一种库区滑坡涌浪数值模拟风险评估方法
本发明涉及地质灾害数据处理,尤其涉及一种库区滑坡涌浪数值模拟风险评估方法。
背景技术:
1、库区滑坡涌浪灾害是水库运行期面临的重大安全威胁之一。当库区岸坡发生大规模滑坡时,滑坡体高速入水将激起巨大涌浪,涌浪沿库区传播过程中可能导致库岸越浪、淹没沿岸居民点和基础设施,甚至危及大坝安全,因此,对库区滑坡涌浪进行精确的数值模拟和风险评估,是水库安全管理的核心需求。
2、目前,库区滑坡涌浪数值模拟主要基于浅水方程组,通过有限元或有限体积法求解涌浪的传播、爬高和淹没过程,然而,现有技术存在以下显著不足:
3、1、 现有方法通常数字高程模型作为地形输入,仅使用单一来源的测量数据,此类数据无法精确表征库区复杂地形,尤其是库岸阶梯状台地、狭窄河道、滑坡体后壁与前缘堆积体等关键微地形特征,导致涌浪传播路径和爬高计算结果偏差较大。
4、2、现有涌浪风险评估多依赖单一物理模型的确定性计算结果,未引入数据驱动方法对多维地形特征进行综合学习,涌浪风险实际上是地形、滑坡体参数、库水位等多因素耦合的结果,仅靠物理方程难以快速评估不同工况下的风险等级。
5、因此,有必要提供一种新的库区滑坡涌浪数值模拟风险评估方法解决上述技术问题。
技术实现思路
1、为解决仅使用单一来源的测量数据,此类数据无法精确表征库区复杂地形,导致涌浪传播路径和爬高计算结果偏差较大,仅靠物理方程难以快速评估不同工况下的风险等级技术问题,本发明提供一种库区滑坡涌浪数值模拟风险评估方法。
2、本发明提供的库区滑坡涌浪数值模拟风险评估方法包括如下步骤:
3、步骤一、构建库区多源异构数据融合与数字孪生基础数据库:收集高精度数字高程模型地形地貌数据、库区地质构造数据、水文气象动态监测数据、历史滑坡涌浪事件复盘数据以及库区社会经济数据并进行融合处理,最终构建库区数字孪生基础数据库;
4、步骤二、建立物理信息约束的滑坡涌浪耦合演化双引擎模型:构建由物理引擎和数据引擎组成的双引擎模型,其中物理引擎基于浅水方程组描述涌浪在库区的传播过程,同时引入滑体入水的刚体运动方程,数据引擎采用物理信息神经网络结构,将上述浅水方程组和刚体运动方程作为软约束嵌入神经网络的损失函数中;
5、步骤三、构建多尺度时空特征提取网络:构建编码器-解码器结构的多尺度时空特征提取网络,其中编码器部分采用图卷积网络对库区地形和地质数据进行空间拓扑特征提取,解码器部分采用长短期记忆网络对涌浪演化的时间序列进行特征提取,将编码器输出的空间特征与解码器输出的时间特征在潜在空间进行拼接融合,得到滑坡涌浪耦合演化的多尺度特征表示;
6、步骤四、构建基于图注意力网络的库区涌浪风险空间评估模型:将库区内所有潜在受影响区域划分为若干评估单元,每个评估单元作为图网络中的一个节点,节点之间的边连接依据水力连通性和地形相邻性确定,若两个单元在地形上相邻且之间无高于历史最高水位的地形阻挡,则建立双向边,采用多头图注意力机制计算节点间的风险关联权重,并输出转化为各风险等级的概率分布;
7、步骤五、执行自适应网格重构的数值模拟与风险量化:在双引擎模型的数值模拟过程中,采用自适应网格重构策略动态调整计算网格,在每次网格重构后,将新网格的节点坐标和特征输入步骤二的物理信息神经网络和步骤三的多尺度时空特征提取网络,获得重构后网格上的涌浪场预测值;
8、步骤六、生成库区滑坡涌浪风险评估报告:将步骤五得到的各时刻涌浪场预测结果输入步骤四的图注意力风险评估模型,得到每个评估单元在各时刻的风险等级时间序列,对每个评估单元的风险等级时间序列进行统计,取出现频率最高的风险等级作为该单元的最终风险等级,生成风险评估报告。
