一种用于矿业开采的岩土工程地质灾害预测方法及系统与流程

本发明属于地质工程，具体是一种用于矿业开采的岩土工程地质灾害预测方法及系统。

背景技术：

1、岩土工程地质灾害预测系统是一种结合岩土工程学、地质学和地质灾害领域的知识，且能够进行地质灾害调查、分析和预测的自动化系统，旨在快速、准确地识别和分析地质灾害，减轻人工调查负担，帮助矿业企业及时识别地质灾害风险，有效降低矿山开采过程中的安全事故发生的概率，保障人员和财产安全，降低地质灾害的风险和损失。但是现有的岩土工程地质灾害预测存在大规模的地质调查数据不完备，数据质量不高的技术问题；存在数据存储容量不够，数据处理不及时的技术问题；存在地质灾害的机理和规律不完全清楚，受多种因素影响，地震数据难以提取有效特征，只能依赖于经验和专业知识的技术问题。

技术实现思路

1、针对上述情况，为克服现有技术的缺陷，本发明提供了一种用于矿业开采的岩土工程地质灾害预测方法及系统，针对大规模的地质调查数据不完备，数据质量不高的技术问题，本方案采用雷达干涉测量技术进行图像数据采集，采用反正切时间干涉测量法，通过缠绕相位更精确地描述地表的变形情况，提供更加精确、完备和全面的地质信息；针对数据存储容量不够和数据处理不及时，进而对地质灾害预警的时效性产生负面影响的技术问题，本方案采用大数据分布式存储系统对地质信息进行数据存储和处理，降低存储和处理成本，提高系统的运行效率；针对地质灾害的机理和规律不完全清楚，受多种因素影响，地震数据难以提取有效特征，只能依赖于以往勘测经验的技术问题，本方案采用深度卷积神经网络模型进行数据的特征提取和分配，通过迭代的方式剔除权重低的特征，获取最佳的特征选择，并设置随机失活层，避免过拟合问题，提升深度卷积神经网络模型泛化能力，摆脱对过去勘测经验的依赖。

2、本发明采取的技术方案如下：本发明提供的一种用于矿业开采的岩土工程地质灾害预测方法，该方法包括以下步骤：

3、步骤s1：数据采集与处理，具体为采用雷达干涉测量技术和反正切时间干涉测量法，在矿区进行地表形变测量，得到地质信息数据集；

4、步骤s2：数据存储与管理，具体为采用大数据分布式存储系统对地质信息数据进行数据存储和数据处理，所述数据处理包括备份、迁移和清理，得到地质信息存储优化数据集；

5、步骤s3：特征提取，具体为采用深度卷积神经网络模型对地质信息存储优化数据集进行数据的特征提取和分配，通过迭代的方式剔除权重低的特征，得到最佳的特征选择，并设置随机失活层，避免过拟合问题；

6、步骤s4：模型训练与优化；

7、步骤s5：应急响应与预警优化。

8、进一步地，在步骤s1中，所述数据采集与处理，包括以下步骤：

9、步骤s11：数据获取，在矿区中的基准站点和待测区域内安装多个雷达系统，同步运行雷达系统，使各个雷达站点在相同时间得到地质信息数据；

10、步骤s12：数据预处理，对获取的地质信息数据进行预处理，消除干扰信号和系统噪声，并进行相位调整和数据配准，得到多幅雷达图像；

11、步骤s13：进行反正切时间干涉测量，将多幅雷达图像进行配准，比较回波信号相位差，使用反正切来计算缠绕相位，通过缠绕相位更精确地描述地表的变形情况，包括以下步骤：

12、步骤s131：定义发送信号函数，确保雷达系统能够在相同时间段内发送一致的信号，所用公式如下：

13、；

14、式中，t1（t）是发送信号函数，f是信号的载波频率，t是时间，是发射机t时刻的初始相位；

15、步骤s132：计算发射信号的延迟时间函数，从而在后续的数据处理中进行正确的相位处理，所用公式如下：

16、；

17、式中，是发射信号的延迟时间函数，r（t）是信标到探针的瞬时范围，c是光速；

18、步骤s133：将接收信号进行正交解调，计算同相输出和正交输出，所用公式如下：

19、；

20、；

21、式中，i（t）是同相输出，q（t）是正交输出，ar是接收信号的振幅，是接收器的任意相位，是发射机t时刻的初始相位，εi（t）是同相输出通道中的噪声项，ar是接收信号的振幅，εq（t）是正交输出通道中的噪声项；

