多孔物理信息神经网络滑坡位移场重构与布孔方法及系统
本发明涉及滑坡地质灾害监测和地质工程,尤其是指一种多孔物理信息神经网络滑坡位移场重构与布孔方法及系统。
背景技术:
1、滑坡是山区公路、铁路和城镇建设中最主要的地质灾害类型之一,其有效预警依赖于对坡体变形的连续监测;合成孔径雷达干涉测量、全球定位系统和激光雷达等地表监测手段能够获取面状的地表位移分布,但无法探测坡体内部结构,控制失稳机制的滑面深度与几何形态在地表观测中不可见,钻孔测斜仪通过测量不同深度处的累计侧向位移填补了这一观测空白,是识别滑面位置、刻画深部蠕变过程的主要手段。
2、然而,钻孔的钻探与设备安装成本高昂,客观上限制了钻孔的空间覆盖密度;在工程实践中,一处数百米尺度的滑坡通常仅布设三至五个测斜孔,相邻孔间距达一百米以上,由此产生一个长期缺乏定量回答的工程问题:需要多少个钻孔、以多大间距布设,才足以可靠地重构连续的地下位移场。
3、为解决滑坡地下位移场的空间分析问题,现有技术主要采用以下方法:
4、(1)单孔独立建模方法:对每个测斜孔的深度-时间位移数据分别建立时序模型或物理约束模型,逐孔给出该孔位置处的位移演化与滑面深度。该方法各孔模型彼此隔离,未设孔的位置无位移估计能力,无法输出连续的全域位移场,也无法回答孔间插值是否可靠;
5、(2)地统计插值方法:以克里金插值等方法在孔间对位移进行空间插值。该方法面向静态标量场,不能处理深度-时间-空间三者耦合的动态位移场,且不含任何蠕变本构约束,在孔间距较大时插值结果缺乏物理约束、外推能力差;
6、(3)数值计算方法:以有限元法或有限差分法建立坡体模型,正演完整位移场。该方法需要完备的本构参数和边界条件,而在役监测边坡通常不具备这些资料,参数反演本身又依赖于足够密的观测;
7、然而上述现有方法均未把钻孔布设密度本身作为可诊断和可优化的对象,因此现有技术存在以下亟待解决的技术问题:
8、其一,缺乏跨钻孔的连续位移场重构能力,未设孔位置成为监测盲区,滑面在空间上的延展形态无法连续刻画;
9、其二,缺乏对深度-时间-空间耦合动态过程的统一表达,空间插值与时间预测被割裂为两个互不支撑的环节;
10、其三,依赖完备的本构参数与边界条件,与在役监测边坡的资料条件不匹配,难以在监测期内实时给出结果。
11、其四,同一滑坡不同部位的位移量级可相差两个数量级,若将各孔数据直接汇入统一损失函数联合训练,损失将被大位移钻孔主导,小位移钻孔的位移模式被淹没,弱信号部位的重构精度无法保证。
12、其五,缺乏对钻孔布设密度的定量判据,孔数偏少形成监测盲区,孔数偏多造成勘察投资浪费,工程上只能凭经验布孔,且对地质异常区段是否需要加密、边界孔应优先布设在哪一侧没有定量指引。
13、其六,未区分时间维预测与空间维插值对观测信息量的不同需求,在孔数不足的监测初期既得不到可靠的空间插值结果,也未能利用已有单孔时序数据实现早期预警,监测资源的时序配置缺乏依据。
技术实现思路
1、鉴于上述现有技术的不足,本发明提供了一种多孔物理信息神经网络滑坡位移场重构与布孔方法及系统,用以解决现有技术中未设孔位置无法连续重构、孔间插值缺乏物理约束、多孔位移量级差异导致弱信号被淹没、钻孔布设密度缺乏定量判据和时间维预测与空间维插值未区分的问题。
2、为了实现上述目的,本发明采用如下技术方案:
3、第一方面,本发明提供了一种多孔物理信息神经网络滑坡位移场重构与布孔方法,包括以下步骤:
4、获取沿滑坡主滑方向布设的多个监测孔的观测数据,并获取各所述监测孔沿所述主滑方向的空间坐标;
5、所述观测数据包括累计侧向位移观测数据、累计侧向位移观测数据对应的观测深度和观测时间;
6、对所述位移观测数据按监测孔进行独立归一化,得到归一化位移,并对所述观测深度、所述观测时间和所述空间坐标进行全域共享参数归一化,得到归一化变量;
7、所述归一化变量包括归一化深度、归一化时间和归一化空间坐标;
8、构建多孔联合物理信息神经网络模型,并建立复合损失函数;
9、所述多孔联合物理信息神经网络模型包括位移网络和蠕变参数网络;
