基于深度学习的施工期边坡开挖实时监测预警方法及系统与流程

本发明涉及水利工程信息化处理，尤其涉及一种基于深度学习的施工期边坡开挖实时监测预警方法及系统。

背景技术：

1、边坡安全是指对山体或土地边坡进行有效的监测、评估和管理，以防止发生滑坡、崩塌或其他地质灾害，保障人员和财产的安全。因此，边坡安全状态直接关系到枢纽工程的安全,重要边坡的失稳将造成严重的后果。岩质边坡工程的失稳破坏一般都有从渐变到突变的发展过程和破坏前的某种征兆，但由于高边坡稳定的影响因素复杂，具有很强不确定性和动态性，单凭经验难以判断边坡状态的发展过程。边坡安全监测能够得到边坡不同时期的真实状态，已成为判断边坡稳定状态的重要方法。合理布设边坡监测，并及时采集和准确处理分析监测数据，可以准确掌握边坡的工作性态，提前发现可能的危险，并及时采取处理措施，确保边坡安全。就目前的发展水平而言，信息的采集、管理、分析、评价、反馈及预警等方面仍存在很大的不足，如:信息采集的自动化程度有限，海量监测信息的管理和数据挖掘技术有待进一步研究，边坡的安全评价和预测预报在理论和方法上都还不成熟等。为治理这些边坡影响安全的因素不但耗去了大量的资金，还拖延了工程工期，给工程带来了巨大损失，水电工程高陡边坡问题已成为制约水利水电工程建设的关键技术难题。因而，适应边坡赋存环境及施工全过程的安全评价与灾害预警问题，已经成为水电工程建设中的必要环节。

2、现有技术一，申请号：cn202111423523.3公开了一种边坡施工期简易预警系统，包括供电电源、预警线路和断电报警器；断电报警器通过预警线路与供电电源连接；预警线路铺设在边坡斜面上；预警线路由多个预警线段和电线插销组成，相邻预警线段之间通过电线插销电连接；当边坡斜面发生形变超标时，至少一组相邻的预警线段从所连接的电线插销处断开连接；断电报警器断电后输出报警信号。当边坡出现下滑、内凹、外凸等各种变形时，变形范围内会存在相邻的预警线段从所连接的电线插销处断开，断电报警器断电后输出报警信号，虽然具有线状监测功能、安装简单、维护方便、预警及时等优点；但是其结构较为简单，功能化程度不高，导致预警结果精度不高。

3、现有技术二，申请号：cn201510769683.1公开了一种边坡和大坝施工期、初次蓄水期全过程变形稳定监测系统，包括：布设于边坡上用于感测边坡岩体的微破裂信号的若干微震传感器，布设于边坡上用于感测边坡不同深度变形的分布式mems变形观测仪，布设于大坝上用于感测坝体施工期、初次蓄水期全过程变形的分布式mems变形观测仪，mems变形观测仪由无线传输模块及若干mems加速度传感器串联而成；数据采集及处理子系统，用于采集微震传感器感测的边坡岩体的微破裂信号，及mems加速度传感器感测的边坡、坝体的变形数据，根据采集的数据分析、监测边坡与坝体的变形稳定情况。虽然能够连续监测整个施工过程以及初次蓄水全过程中，高混凝土坝近坝区的整体变形稳定情况；但是其监测手段复杂，不是针对施工期边坡开挖的监测。

4、现有技术三，申请号：cn201510528692.1公开了一种确定边坡施工期变形动态监控指标的方法，包括：首先建立开挖期边坡安全阶段的位移增长数据库，包括仪器安装的详细记录、安装时间及每开挖循环作业面与位移监测设备的垂直距离，并进行正常的监测及记录工作。根据已经获得的数据按本发明方法提供的公式，可以直接获得边坡位移增长的安全范围，当后期实测位移较大偏离此指标，则需要采取预警措施。虽然突破了以往单纯根据位移增长速率和工程类比对判断人员工程经验的高度依赖的局限，实现了根据监测数据、边坡开挖情况、边坡运行时长建立确定监控指标的模型；但是没有实现，监测、反馈及评判的一体化操作。

5、目前现有技术一、现有技术二及现有技术三存在监测的智能化程度较低，预警体系不完整，不能有效提升预警精度的问题。因此，本发明提供一种基于深度学习的施工期边坡开挖实时监测预警方法及系统，首先对边坡监测数据预处理；其次对数据深度挖掘与预测；最后建立风险预警机制。该方法与传统方法相比，以实时监测数据为基础，基于边坡监测信息异常评判、边坡实测性态实时评价提出边坡安全预警体系。

技术实现思路

1、本发明的主要目的在于提供一种基于深度学习的施工期边坡开挖实时监测预警方法及系统，以解决现有技术中的问题。

2、为实现上述目的，本发明提供如下技术方案：

3、一种基于深度学习的施工期边坡开挖实时监测预警方法，所述施工期边坡开挖实时监测预警方法包括：

4、对监测数据进行预处理，预处理包括监测数据平滑与异常点去除；

5、采用遗传算法自动搜索时序模型的最佳输入步长，并对模型的结构和参数进行优化，对边坡监测数据进行预测；

6、采用监测数据统计分析的方法，建立边坡风险监测标准机制。

7、作为本发明的进一步改进，对监测数据进行预处理，包括：

8、使用u检验法对系统误差进行识别，系统误差包括：固定系统误差与编制系统误差；

9、通过拉伊特准则剔除静态测值粗差，实现粗差识别与剔除；

10、按照mallat算法将信号分解成不同的小波分解系数，然后根据问题的要求对系数做进一步的处理，再用小波重建的方法恢复信号，对监测信息进行小波去噪处理。

11、作为本发明的进一步改进，使用u检验法对系统误差进行识别的表达式如下：

12、

13、式中，表示两组监测数据样本的平均值，，表示两组监测数据样本的子样数，，表示两组监测数据样本的方差，当，则测值存在系统误差，否则不存在系统误差。

14、作为本发明的进一步改进，粗差识别与剔除，避免歪曲被测量的实际形态；通过拉伊特准则剔除静态测值粗差，对于监测序列{xn} ，n≥10，若监测值与真值的偏差超过3σ，则认为是异常值，应剔除；在实际中，以样本方差s代替σ，以样本均值代替真值，即若有公式如下：

