一种基于人工智能的边坡稳定性快速评估方法与流程

本发明属于智能识别评估，具体涉及一种基于人工智能的边坡稳定性快速评估方法。

背景技术：

1、边坡稳定性分析是岩土工程领域的重要课题，广泛应用于公路、铁路、水利水电及矿山等工程的建设和运营中。传统的边坡稳定性评估方法主要分为两类：一是工程地质类比法，依靠工程师的经验，将待评估边坡与已建成的同类边坡进行对比，从而判断其稳定性。该方法主观性强，高度依赖专家经验，难以量化和推广。二是极限平衡法与数值模拟法（如有限元法、离散元法），通过现场勘察和室内试验获取边坡的岩土物理力学参数（如密度、粘聚力、内摩擦角等），建立力学模型，计算边坡的安全系数，进而评估其稳定性（稳定、基本稳定、欠稳定、不稳定）。然而，上述现有技术方案在实际应用中存在以下明显的缺点和问题：

2、1.数据获取成本高、周期长：准确的岩土体物理力学参数需要通过复杂的室内试验或原位测试获得，耗时长、成本高，且对于大型或地质条件复杂的边坡，获取代表性参数极为困难。

3、2.计算过程复杂、耗时长：尤其是对于非均质、含复杂节理和软弱面的边坡，建立精确的数值模型并进行计算需要专业的软件和大量的计算资源，无法满足快速应急响应或大规模路网边坡普查的需求。

4、3.动态信息利用不足：传统方法难以实时、有效地融合野外地质调查中获取的定性描述信息（如节理形态、风化状态）以及动态的监测信息（如裂缝发展、渗流变化），导致评估结果滞后于边坡的实际变化状态。

5、4.泛化能力差：基于特定工程建立的力学模型难以直接应用于地质条件差异较大的其他边坡，缺乏通用性。

6、因此，亟需一种能够快速、高效、低成本地综合利用多源信息进行边坡稳定性评估的方法。

技术实现思路

1、本发明为了解决边坡稳定性评估依赖复杂参数，参数获取与计算周期长、难以融合多源信息等问题，而提供一种基于人工智能的边坡稳定性快速评估方法，利用人工智能模型强大的非线性映射和多源数据融合能力，实现边坡稳定性的快速、准确判断。

2、为解决技术问题，本发明所采用的技术方案是：

3、一种基于人工智能的边坡稳定性快速评估方法，包括：

4、s1：获取多个历史边坡案例的多源异构数据，所述多源异构数据包括野外地质调查数据、勘察试验数据和监测数据，并为每个边坡案例标注稳定性等级的标签；

5、s2：对多源异构数据进行预处理，所述预处理至少包括缺失值处理、异常值检测与修正、数据一致性校验；

6、s3：将预处理后的多源异构数据分为数值型特征、类别型特征和文本描述型特征，对分类后的多源异构数据分别进行特征工程处理，形成统一的结构化特征向量；所述结构化特征向量中的构成信息包括：地质环境特征、边坡几何特征、岩土体物理力学特征、结构面特征、外部荷载特征、响应监测特征；

7、s4：构建多分支融合的深度神经网络模型，并对构建的多分支融合的深度神经网络模型进行训练、验证和测试；

8、其中，所述多分支融合的深度神经网络模型包括输入层、特正提起子网络、特征融合层和分类输出层，所述分类输出层包括输出层，所述输出层神经元数量等于边坡稳定性等级类别数并输出稳定性等级；所述输出层并采用softmax激活函数，输出边坡归属于不同稳定性等级的概率分布；

9、将步骤s3中获得的特征向量划分为训练集、验证集和测试集，对构建的多分支融合的深度神经网络进行训练、验证和测试；

10、s5：获取目标边坡的多源信息，并多目标边坡的多源信息转换成s3中的结构化特征向量；

11、s6：将s5中获得的结构化特征向量输入到训练好的多分支融合的深度神经网络模型进行评估；

12、s7：输出评估报告并对模型进行更新：所述评估报告内容包括：目标边坡的基本信息、模型输出的稳定性等级及概率、影响边坡稳定性的主要特征贡献度；获取到目标边坡新的监测数据或发生实际滑坡事件后，将目标边坡的新数据加入到s1中，并对s4中的模型进行增量学习或者重新训练以实现模型的动态更新。

13、在一些实施例中，所述步骤s4中的所述构建多分支融合的深度神经网络模型，包括：

14、s411：输入层构建：输入层的神经元数量与步骤s3中的结构化特征向量的维度相同；

15、s412：特征提取子网络构建：构建多个并行的全连接子网络，每个子网络包含2-3个隐藏层，分别处理不同类型或者物理意义的特征组，每个隐藏层使用relu激活函数；

16、s413：特征融合层构建：将步骤s412中各子网络输出的高层特征向量进行拼接融合；

17、s414：分类输出层构建：在特征融合层之后连接2-3个全连接层，最后一层为输出层，输出层神经元数量等于稳定性等级类别数（例如将边坡稳定性等级分为4类：稳定、基本稳定、欠稳定、不稳定）；并采用softmax激活函数，输出边坡归属于不同稳定性等级的概率分布。

18、在一些实施例中，全连接层输出的原始分数（logits）为向量z，z=[z1,z2,…,zk]，其中k为边坡稳定性等级类别数；softmax函数将z转换为概率分布p=[p1,p2,…,pk]，其第×i×个分量的计算公式为：