10、根据归一化变量和归一化位移,采用分阶段训练策略,基于所述复合损失函数训练所述物理信息神经网络模型,得到训练后的多孔联合物理信息神经网络模型;
11、在所述归一化变量的范围内生成多个输入坐标,将各所述输入坐标输入至训练后的位移网络,得到各所述输入坐标处的归一化预测位移,并对所述归一化预测位移进行反归一化,得到各所述输入坐标处的实际位移,以形成三维连续位移场;
12、将预设的归一化深度和归一化空间坐标,输入至训练后的所述蠕变参数网络,以得到对应的蠕变参数,并生成叠加有空间异质性特征的合成孪生数据集;
13、获取滑坡的地质数据,基于所述地质数据设定多种候选布设配置;
14、基于合成孪生数据集,对各所述候选布设配置分别执行留一交叉验证,得到各候选布设配置的平均决定系数,并将所述平均决定系数满足预设条件的候选布设配置,确定为布设方案并输出。
15、在一个可选的实施方式中,所述方法还包括:
16、对所述连续位移场沿深度方向自动微分得到应变场,依据所述应变场沿深度方向的集中带确定滑面位置;
17、利用训练后的多孔联合物理信息神经网络模型,沿时间方向进行外推预测,得到外推位移预测值。
18、在一个可选的实施方式中,对所述位移观测数据按监测孔进行独立归一化,得到归一化位移,并对所述观测深度、所述观测时间和所述空间坐标进行全域共享参数归一化,得到归一化变量,具体包括以下步骤:
19、根据每个监测孔的位移观测数据的最小值和最大值,将该监测孔的位移观测数据线性映射至预设区间,得到该监测孔的归一化位移;
20、所述监测孔为钻孔测斜仪所在的钻孔;
21、以全部监测孔的观测深度中的最小值和最大值为全域共享的归一化参数,对观测深度进行归一化,得到归一化深度;
22、以全部监测孔的观测时间中的最小值和最大值为全域共享的归一化参数,对观测时间进行归一化,得到归一化时间;
23、以全部监测孔的空间坐标中的最小值和最大值为全域共享的归一化参数,对空间坐标进行归一化,得到归一化空间坐标。
24、在一个可选的实施方式中,构建多孔联合物理信息神经网络模型,并建立复合损失函数,具体包括以下步骤:
25、基于物理信息神经网络,构建多孔联合物理信息神经网络模型;
26、所述位移网络以所述归一化变量为输入,输出归一化预测位移;
27、所述蠕变参数网络以所述归一化深度和所述归一化空间坐标为输入,输出随深度和空间坐标变化的蠕变参数;
28、所述蠕变参数为burgers粘弹性蠕变模型参数,所述burgers粘弹性蠕变模型参数包括初始弹性位移参数、稳态蠕变速率参数、瞬态蠕变幅值参数和瞬态衰减速率参数;
29、建立数据保真度损失项,通过惩罚所述归一化预测位移与所述归一化位移之间的偏差,以约束所述归一化预测位移逼近所述归一化位移;
30、建立蠕变本构损失项,通过惩罚所述归一化预测位移对时间的导数与由蠕变参数确定的理论蠕变速率之间的偏差,以约束位移的时间演化符合burgers粘弹性蠕变模型;
31、建立应变平滑损失项,通过惩罚所述归一化预测位移对所述归一化深度的三阶导数在配置点上的均方值,以约束应变沿深度方向平滑;
32、建立蠕变本构损失项,通过将归一化预测位移按照位移尺度还原为物理位移并对物理时间求导,得到物理位移速率,并惩罚所述物理位移速率与由蠕变参数确定的理论蠕变速率之间的偏差,以约束位移的时间演化符合burgers粘弹性蠕变模型;
33、建立位移单调性损失项,通过惩罚所述归一化预测位移对所述归一化空间坐标的一阶偏导数经单侧整流后的平方均值,以约束位移沿所述主滑方向由滑坡前缘向滑坡后缘不增;
34、以所述数据保真度损失项、所述蠕变本构损失项、所述应变平滑损失项、所述蠕变参数空间平滑损失项和所述位移单调性损失项,构成复合损失函数。
35、在一个可选的实施方式中,以所述归一化变量为输入,采用分阶段训练策略,基于所述复合损失函数训练所述物理信息神经网络模型,得到训练后的多孔联合物理信息神经网络模型,具体包括以下步骤:
36、以最小化所述数据保真度损失项为优化目标,对所述多孔联合物理信息神经网络模型进行预训练,得到预训练后的多孔联合物理信息神经网络模型;