15、

16、动态测量得到的测值采用平滑移动的方法判断其合理性，即采用前n个相邻测值对第n+1个测值进行判断。

17、作为本发明的进一步改进，对监测信息进行小波去噪处理，按照mallat算法将信号分解成不同的小波分解系数，然后根据问题的要求对系数做进一步的处理，再用小波重建的方法恢复信号；其中，小波去噪的具体过程如下：

18、（1）分解过程：选定一种小波，对信号进行n层小波分解；

19、（2）作用阈值过程：对分解的各层系数选择一个阈值，并对细节系数处理；

20、（3）重建过程：去噪处理后的系数通过小波重建恢复原始信号。

21、作为本发明的进一步改进，对边坡监测数据进行预测，包括：

22、建立监测序列的时序模型，根据连续函数至少在较小的邻域内用多项式任意逼近的数学理论；

23、应用遗传算法优化的适应度函数基于模型预测输出值和实测值之间的误差计算获得。

24、作为本发明的进一步改进，建立监测序列的时序模型，设监测序列{x},建立监测序列的时序模型；

25、

26、式中，为输入历史数据的步长数，是多项式的系数，是多项式的阶,代表多项式中的系数的索引，用于表示不同历史数据项的组合，表示历史数据的不同阶次的值，其中代表当前时刻，代表历史数据的时间偏移，代表多项式的阶次。

27、作为本发明的进一步改进，应用遗传算法优化的适应度函数基于模型预测输出值和实测值之间的误差 f计算获得：

28、

29、式中，、分别表示实际测值和模型预测值；

30、优化过程分为两个层次，每层次均采用遗传算法优化，具体的优化计算流程包括：

31、（1）随机产生组模型结构参数，；作为初始模型结构群体；

32、（2）对每一组模型结构参数计算适应度值；

33、1)根据值构造学习样本；

34、2)随机产生组模型系数(,)，；

35、3)计算当前结构下每组模型系数对应的模型{,,}的适应度值；

36、4)判断是否满足系数进化终止条件，是则选择具有最佳适应度的模型参数作为当前模型结构的参数，并将其对应的适应度作为当前模型的适应度；否则按照适应度值选择模型参数组个体进行交叉、变异遗传进化操作，形成新一代模型参数组，转2)；

37、（3）判断是否满足结构参数进化终止条件，是则结束计算，并选择具有最佳适应度的个体作为最终解；否则按照适应度值选择模型结构个体进行交叉、变异等遗传进化操作，形成新一代模型结构参数组，转2)。

38、作为本发明的进一步改进，采用监测数据统计分析的方法，包括：

39、从实测资料中，选择不利荷载组合时的监测效应量，则为随机变量，由观测资料系列得到一个子样数为的样本空间，其统计量特征值为：

40、

41、

42、其中，表示样本均值，表示样本中观测值的平均数，是通过将所有观测值相加然后除以观测值的个数来计算的，表示样本标准差，表示样本数据的离散程度，是观测值偏离样本均值的平均距离，标准差的计算公式是对每个观测值与样本均值的差的平方求和，然后除以，最后取平方根，表示每个观测值的平方，表示样本均值的平方乘以观测值的个数；

43、用统计检验方法，对其进行分布检验，确定其概率密度的分布函数，令为监测效应量的极值，若当>时，监测出现异常，概率为：

44、；

45、求出的分布后，估计的主要问题是确定失事概率，其值根据工程的重要性和失事后果的严重性而定，确定后，由的分布函数直接求出=(,,)，即为下的监控标准;

46、使用监测趋势识别方法对监测信息异常评判，识别监测数据的异常变化；某连续监测序列{}，设边坡异常评判标准库为；若，则说明本次测值相对上次测值有变化；否则无变化；当时，若>，则为正；否则为负；同样序列{}分为正连、负连，然后判断监测序列当前及整体趋势的方法同上下连检定法。

47、为实现上述目的，本发明还提供了如下技术方案：

48、一种基于深度学习的施工期边坡开挖实时监测预警系统，其应用于所述的基于深度学习的施工期边坡开挖实时监测预警方法，所述基于深度学习的施工期边坡开挖实时监测预警系统包括：

49、预处理模块，用于对监测数据进行预处理，预处理包括监测数据平滑与异常点去除；

50、模型建立模块，用于采用遗传算法自动搜索时序模型的最佳输入步长，并对模型的结构和参数进行优化，对边坡监测数据进行预测；

51、统计分析模块，用于采用监测数据统计分析的方法，建立边坡风险监测标准机制。

52、本发明提高边坡监测数据的可靠性和有效性，从而更好地评估和管理边坡的安全状况，减少地质灾害的发生风险。具体来说：对监测数据进行预处理，可以使数据更加平滑和准确，去除异常点能够减少因为噪声或异常数据而引起的误判，提高数据的可信度。采用遗传算法自动搜索时序模型的最佳输入步长，并对模型的结构和参数进行优化，能够更精确地预测边坡的变化趋势，提前发现潜在的危险信号。建立边坡风险监测标准机制，可以通过监测数据的统计分析，建立边坡风险评估的指标体系，为边坡的安全管理提供科学依据，更好地指导边坡的安全管理工作。