基于边坡变形速率的滑坡预警分级判定方法及终端设备与流程

摘要: 本发明涉及一种基于边坡变形速率的滑坡预警分级判定方法及终端设备,属于地质灾害预警。背景技术:1、由于山区丘陵区占比高、库区岸坡地质构造复杂、岩土体风化破碎,加之...
基于边坡变形速率的滑坡预警分级判定方法及终端设备与流程

本发明涉及一种基于边坡变形速率的滑坡预警分级判定方法及终端设备,属于地质灾害预警。

背景技术:

1、由于山区丘陵区占比高、库区岸坡地质构造复杂、岩土体风化破碎,加之库水位周期性升降、强降雨入渗、渗流场扰动及人类工程活动等多重因素耦合,库区滑坡灾害长期高发,具有隐蔽性强、演化周期长、突发性高、破坏力大和次生灾害链长等特点。滑坡整体失稳不仅损毁交通、房屋、水利设施和输电线路,还可能引发涌浪冲击大坝,导致漫坝或溃坝,威胁下游群众生命财产安全,同时破坏流域生态环境,制约水库运营和区域发展。因此,开展库区滑坡精准、实时、可靠的监测预警,已成为地质灾害防治的核心课题。

2、目前,库区滑坡监测预警主要分为两类技术路线。一是纯数据驱动预警,依托机器学习、深度学习、时间序列分析等算法,基于位移、降雨、库水位等多源监测数据构建拟合预测模型,通过经验阈值预警;其优势是处理速度快、建模门槛低,但本质为“黑箱模型”,未融入物理力学规律,易过拟合或欠拟合,在复杂工况下误报、漏报严重,预警指标缺乏力学依据,难以指导应急处置。二是纯数值力学模型预警,采用有限元、离散元、极限平衡等方法构建渗流-应力耦合模型,计算应力场、变形场、稳定性系数等力学参数进行预警;其物理意义明确,能反映坡体内部力学状态,但建模繁琐、参数获取成本高且耗时长,长时间序列计算效率极低,无法满足实时动态预警需求,且与监测数据严重脱节,模型复用性差。

技术实现思路

1、本发明提供了一种基于边坡变形速率的滑坡预警分级判定方法及终端设备,能够解决现有方法中监测数据与力学计算相互脱节、预警指标不规范、工程实用性差、智能化水平低的问题。

2、一方面,本发明提供了一种基于边坡变形速率的滑坡预警分级判定方法,所述方法包括:

3、s1、根据库区滑坡区域的历史变形速率数据确定标准变形速率数据,并根据所述滑坡区域的历史库水位时序变化数据确定历史库水位变动速率;

4、s2、根据所述滑坡区域的渗流数据、应力数据与地质勘察参数构建渗流-应力耦合物理基准模型,并利用所述渗流-应力耦合物理基准模型进行多工况数值模拟,得到所述滑坡区域的历史稳定性系数和历史剩余下滑力;

5、s3、构建以所述标准变形速率数据和所述历史库水位变动速率为输入、以所述历史稳定性系数和所述历史剩余下滑力为输出的标准化样本库,并根据所述标准化样本库构建物理信息神经网络反演模型;

6、s4、根据所述滑坡区域的实时库水位时序变化数据确定实时库水位变动速率,并将所述滑坡区域的实时变形速率数据和所述实时库水位变动速率输入所述物理信息神经网络反演模型,得到所述滑坡区域的实时稳定性系数;

7、s5、根据所述实时稳定性系数确定当前时刻所述滑坡区域的滑坡预警等级。

8、可选的,所述s1具体包括:

9、对库区滑坡区域的历史变形速率数据和历史库水位时序变化数据均进行异常值剔除、缺失值补全与平滑预处理,对应得到标准变形速率数据与标准库水位时序变化数据;

10、根据所述标准库水位时序变化数据确定历史库水位变动速率。

11、可选的,所述s2中的根据所述滑坡区域的渗流数据、应力数据与地质勘察参数构建渗流-应力耦合物理基准模型,具体包括:

12、根据所述滑坡区域的渗流数据、应力数据与地质勘察参数,并结合饱和-非饱和渗流控制方程与应力平衡方程,构建渗流-应力耦合物理基准模型。

13、可选的,所述s2中的利用所述渗流-应力耦合物理基准模型进行多工况数值模拟,得到所述滑坡区域的历史稳定性系数和历史剩余下滑力,具体包括:

14、设置多个包含库水位工况与岩土力学的差异化工况组合;