19、；

20、其中，k为边坡稳定性类别数（例如本发明中k=4）；为类别索引（=1→稳定、=2→基本稳定、=3→欠稳定、=4→不稳定）；为输出层第个神经元的原始输出值；自然常数e（e≈2.71828）为底的指数函数，将映射为正值，放大差异；为所有k个指数值的求和，归一化分母确保所有之和为1；模型预测边坡属于第类的概率，满足0≤≤1，且∑=1。

21、在一些实施例中，所述步骤s4中的所述对构建的多分支融合的深度神经网络进行训练、验证和测试，包括：

22、s421：向前传播计算；将训练集的特征向量输入模型，逐层计算得到输出的预测概率分布；

23、s422：损失函数计算；采用分类交叉分类交叉熵作为损失函数，计算预测概率分布与标注的真实标签（即专家标注的稳定性等级）之间的误差；

24、s423：反向传播与参数更新；利用adam优化器，根据计算得到的损失值进行反向传播，逐层更新模型的权重和偏置参数。在具体实施过程中，设置初始学习率为0.001，批量大小为32；

25、s424：迭代训练与验证；重复步骤s421至s423，对训练集的所有样本进行多轮迭代训练；每完成一轮训练，使用验证集评估当前模型的准确率，并保存验证集准确率最高的模型参数；

26、s425：模型测试；训练完成后；使用步测试集对最终模型进行一次性评估，计算模型在未见数据上的准确率、精确率、召回率及f1分数，作为模型的最终性能指标。

27、在一些实施例中：所述s2中的对多源异构数据进行预处理，包括:

28、s21:缺失值处理，对于个特征字段中缺失数据，采用均值填充、中位数填充、众数填充或基于k近邻算法的插值方法进行补全；

29、s22：异常值检测与修正；利用箱线图法或3σ原则识别各数值型特征的异常值，结合业务逻辑进行修正或剔除；

30、s23：数据一致性检查；检查同一案例内部不同特征之间的逻辑冲突（例如，边坡类型为“土质边坡”但粘聚力数值异常高），并对冲突数据进行人工复核或修正。

31、在一些实施例中，步骤s3中的将预处理后的多源异构数据分为数值型特征、类别型特征和文本描述型特征，对分类后的多源异构数据分别进行特征工程处理，形成统一的结构化特征向量；包括：

32、s31：数值型特征标准化；对于坡高、坡度、密度、粘聚力、内摩擦角、降水强度、位移速率等连续型数值特征，采用z-score标准化方法将其转换为均值为0、标准差为1的分布，以消除不同量纲对模型（即多分支融合的深度神经网络模型）训练的影响；

33、s32：类别型特征独热编码；对于边坡类型、地貌特征、节理类型等离散的类别型特征，采用独热编码，将每个类别转换为一个二进制向量；

34、s33：文本描述型特征向量化；对于节理充填状态、风化状态、植被与地貌响应等文本描述信息，构建预定义的专业词袋模型或采用tf-idf算法将其量化为固定维度的特征向量；

35、s34：特征向量拼接；将步骤s31至s33处理后的所有特征向量按固定顺序拼接，形成一个统一的一维特征向量。

36、与现有技术相比，本发明具有如下有益效果：

37、1.显著降低数据获取门槛：传统边坡稳定性评估高度依赖大量精细的岩土体物理力学参数（如粘聚力、内摩擦角等），这些参数往往需要通过复杂、昂贵的室内试验获取，导致评估周期长、成本高。本发明通过构建多源异构数据库，能够有效融合野外地质调查、简易勘察及监测数据，降低了对单一高精度参数的依赖，使得在资料匮乏或应急抢险场景下仍能开展有效评估。

38、本发明不强制要求高成本的精确力学参数，即使只有野外调查可获得的定性描述（如“节理发育，张开且充填粘性土”）和基础几何信息，通过文本向量化方法，模型也能进行有效评估；这大大降低了评估对专业试验和昂贵设备的依赖。

39、2.实现多源异构数据的深度融合与利用：现有技术通常难以同时处理数值、类别及文本描述等多种类型的数据。本发明通过特征工程手段，特别是采用专业词袋模型或tf-idf 算法对节理充填状态、风化状态等文本描述信息进行向量化量化，解决了非结构化文本数据难以入模的问题，充分挖掘了地质专家经验中蕴含的隐性信息，提升了评估结果的全面性和准确性。

40、并且本发明通过特征工程手段和多分子网络设计，能够将定性、定量、静态、动态的多种类信息有机结合，从多个维度综合判断边坡状态，其信息利用率和决策逻辑更接近专家，同时又避免了专家评估的主观性。

41、3.评估速度快、实时性强：传统数值计算方法在面对复杂地质条件时计算耗时较长，难以满足高频次监测与实时预警的需求。本发明构建的多分支融合深度神经网络模型，在训练完成后仅需一次前向传播即可输出结果，实现了对边坡稳定性的秒级（毫秒级）响应，特别适用于群测群防及自动化监测系统的实时分析。

42、与常用的全连接黑盒网络不同，本发明构建的多分支子网络结构，能够分别针对几何物理参数、结构面特征等不同物理意义的特征组进行独立的高层特征提取与融合，增强了模型对复杂非线性地质力学关系的映射能力，提高了模型的泛化性能与物理可解释性。

43、4.支持模型动态进化与全生命周期管理：现有方法建立的静态模型难以适应环境变化和新数据的产生。本发明引入了动态更新和增量学习机制，能够根据新增的监测数据和实际滑坡案例持续更新模型参数，使评估系统具备自我优化和自适应能力，延长了技术的生命周期，保证了长期应用的可靠性。