37、采用随训练轮次由零递增至一的课程权重,对所述蠕变本构损失项、所述应变平滑损失项、所述蠕变参数空间平滑损失项和所述位移单调性损失项进行调制,并将调制后的各损失项与所述数据保真度损失项进行叠加,以得到调制后的复合损失函数;
38、以最小化所述调制后的复合损失函数为优化目标,对所述预训练后的多孔联合物理信息神经网络模型进行微调,得到微调后的多孔联合物理信息神经网络模型;
39、采用拟牛顿优化器,以最小化所述复合损失函数为优化目标,对所述微调后的多孔联合物理信息神经网络模型进行精修,得到训练后的多孔联合物理信息神经网络模型。
40、在一个可选的实施方式中,将预设的归一化深度和归一化空间坐标,输入至训练后的所述蠕变参数网络,以得到对应的蠕变参数,并生成叠加有空间异质性特征的合成孪生数据集,具体包括以下步骤:
41、将预设的归一化深度和归一化空间坐标,输入至训练后的所述蠕变参数网络,得到对应的蠕变参数,以形成二维蠕变参数场;
42、根据所述二维蠕变参数场,设定各所述蠕变参数沿所述主滑方向的基准趋势;
43、所述基准趋势由滑坡前缘向滑坡后缘递减;
44、将各所述蠕变参数对应的基准趋势分别乘以异质性乘子,得到叠加后的蠕变参数,以使各所述蠕变参数叠加所述空间异质性特征;
45、所述异质性乘子包括正弦波动项和局部异常项;
46、基于预设深度形函数,根据所述叠加后的蠕变参数,构造合成位移场;
47、在所述合成位移场上按预设的监测孔位置、深度和时间点进行采样,得到所述合成孪生数据集。
48、在一个可选的实施方式中,基于合成孪生数据集,对各所述候选布设配置分别执行留一交叉验证,得到各候选布设配置的平均决定系数,并将所述平均决定系数满足预设条件的候选布设配置,确定为布设方案并输出,具体包括以下步骤:
49、以所述合成孪生数据集中全部监测孔的合成位移数据的均值和标准差,对所述合成位移数据进行全局标准化,得到标准合成位移数据;
50、对所述候选布设配置中的每一个监测孔,依次将该监测孔作为留出孔,并分别执行留一交叉验证,以得到所述候选布设配置中各监测孔的决定系数;
51、将所述候选布设配置中位于两端的监测孔判定为边界孔,将其余监测孔判定为内部孔,并将全部所述内部孔对应决定系数的平均值作为该候选布设配置的平均决定系数;
52、按监测孔数量递增的顺序,对当前候选布设配置执行留一交叉验证,得到该候选布设配置的内部孔平均决定系数;
53、判断该内部孔平均决定系数是否小于预设阈值;
54、若小于,则按监测孔数量递增的顺序,对下一候选布设配置执行留一交叉验证;
55、若不小于,则将该当前候选布设配置确定为选定布设配置,并将该当前候选布设配置所对应的监测孔数量和相邻监测孔平均间距,分别确定为最小监测孔数量和最大允许间距;
56、在所述选定布设配置中,将内部孔里决定系数最低的监测孔所在区段判定为疑似异常区段或需加密区段,并结合地质数据进行复核;
57、将复核后的区段监测孔间距加密至所述最大允许间距的一半以下,并将位移量级较小一侧的边界孔优先布设,以形成所述布设方案;
58、所述留一交叉验证的具体步骤包括:
59、以所述候选布设配置中留出孔之外的其余监测孔,在所述合成孪生数据集中对应的标准合成位移数据,来训练所述多孔联合物理信息神经网络模型;
60、将所述留出孔在所述合成孪生数据集中对应的归一化坐标,输入至训练后的多孔联合物理信息神经网络模型,得到所述留出孔对应的位移预测值;
61、基于所述留出孔对应的标准合成位移数据和位移预测值,在同一标准化域内计算留出孔的决定系数。
62、在一个可选的实施方式中,对所述连续位移场沿深度方向自动微分得到应变场,依据所述应变场沿深度方向的集中带确定滑面位置,并利用训练后的多孔联合物理信息神经网络模型,沿时间方向进行外推预测,得到外推位移预测值,具体包括以下步骤:
63、对所述连续位移场沿深度方向自动微分,得到应变场;
64、针对每一监测孔,计算所述应变场在各所述时间点沿深度方向的分布曲线,将同一监测孔在各所述时间点的分布曲线沿时间方向取平均,得到该监测孔的时间平均应变剖面;
65、在所述时间平均应变剖面中定位局部极大值点,并判断局部极大值点的应变值是否超过预设应变阈值;