15、基于多个所述差异化工况组合,并利用所述渗流-应力耦合物理基准模型进行多工况数值模拟,得到对应差异化工况组合下所述滑坡区域的坡体最深滑面的历史稳定性系数和历史剩余下滑力。

16、可选的,所述s3中的根据所述标准化样本库构建物理信息神经网络反演模型,具体包括:

17、利用所述标准化样本库训练深度学习神经网络,得到深度学习代理模型;

18、根据所述深度学习代理模型和滑坡物理力学的约束条件,构建物理信息神经网络;

19、根据所述深度学习代理模型和所述物理信息神经网络,构建物理信息神经网络反演模型。

20、可选的,根据所述深度学习代理模型和所述物理信息神经网络,构建物理信息神经网络反演模型,具体包括:

21、计算所述深度学习代理模型的数据拟合误差与所述物理信息神经网络的物理约束残差;

22、基于所述数据拟合误差与所述物理约束残差计算总损失函数;

23、利用所述总损失函数训练所述物理信息神经网络,得到物理信息神经网络反演模型。

24、可选的,计算所述深度学习代理模型的数据拟合误差,具体包括:

25、将所述标准化样本库中的训练样本输入所述深度学习代理模型,得到所述滑坡区域的预测稳定性系数和预测剩余下滑力;

26、计算所述预测稳定性系数和所述历史稳定性系数之间的第一均方误差,并计算所述预测剩余下滑力和所述历史剩余下滑力之间的第二均方误差;

27、将所述第一均方误差和所述第二均方误差作为所述深度学习代理模型的数据拟合误差。

28、可选的,计算所述物理信息神经网络的物理约束残差,具体包括:

29、根据所述预测稳定性系数和所述预测剩余下滑力,分别计算极限平衡定义残差与摩尔-库仑准则残差;

30、将所述极限平衡定义残差与所述摩尔-库仑准则残差作为所述物理信息神经网络的物理约束残差。

31、可选的,基于所述数据拟合误差与所述物理约束残差计算总损失函数,具体包括:

32、对所述数据拟合误差与所述物理约束残差进行加权求和,得到总损失函数。

33、可选的,所述s3中的构建以所述标准变形速率数据和所述历史库水位变动速率为输入、以所述历史稳定性系数和所述历史剩余下滑力为输出的标准化样本库,具体包括:

34、将同一差异化工况组合下的所述标准变形速率数据和所述历史库水位变动速率作为输入,对应的所述历史稳定性系数以及所述历史剩余下滑力作为输出,一一匹配得到多个有效样本;

35、整合所有有效样本,形成标准化样本库。

36、另一方面,本发明提供了一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上述任一种所述的基于边坡变形速率的滑坡预警分级判定方法的步骤。

37、本发明能产生的有益效果包括:

38、本发明提供的基于边坡变形速率的滑坡预警分级判定方法,采集滑坡区域的历史变形速率数据与历史库水位时序变化数据,经3σ准则异常值剔除、线性插值补全缺失值及滑动平均平滑预处理,计算历史库水位变动速率;再结合渗流、应力数据与地质勘察参数,建立含饱和-非饱和渗流控制方程与应力平衡方程的渗流-应力耦合物理基准模型,通过拉丁超立方抽样生成多组工况与岩土参数组合,经数值模拟得到历史稳定性系数及历史剩余下滑力,构建标准化样本库;随后以多层感知机为基础搭建深度学习神经网络并训练得到代理模型,引入物理力学约束构建物理信息神经网络,结合数据拟合误差与物理约束残差构建总损失函数,训练得到pinn反演模型;采集实时变形速率与库水位数据并计算实时库水位变动速率,输入pinn反演模型,以输出实时稳定性系数;最后依据0.98、1.05、1.15、1.25的预警阈值,按稳定性系数区间及变化趋势判定一至四级预警等级,实现精准分级预警。

39、本发明提供的基于边坡变形速率的滑坡预警分级判定方法,该方法将数据驱动与物理力学模型深度融合,既通过标准化预处理与多工况数值模拟保障了数据质量与样本覆盖度,又借助反演模型兼具快速推理能力与物理严谨性,避免纯数据驱动模型的黑箱局限与纯力学模型的计算滞后问题;输出的实时稳定性系数作为核心预警指标,结合明确阈值实现分级判定,物理意义清晰、判定标准统一,能精准捕捉坡体稳定状态变化,为库区滑坡预警提供科学、高效、可靠的技术支撑,适配工程现场实时防控需求。