22、步骤s134：提取接收信号的相位来解析距离，得到接收信号的相位，所用公式为：

23、；

24、式中，φ（t）是接收信号的相位，是与之间的相位差，r（t）是信标到探针的瞬时范围，λ是载波波长；

25、步骤s135：不断计算接收信号的瞬时相位来解决距离间的变化问题，通过接收信号的反正切来计算缠绕相位，通过缠绕相位更精确地描述地表的变形情况，所用公式如下：

26、；

27、式中，mod2π是取模运算的一种形式，φw（t）是缠绕相位。

28、进一步地，在步骤s2中，所述数据存储与管理，包括以下步骤：

29、步骤s21：数据划分与分发，具体为将要处理的地质信息数据划分成数据块，分发到分布式存储系统的不同节点上；

30、步骤s22：数据存储与复制，具体为将分发的数据块存储在对应节点上进行备份，当存储节点获取数据存储请求时，分布式数据存储不断发送保存请求，包括以下步骤：

31、步骤s221：定义分布式数据的采用概率为p（x），数据弹性函数的期望是e[t（x）]，计算采用概率的期望e[p（x）]，所用公式如下：

32、；

33、式中，λ1是泊松参数，用来计算各项期望值之间的关系；

34、步骤s222：用粒度率操纵数据弹性函数t（x），由于t（x）和粒度率存在负相关关系，通过限定粒度率使t（x）保持数据弹性函数的初始值t3（x）；

35、步骤s223：计算数据弹性函数的初始值t3（x）的期望，所用公式如下：

36、；

37、式中，t（x）是数据弹性函数，e[t（x）]是数据弹性函数的期望，t3（x）是数据弹性函数的初始值；

38、步骤s224：计算下一时刻数据弹性函数，所用公式如下：

39、；

40、式中，t2（x）是下一时刻数据弹性函数；

41、步骤s225：分布式存储在大数据存储过程中宽带有限，数据弹性函数t（x）被存储层次完全覆盖，计算确定的覆盖关联对应的随机矩，所用公式如下：

42、；

43、式中，是随机矩，为大数据分布式存储梯度，p是粒度率，是覆盖关联；

44、步骤s226：计算大数据分布式存储强度指标，所用公式如下：

45、；

46、式中，λ1是泊松参数，e[t（x）]是数据弹性函数的期望，是大数据分布式存储强度指标；

47、步骤s23：选择数据处理框架，具体为采用hadoop大数据处理框架进行分布式计算与数据处理，使分布式存储系统与hadoop大数据处理框架无缝集成；

48、步骤s24：并行计算与数据通信，具体为在各个节点上同时执行计算任务并利用大数据分布式存储系统进行地质信息数据集之间的访问和通信；

49、步骤s25：数据管理和调度，对地质信息数据集进行数据备份、数据迁移和数据清理。

50、进一步地，在步骤s3中，所述特征提取，包括以下步骤：

51、步骤s31：数据集准备，具体为接收地质信息存储优化数据集所为训练数据集，设置对应标签数据并对标签进行编码；

52、步骤s32：训练数据集预处理，具体为对训练数据集进行标准化处理、归一化处理和数据增强处理；

53、步骤s33：前向传播，具体为将预处理后的训练数据集输入到深度卷积神经网络模型的各个层中并进行计算；

54、步骤s34：卷积和池化操作，具体为在特征提取层中进行卷积和池化操作，提取数据特征并降低特征维度，得到经过特征提取后的特征图；

55、步骤s35：引入非线性映射，具体为在特征提取层中使用relu激活函数对每个神经元的输出进行非线性变换，限制神经元的输出范围，所用公式如下：

56、relu（a）=max（0，a）；

57、式中，a是数据特征输入；

58、步骤s36：进行全连接操作，具体为将特征提取层输出的特征图通过扁平化操作转化为一维变量，与权重矩阵进行全连接操作；

59、步骤s37：反向传播，具体为输入训练数据集和对应标签数据，计算损失函数，输出网络中各个参数的梯度值，并通过梯度下降优化算法将损失函数最小化，根据损失函数计算的梯度更新网络的权重和偏差，所述损失函数计算采用交叉熵损失函数l进行计算，所用公式如下：