9、进一步的方法,所述高精度数字高程模型地形地貌数据包括坡度、坡向、平面曲率、剖面曲率、地形湿度指数以及地形粗糙度;
10、所述库区地质构造数据包括岩土体密度、岩土体强度、内摩擦角、黏聚力、断层走向与倾角以及风化层厚度;
11、所述水文气象数据包括库水位逐时变化序列、降雨量逐时累积数据以及风速风向逐时数据;
12、所述历史滑坡涌浪事件的复盘数据包括滑坡体方量、入水速度、入水角度、涌浪最大爬高高度、涌浪影响范围边界坐标以及到达岸边时间;
13、库区社会经济数据包括沿岸居民点分布坐标、人口密度以及重要基础设施位置与类型;
14、所述融合处理包括进行时空坐标统一、量纲标准化和缺失值插值处理。
15、进一步的方法,所述步骤二中浅水方程组为水面高程随时间的变化率等于负的水深乘以流速在水平方向上的散度,以及流速随时间的变化率等于负的重力加速度乘以水面高程在水平方向上的梯度减去底部摩擦阻力项;
16、滑体入水的刚体运动方程为滑体加速度等于重力沿滑面方向的分量减去滑面摩擦力和水阻力。
17、损失函数由三部分组成:
18、第一部分为数据损失,即网络预测的涌浪水面高程和流速与数字孪生基础数据库中实测值之间的均方误差;
19、第二部分为物理方程残差损失,即将网络输出代入浅水方程组和刚体运动方程后,方程左右两侧之差的均方值;
20、第三部分为边界条件损失,即网络输出在库区岸边界和开放边界处与已知水位或流速边界条件之间的均方误差,总损失等于数据损失乘以权重系数加上物理方程残差损失乘以权重系数加上边界条件损失乘以权重系数。
21、进一步的方法,所述步骤二中物理信息神经网络的网络结构为全连接前馈网络,包含6个隐藏层,每层包含128个神经元,激活函数选用双曲正切函数,输入层节点数等于空间坐标维数加时间维数,即三维空间坐标加一维时间共4个输入节点,输出层节点数等于待预测的物理量数目,包括水面高程和两个方向的流速共3个输出节点;
22、物理方程残差损失的计算方式为:在每个训练批次中随机采样若干个配置点,配置点在时空域内均匀分布,将物理信息神经网络在配置点处的输出代入浅水方程组和刚体运动方程,计算方程左侧与右侧之差的绝对值,对所有配置点的残差绝对值求平均后再平方,作为物理方程残差损失。
23、进一步的方法,所述步骤三中编码器部分采用图卷积网络对高精度数字高程模型地形地貌数据与库区地质构造数据进行空间拓扑特征提取,将库区数字高程模型离散为图结构,每个网格单元作为一个图节点,节点特征包含该单元的高精度数字高程模型地形地貌数据与库区地质构造数据,相邻网格单元之间建立边连接,其中每个节点的新特征等于该节点原特征乘以自身权重矩阵,加上所有邻居节点特征乘以共享权重矩阵后求和,再经过非线性激活函数;
24、解码器部分长短期记忆网络通过遗忘门控制上一时刻细胞状态的保留比例,通过输入门控制当前时刻新信息的写入比例,通过输出门控制当前时刻隐藏状态的输出比例,三个门的开闭均由当前输入和上一时刻隐藏状态经过 sigmoid函数后的值决定。
25、进一步的方法,所述步骤三中图卷积网络的图卷积操作执行三轮,每轮采用不同的权重矩阵,第一轮权重矩阵用于聚合直接相邻节点的一阶空间特征,第二轮权重矩阵用于聚合二阶相邻节点的空间特征,第三轮权重矩阵用于聚合三阶相邻节点的空间特征,三轮输出进行拼接后作为该节点的最终空间特征表示。
