一种用于地裂缝监测的数据智能分析系统

本发明涉及电数字数据处理，具体涉及一种用于地裂缝监测的数据智能分析系统。

背景技术：

1、地裂缝灾害会对人类和社会造成很大的危害，地裂缝不仅威胁着建筑物的安全，还可能导致地面沉降、水资源污染等次生灾害，因此，需要对各种地裂缝数据进行实时监测，及时预测地裂缝灾害，提前做好防备，降低地裂缝灾害带来的损失。

2、现有方法中通过智能分析技术对各个地区实时采集的地裂缝的各种监测数据进行分析，自动化预测各个地区的地裂缝灾害情况，能够及时发现地裂缝灾害，及时进行预警。但在实际情况中，在对各种地裂缝数据进行监测的过程中，由于地质环境的复杂性、监测数据种类的多样性和监测系统长期运行产生的不稳定因素等原因，容易导致地裂缝的各种监测数据不准确，进而导致智能分析技术无法及时准确的预测地裂缝灾害，可能对人类和社会造成极大的伤害。

技术实现思路

1、为了解决采集的地裂缝的各种监测数据可能不准确，而导致智能分析技术无法及时准确的预测地裂缝灾害的技术问题，本发明的目的在于提供一种用于地裂缝监测的数据智能分析系统，所采用的技术方案具体如下：

2、本发明提出了一种用于地裂缝监测的数据智能分析系统，该系统包括以下内容：

3、数据获取模块，用于获取指定地区内每次地裂缝发生时间段内每个时刻下的每种监测数据和最后一次地裂缝结束时刻到当前时刻之间的每个时刻下的每种监测数据；获取指定地区内每次地裂缝的风险指标值；

4、整体影响值获取模块，用于根据每次地裂缝发生时间段内每种监测数据的变化，获取每种监测数据在每次地裂缝下的变化特征值；根据每种监测数据在每次地裂缝下的变化特征值与风险指标值的差异，以及每种监测数据的变化特征值与风险指标值的分布差异，获取监测数据的整体影响值；

5、主要监测数据获取模块，用于根据每种监测数据的变化特征值的波动和风险指标值的波动，以及整体影响值，获取每种监测数据的实际参考值，进而筛选出主要监测数据；

6、预测风险指标值获取模块，用于根据不同种类主要监测数据的实际参考值差异和不同风险指标值的差异，获取不同种类主要监测数据的相似程度值，进而将主要监测数据划分为数据类别；根据每个数据类别内每种主要监测数据和最后一次地裂缝结束时刻到当前时刻之间的每种监测数据之间的波动差异，筛选出目标数据类别；基于目标数据类别内所有主要监测数据对应的相似程度值，获取预测风险指标值；

7、数据处理模块，用于根据预测风险指标值对指定地区内的地裂缝灾害进行预测。

8、进一步地，所述变化特征值的获取方法为：

9、对于任一次地裂缝发生时间段内的任一种监测数据，根据该次地裂缝发生时间段内每个时刻下的该种监测数据与该次地裂缝发生时间段内该种监测数据的均值的差异，以及该种监测数据的最大预设临界值与该次地裂缝发生时间段内最大的该种监测数据的差异，获取该种监测数据在该次地裂缝下的变化特征值。

10、进一步地，所述变化特征值的计算公式为：

11、

12、式中，ta,i为第a种监测数据在第i次地裂缝下的变化特征值；mi为第i次地裂缝发生时间段内时刻的总数量；ua,i,m为第i次地裂缝发生时间段内第m个时刻下的第a种监测数据；为第i次地裂缝发生时间段内第a种监测数据的均值；u′a,max为第a种监测数据的最大预设临界值；ua,i,max为第i次地裂缝发生时间段内最大的第a种监测数据；α为第一预设常数，大于0；||为绝对值函数。

13、进一步地，所述整体影响值的计算公式为：

14、

15、

16、式中，e为监测数据的整体影响值；b为监测数据的种类总数量；d为指定地区内地裂缝发生的总次数；tb,d为第b种监测数据在第d次地裂缝下的变化特征值；γd为第d次地裂缝的风险指标值；为第b种监测数据的变化特征值与风险指标值的相对熵；为第b种监测数据在第d次地裂缝下的归一化变化特征值在第b种监测数据的所有归一化变化特征值中的分布概率；为第d次地裂缝的归一化风险指标值在所有归一化风险指标值中的分布概率；ln为以自然常数为底数的对数函数；β为第二预设常数，大于0；norm为归一化函数。

