,随着机器学习技术的发展,基于xgboost等集成学习模型的边坡稳定性评估方法表现出良好的非线性映射能力与评估精度。然而,在电力设施建设场景中,边坡失稳案例往往属于小概率事件,导致训练数据存在严重的类别不平衡问题——稳定边坡样本远多于失稳样本。常规xgboost模型在面对这种不平衡数据时,容易偏向多数类,降低对潜在危险边坡的识别灵敏度,进而导致边坡失稳风险的漏检。

技术实现思路

1、本技术提供了一种边坡稳定性评估方法、装置、终端及存储介质,用于实现提高对失稳边坡的识别灵敏度、降低漏检风险的发明目的。

2、为实现上述发明目的,本技术第一方面提供了一种边坡稳定性评估方法,包括:

3、获取边坡特征数据样本,其中,每一组边坡特征数据样本均包括:边坡几何结构、岩土参数和环境动态参数;

4、基于预设的ssa-xgboost分类模型,将所述边坡特征数据样本作为所述ssa-xgboost分类模型的输入特征,结合所述ssa-xgboost分类模型中内置的地质加权损失函数进行模型训练,其中,所述地质加权损失函数为基于地质复杂度权重与focalloss函数构建的加权函数,所述地质复杂度权重用于量化边坡样本的地质构造复杂程度;

5、根据所述地质加权损失函数的计算结果,确定所述ssa-xgboost分类模型的收敛程度,当所述收敛程度或迭代次数满足预设的训练终止条件时,得到边坡稳定性评估模型;

6、获取目标区域的边坡特征数据,将所述边坡特征数据输入所述边坡稳定性评估模型,以通过所述边坡稳定性评估模型的运算,得到所述目标区域的边坡稳定性评估结果。

7、优选地,通过所述边坡稳定性评估模型的运算,得到所述目标区域的边坡稳定性评估结果之前还包括:

8、检测所述环境动态参数的变化率,结合预设的参数变化率与聚焦参数的对应关系,动态更新所述地质加权损失函数中的聚焦参数。

9、优选地,所述检测所述环境动态参数的变化率,结合预设的参数变化率与聚焦参数的对应关系,动态更新所述地质加权损失函数中的聚焦参数包括:

10、当所述环境动态参数的变化率大于预设变化率阈值时,则按照预设的参数变化率与聚焦参数的对应关系,增大所述地质加权损失函数中的聚焦参数,当所述环境动态参数的变化率不大于预设变化率阈值时,则按照预设的参数变化率与聚焦参数的对应关系,缩小所述地质加权损失函数中的聚焦参数。

11、优选地,所述ssa-xgboost分类模型的构建方式包括:

12、根据所述边坡特征数据样本包含的每一项特征参数,通过morris筛选法或sobol指数法,对所述特征参数进行全局敏感性分析,确定每一项特征参数对边坡稳定性的敏感度,并根据所述敏感度,将所述特征参数分为敏感参数和非敏感参数;

13、根据每一项特征参数对应的敏感度,结合预设的参数敏感度与levy飞行步长的对应关系,确定每一项特征参数对应的levy飞行步长,其中,所述敏感参数对应的levy飞行步长小于所述非敏感参数对应的levy飞行步长;

14、根据所述边坡特征数据样本,按照典型边坡失稳模式对应的典型参数范围,初始化麻雀种群;

15、根据所述麻雀种群,结合特征参数与levy飞行步长的对应关系,按照ssa优化算法的优化逻辑,对初始的xgboost分类模型进行超参数优化,优化完成后得到ssa-xgboost分类模型。

16、优选地,所述基于预设的ssa-xgboost分类模型,将所述边坡特征数据样本作为所述ssa-xgboost分类模型的输入特征之前还包括:

17、根据所述边坡特征数据样本,通过预设的极限平衡条分法,计算每一组边坡特征数据样本对应的稳定性系数,以将所述稳定性系数作为所述ssa-xgboost分类模型的先验输入特征。

18、优选地,所述极限平衡条分法包括:简化bishop法或不平衡推力法。

19、优选地,所述基于预设的ssa-xgboost分类模型,将所述边坡特征数据样本作为所述ssa-xgboost分类模型的输入特征之前还包括:

20、基于边坡特征数据样本对应的岩性类型,当存在任意两组失稳样本的岩性类型相似度高于预设相似度阈值时,将所述两组失稳样本组成一个样本对;

21、基于每一个样本对进行插值运算,生成合成样本,以用于扩充所述边坡特征数据样本。

22、本技术第二方面提供了一种边坡稳定性评估装置,用于执行如本技术第一方面提供的边坡稳定性评估方法,包括:

23、样本获取单元,用于获取边坡特征数据样本,其中,每一组边坡特征数据样本均包括:边坡几何结构、岩土参数和环境动态参数;

24、评估模型训练单元,用于基于预设的ssa-xgboost分类模型,将所述边坡特征数据样本作为所述ssa-xgboost分类模型的输入特征,结合所述ssa-xgboost分类模型中内置的地质加权损失函数进行模型训练,其中,所述地质加权损失函数为基于地质复杂度权重与focalloss函数构建的加权函数,所述地质复杂度权重用于量化边坡样本的地质构造复杂程度;

25、模型收敛判定单元,用于根据所述地质加权损失函数的计算结果,确定所述ssa-xgboost分类模型的收敛程度,当所述收敛程度或迭代次数满足预设的训练终止条件时,得到边坡稳定性评估模型;

26、边坡稳定性实测评估单元,用于获取目标区域的边坡特征数据,将所述边坡特征数据输入所述边坡稳定性评估模型,以通过所述边坡稳定性评估模型的运算,得到所述目标区域的边坡稳定性评估结果。

27、本技术第三方面提供了一种边坡稳定性评估终端,包括:存储器和处理器;

28、所述存储器用于存储程序代码,所述程序代码与如本技术第一方面提供的边坡稳定性评估方法相对应;

29、所述处理器用于读取并执行所述程序代码,以实现所述边坡稳定性评估方法。

30、本技术第四方面提供了一种计算机可读存储介质,所述计算机可读存储介质中保存有程序代码,所述程序代码用于被处理器读取并执行,以实现如本技术第一方面提供的边坡稳定性评估方法。

31、从以上技术方案可以看出,本技术具有以下优点:

32、本技术提供的方案通过引入基于地质复杂度权重与focalloss函数构建的加权损失函数,使其能动态聚焦于少数且关键的失稳边坡样本,有效解决了电力设施边坡稳定性评估中常见的类别不平衡问题,并提升了ssa-xgboost分类模型对地质构造复杂边坡的识别能力。该方法能够利用多源边坡特征数据进行模型训练,并输出准确的稳定性评估结果,避免了现有机器学习模型对潜在危险边坡的漏检风险,为电力设施的安全建设与运维提供了可靠的技术支撑。