26、进一步的方法,所述多尺度时空特征提取网络的预训练包括如下:
27、利用步骤一中构建的数字孪生基础数据库中的历史滑坡涌浪事件数据作为训练集,以涌浪最大爬高、影响范围和到达时间作为监督标签,对多尺度时空特征提取网络进行有监督训练,训练优化器采用自适应矩估计优化器,初始学习率设为0.001,每训练50个周期将学习率衰减为原来的0.1倍,总训练轮次为500个周期。
28、进一步的方法,所述步骤四中图注意力网络包含两层图注意力层,第一层注意力头数为四,第二层注意力头数为八,两层之间加入残差连接和层归一化操作,最终全连接层输出五个节点分别对应五个风险等级,采用softmax函数将输出转化为各风险等级的概率分布;
29、风险等级分为五级:极低风险、低风险、中风险、高风险以及极高风险。
30、进一步的方法,所述步骤四中节点特征向量由四个维度组成:第一个维度为该单元到滑坡入水点的距离,第二个维度为该单元的地形高程,第三个维度为该单元所在位置的地质抗剪强度,第四个维度为该单元的历史水位变化幅值;
31、图注意力机制计算节点间的风险关联权重包括:对于任意一对相连节点,首先分别对两个节点的特征向量进行线性变换得到查询向量和键向量,然后计算查询向量与键向量的点积作为原始注意力分数,再将原始注意力分数除以特征维度的平方根进行缩放,接着对该节点所有邻居的缩放后注意力分数进行softmax归一化得到注意力权重,最后用注意力权重对邻居节点的特征向量进行加权求和得到该节点的聚合特征。
32、进一步的方法,所述步骤五中自适应网格重构策略包括:定义涌浪活跃度指标为当前网格单元内水面高程梯度的绝对值与流速大小的乘积,若某网格单元的涌浪活跃度指标大于预设阈值,则将该网格单元四等分细化为四个子网格,若某网格单元的涌浪活跃度指标小于预设阈值的一半且连续十个时间步保持低于该值,则将该网格单元与相邻低活跃度网格合并为一个粗网格;
33、自适应网格重构的预设阈值根据库区平均水深动态确定,具体为平均水深乘以0.15,网格最小尺寸不小于平均水深的二十分之一,最大尺寸不大于平均水深的2倍。
34、与相关技术相比较,本发明提供的库区滑坡涌浪数值模拟风险评估方法具有如下有益效果:
35、1、本发明不仅输入基础高程数据,还通过采集提取坡度、坡向、平面曲率、剖面曲率、地形湿度指数和地形粗糙度地形参数,并将其作为图卷积网络的节点初始特征,分别表征地表倾斜程度与方向、水流汇聚与发散特性、水分汇集能力和地表起伏剧烈程度,使数值模型能够综合考虑地形对涌浪传播、爬高和淹没的多重物理影响,克服了现有方法仅依赖单一高程参数的局限性。
36、2、本发明将库区地形栅格化为图结构,以地形参数为节点特征,以空间邻接关系为边,利用图卷积网络学习地形特征与涌浪风险之间的非线性映射关系,相比传统纯物理模型,图卷积网络能够快速融合多维地形信息,在不同库水位和滑坡体参数工况下高效输出风险等级,大幅提升风险评估的速度和适应性。
37、3、本发明通过收集高精度数字高程模型地形地貌数据、库区地质构造数据、水文气象动态监测数据、历史滑坡涌浪事件复盘数据以及库区社会经济数据并进行融合处理,最终构建库区数字孪生基础数据库,分别服务于水深计算、爬高判断、滑坡体方量估算、水流约束和淹没范围确定,尤其是地形数据与历史滑坡涌浪事件复盘数据,能够准确判断涌浪爬高是否越过岸顶,直接决定风险区域的划定精度。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com