66、若超过,则将该局部极大值点对应的深度确定为所述滑面位置;
67、若未超过,则将该局部极大值点排除;
68、将各监测孔的位移观测数据分别按时间先后划分为训练段和检验段,以全部监测孔的训练段对应的位移观测数据重新训练多孔联合物理信息神经网络模型;
69、利用重新训练后的多孔联合物理信息神经网络模型,对所述检验段内各时间点的位移进行预测,得到检验段内各时间点的外推位移预测值;
70、计算各所述外推位移预测值与所述检验段对应的位移观测数据之间的外推决定系数,以所述外推决定系数表征外推精度。
71、第二方面,本发明提供了一种多孔物理信息神经网络滑坡位移场重构与布孔系统,包括:
72、数据获取模块,用于获取沿滑坡主滑方向布设的多个监测孔的观测数据,并获取各所述监测孔沿所述主滑方向的空间坐标;
73、所述观测数据包括累计侧向位移观测数据、累计侧向位移观测数据对应的观测深度和观测时间;
74、数据处理模块,用于对所述位移观测数据按监测孔进行独立归一化,得到归一化位移,并对所述观测深度、所述观测时间和所述空间坐标进行全域共享参数归一化,得到归一化变量;
75、所述归一化变量包括归一化深度、归一化时间和归一化空间坐标;
76、模型构建模块,用于构建多孔联合物理信息神经网络模型,并建立复合损失函数;
77、所述多孔联合物理信息神经网络模型包括位移网络和蠕变参数网络;
78、模型训练模块,用于根据归一化变量和归一化位移,采用分阶段训练策略,基于所述复合损失函数训练所述物理信息神经网络模型,得到训练后的多孔联合物理信息神经网络模型;
79、位移场重构模块,用于在所述归一化变量的范围内生成多个输入坐标,将各所述输入坐标输入至训练后的位移网络,得到各所述输入坐标处的归一化预测位移,并对所述归一化预测位移进行反归一化,得到各所述输入坐标处的实际位移,以形成三维连续位移场;
80、数据集生成模块,用于将预设的归一化深度和归一化空间坐标,输入至训练后的所述蠕变参数网络,以得到对应的蠕变参数,并生成叠加有空间异质性特征的合成孪生数据集;
81、候选布设模块,用于获取滑坡的地质数据,基于所述地质数据设定多种候选布设配置;
82、布设方案模块,用于基于合成孪生数据集,对各所述候选布设配置分别执行留一交叉验证,得到各候选布设配置的平均决定系数,并将所述平均决定系数满足预设条件的候选布设配置,确定为布设方案并输出。
83、在一个可选的实施方式中,所述系统还包括:
84、滑面识别模块,用于对所述连续位移场沿深度方向自动微分得到应变场,依据所述应变场沿深度方向的集中带确定滑面位置;
85、外推预测模块,用于利用训练后的多孔联合物理信息神经网络模型,沿时间方向进行外推预测,得到外推位移预测值。
86、本发明提供的实施例带来的有益效果包括:
87、本发明通过将位移网络的输入由深度-时间二维扩展为深度-时间-空间三维,并构建包括位移网络和蠕变参数网络的多孔联合物理信息神经网络模型,使单一模型能够在多个监测孔上联合训练并在监测孔之间区域输出位移估计,从而实现了跨监测孔的连续位移场重构,消除了未设监测孔位置的监测盲区。
88、本发明通过构建复合损失函数,使得空间插值与时间预测在同一连续场上完成,从而克服了地统计插值方法无法处理深度-时间-空间耦合动态过程、缺乏物理约束的不足;通过蠕变参数网络输出随深度和空间坐标变化的蠕变参数,无需事先给定完备的本构参数与边界条件,仅凭监测孔的位移观测数据即可完成位移场重构,从而与在役监测边坡的资料条件相适应。
89、本发明通过对位移观测数据按监测孔进行独立归一化,避免了大位移监测孔主导损失函数,使弱信号监测孔的位移模式能够被有效学习,从而提高了多监测孔联合重构中弱信号部位的重构精度。
90、本发明通过基于训练后的蠕变参数生成叠加空间异质性特征的合成孪生数据集,并基于地质数据设定多种候选布设配置,对各候选布设配置执行留一交叉验证,以平均决定系数满足预设条件确定布设方案,从而实现了钻孔布设密度的定量诊断与优化,避免了凭经验布孔造成的监测盲区或勘察投资浪费。
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