60、；

61、式中，c是类别，n是样本数量，m是分类类别的数量，yic是符号函数，表示样本i的真实类别等于c取1，否则取0，pic是观测样本i属于类别c的预测概率；

62、步骤s38：进行随机失活，具体为训练时随机将一部分神经元的输出置0，减少神经网络过拟合，得到最佳的特征选择，包括以下步骤：

63、步骤s381：定义训练过程中每个神经元被丢弃的概率，概率数值范围取0.2~0.5；

64、步骤s382：在全连接层前插入dropout层，将dropout层的输出作为全连接层的输入；

65、步骤s383：训练中，在前向传播过程中对dropout层的数据进行随机丢弃，在反向传播过程中，只更新没有丢弃的神经元的权重参数。

66、进一步地，在步骤s4中，所述模型训练与优化，具体为调整神经元数量和调整损失函数，不断迭代优化模型参数，使模型能够更好地拟合地质信息数据集，提高预测准确性。

67、进一步地，在步骤s5中，所述应急响应与预警优化，具体为优化响应机制，加速资源调配和信息共享，不断改进监测设备、优化数据传输网络和规范预警信息，包括以下步骤：

68、步骤s51：优化响应机制，具体为制定事件优先级和对应的时间响应目标，加速资源调配和信息共享；

69、步骤s52：改进监测设备，具体为更新升级监测设备和增加监测点的布设密度；

70、步骤s53：优化数据传输网络，具体为构建可靠高效的数据传输网络，使用先进的通信技术实时传输和处理监测数据；

71、步骤s54：规范预警信息，完善预警信息中以下四个部分：灾害类型、风险等级、影响区域和行动建议；

72、步骤s55：反馈更新，听取用户反馈不断更新优化预警系统和信息传递渠道。

73、本发明提供的一种用于矿业开采的岩土工程地质灾害预测系统，包括数据采集与处理模块、数据存储与管理模块、特征提取模块、模型训练与优化模块和应急响应与预警优化模块；

74、所述数据采集与处理模块，具体为采用雷达干涉测量技术和反正切时间干涉测量法，在矿区进行地表形变测量，得到地质信息数据集；

75、所述数据存储与管理模块，具体为采用大数据分布式存储系统对地质信息数据进行数据存储和数据处理，所述数据处理包括备份、迁移和清理，得到地质信息存储优化数据集；

76、所述特征提取模块，具体为采用深度卷积神经网络模型对地质信息存储优化数据集进行数据的特征提取和分配，通过迭代的方式剔除权重低的特征，得到最佳的特征选择，并设置随机失活层，避免过拟合问题；

77、所述模型训练与优化模块，具体为调整神经元数量和调整损失函数，不断迭代优化模型参数，使模型能够更好地拟合地质信息数据集，提高预测准确性；

78、所述应急响应与预警优化模块，具体为优化响应机制，加速资源调配和信息共享，不断改进监测设备、优化数据传输网络和规范预警信息。

79、采用上述方案本发明取得的有益效果如下：

80、（1）针对大规模的地质调查数据不完备，数据质量不高的技术问题，本方案采用雷达干涉测量技术进行图像数据采集，采用反正切时间干涉测量法，通过缠绕相位更精确地描述地表的变形情况，提供更加精确、完备和全面的地质信息；

81、（2）针对数据存储容量不够和数据处理不及时，进而对地质灾害预警的时效性产生负面影响的技术问题，本方案采用大数据分布式存储系统对地质信息进行数据存储和处理，降低存储和处理成本，提高系统的运行效率；

82、（3）针对地质灾害的机理和规律不完全清楚，受多种因素影响，地震数据难以提取有效特征，只能依赖于以往勘测经验的技术问题，本方案采用深度卷积神经网络模型进行数据的特征提取和分配，通过迭代的方式剔除权重低的特征，获取最佳的特征选择，并设置随机失活层，避免过拟合问题，提升深度卷积神经网络模型泛化能力，摆脱对过去勘测经验的依赖。