17、进一步地，所述根据每种监测数据的变化特征值的波动和风险指标值的波动，以及整体影响值，获取每种监测数据的实际参考值，进而筛选出主要监测数据的方法为：

18、对于任一种监测数据，获取该种监测数据的变化特征值的方差与风险指标值的方差的比值，作为该种监测数据的影响参考值；

19、将该种监测数据的影响参考值与参考预设常数的差值负相关且归一化的结果，作为该种监测数据的影响权重值；

20、将把该种监测数据的影响权重值与整体影响值的乘积，作为该种监测数据的实际参考值；

21、获取每种监测数据的实际参考值并从小到大进行排列，获得实际参考值序列；

22、将实际参考值序列中相邻两个实际参考值的差异，均作为第一差异；

23、在最大第一差异所对应的两个实际参考值之间进行划分，将实际参考值序列划分为两部分，将划分后的后一部分实际参考值序列中的实际参考值所对应的监测数据，作为主要监测数据。

24、进一步地，所述根据不同种类主要监测数据的实际参考值差异和不同风险指标值的差异，获取不同种类主要监测数据的相似程度值，进而将主要监测数据划分为数据类别的方法为：

25、对于任意两种主要监测数据，根据该两种主要监测数据的实际参考值差异和在不同两次地裂缝之间的风险指标值的差异，获取该两种主要监测数据在对应两次地裂缝之间的相似参考值；

26、获取该两种主要监测数据在任意两次地裂缝之间的相似参考值，将最小的相似参考值作为该两种主要监测数据的相似程度值；

27、获取任意两种主要监测数据的相似程度值，基于相似程度值通过k-means聚类算法将主要监测数据进行聚类，获得数据类别。

28、进一步地，所述相似参考值的计算公式为：

29、

30、式中，为第x种主要监测数据和第y种主要监测数据在第i次地裂缝和第k次地裂缝之间的相似参考值；fx为第x种主要监测数据的实际参考值；fy为第y种主要监测数据的实际参考值；γi为第i次地裂缝的风险指标值；γk为第k次地裂缝的风险指标值；μ为第三预设常数，大于0。

31、进一步地，所述目标数据类别的获取方法为：

32、将最后一次地裂缝结束时刻到当前时刻之间的所有种监测数据的方差的均值，作为第一特征值；

33、获取每个数据类别内每种主要监测数据在每次地裂缝下的方差，作为第一值；

34、获取每个数据类别内每种主要监测数据的第一值的均值，作为对应数据类别内对应种主要监测数据的第一参考值；

35、获取每个数据类别内所有第一参考值的均值，作为对应数据类别的第二特征值；

36、获取所述第一特征值与每个所述第二特征值的差异，均作为第二差异；

37、将最小的第二差异对应的第二特征值所对应的数据类别，作为目标数据类别。

38、进一步地，所述预测风险指标值的获取方法为：

39、获取目标数据类别内的主要监测数据对应的相似程度值，作为参考相似程度值；

40、将所有的参考相似程度值所对应的风险指标值，作为参考风险指标值；

41、将重复的参考风险指标值去除，获取保留参考风险指标值的均值，作为指定地区的预测风险指标值。

42、进一步地，所述风险指标值的获取方法为：

43、获取指定地区内每次地裂缝发生后的裂缝长度、裂缝宽度、裂缝深度、影响建筑物数量和人员伤亡数量，并对每次地裂缝发生后的裂缝长度、裂缝宽度、裂缝深度、影响建筑物数量和人员伤亡数量均进行人为打分；

44、基于人为打分通过五层全连接神经网络模型，获取每次地裂缝的风险指标值。

45、本发明具有如下有益效果：

46、根据每次地裂缝发生时间段内每种监测数据的变化，获取每种监测数据在每次地裂缝下的变化特征值，准确反映出每种监测数据在每次地裂缝下的变化情况，为后续准确的确定主要监测数据做准确；进而根据每种监测数据在每次地裂缝下的变化特征值与风险指标值的差异，以及每种监测数据的变化特征值与风险指标值的分布差异，获取监测数据的整体影响值，确定监测数据对地裂缝灾害的影响程度；进一步根据每种监测数据的变化特征值的波动和风险指标值的波动，以及整体影响值，获取每种监测数据的实际参考值，确定每种监测数据表征地裂缝灾害信息的重要程度，进而筛选出主要监测数据，确定出可以表征地裂缝灾害信息的监测数据；进而根据不同种类主要监测数据的实际参考值差异和不同风险指标值的差异，获取不同种类主要监测数据的相似程度值，确定不同种类的主要监测数据之间的相似情况，进而根据相似程度值将主要监测数据划分为数据类别，便于后续更准确高效的预测地裂缝灾害情况；进而根据每个数据类别内每种主要监测数据和最后一次地裂缝结束时刻到当前时刻之间的每种监测数据之间的波动差异，准确筛选出目标数据类别，进而基于目标数据类别内所有主要监测数据对应的相似程度值，准确获取预测风险指标值，准确预测指定地区的地裂缝灾害情况，以及进行预防降低地裂缝灾害带来的损失。