【技術實現步驟摘要】
本專利技術涉及巖土工程、地質災害預測預警中的人工智能大數據驅動領域，具體涉及基于模態分解和機器學習的山體滑坡預警系統和方法。
技術介紹
1、高山峽谷區擁有豐富的水利資源，在一些水能集中的地區，修建了大量水庫大壩。同時這些地區晚近期及現代構造活動強烈，河谷深切，地質環境復雜惡劣。這樣的環境下，水庫邊坡容易失穩形成滑坡。其中庫水位變化和季節性降雨，被公認為是誘發水庫邊坡失穩變形最普遍的因素。水庫邊坡一旦失穩形成滑坡，會在河谷形成堰塞體堵塞河流，引起的涌浪和堰塞體潰決等災害鏈嚴重影響工程的運營安全和環境安全。因此，充分利用監測資料，實現準確可靠的預測預警體系，對于保障工程安全運行和減少災害損失具有重要的理論意義和工程應用價值。
2、目前，滑坡預警系統和方法的研究和成果很多，包括監測設備、無人機采集數據、北斗衛星數據傳輸、實時仿真、運用多種機器學習和優化算法等。山體滑坡應用中，由于位移監測數據非線性使得高精度預測變得具有挑戰性，傳統位移預測模型在精度上存在不足，一定程度上還需要技術人員親手操作和分析，存在誤差較大。因此，開發一種基于ssa-vmd-cnn-bilstm-attention模型的山體滑坡預警系統和方法，引入更多的算法對數據進行快速精確的分析及預測，以提高對山體滑坡監測大數據進行快速分析及預測，并提高山體滑坡預警的精確性和可靠性，滿足保障重大工程安全和人員安全的迫切需要。
技術實現思路
1、為此，本專利技術提供基于模態分解和機器學習的山體滑坡預警系統和方法，以解決背
2、為了實現上述目的，本專利技術提供如下技術方案：基于模態分解和機器學習的山體滑坡預警方法，數據傳輸裝置將數據監測采集系統監測到的數據傳輸到云儲存服務器，云儲存服務器負責儲存原始和處理預測的數據；所述數據監測采集系統包括位移傳感器、地下水位傳感器、濕度傳感器和數據傳輸裝置；位移傳感器布置在山體邊坡表面和內部以監測邊坡的位移，地下水位傳感器布置在坡頂、坡身和坡腳處以監測邊坡水位，濕度傳感器布置在邊坡表面以監測天氣情況；
3、通過設置在監控站的數據分析系統預測滑坡位移，數據分析系統包括ssa-vmd模型和cnn-bilstm-attention模型；
4、(1)利用ssa-vmd模型將原始滑坡位移時間序列分為3項子序列，根據其周期項的樣本熵值將最優的分解子序列作為趨勢項位移序列、周期項位移序列和隨機項位移序列；
5、(2)通過ssa-vmd模型將各影響因素序列分解為2項子序列，分別表示影響因素序列的低頻和高頻部分，根據其低頻部分的樣本熵值得出最優的分解子序列，并計算各因素的分解子序列與各項位移子序列的最大互信息系數mic和灰色關聯度grg值，并綜合判斷影響因素子序列與位移子序列的相關性；
6、(3)基于(2)中分解的影響因素的2項子序列輸入序列，分別對所述趨勢項位移序列構建單因素cnn-bilstm-attention模型，對所述周期項位移序列和所述隨機項位移序列建立多因素cnn-bilstm-attention模型，利用訓練數據集訓練單因素和多因素cnn-bilstm-attention模型并對驗證數據集進行預測；
7、(4)最終的累計滑坡位移預測結果為所述趨勢項位移、所述周期項位移和所述隨機項位移預測值相加，對比累計滑坡位移監測序列驗證并評價方法的預測性能。
8、優選的，滑坡位移時間序列根據時間序列的加法模型表示如下：
9、x(t)＝t(t)+p(t)+r(t)
10、式中：x(t)為時間序列位移值；t(t)為趨勢項函數；p(t)為周期項函數；r(t)為不確定性的隨機項函數；
11、所述ssa-vmd模型中vmd的本征模態函數imf為一種調幅-調頻信號表達式如下：
12、uk(t)＝ak(t)cos(φk(t))
13、式中：uk(t)為模態信號；相位φk(t)為非遞減函數，且與瞬時幅值ak(t)均非負；
14、所述ssa-vmd模型中vmd是用輸入的信號序列和各模態之和作為約束變分，通過尋找約束變分模型的最優解實現的自適應分解，則其約束變分表達式寫成：
15、
16、式中：k為所需的模態分量個數，k為1到k之間的整數；{uk)＝{u1，…，uk}為最終分解所得的模態分量；{ωk)＝{ω1，…，ωk}為各模態分量的實際中心頻率；為偏導數符號；δ(t)為狄拉克函數；*為卷積運算符；
17、為求解上式，引入lagrange算子λ，將約束變分問題轉變為非約束變分問題，得到擴展后的lagrange表達式為：
18、
19、式中：ε為分解參數以降低高斯噪聲的干擾；
20、利用交替方向乘子迭代算法優化得到各模態分量和中心頻率，并搜尋無約束模型的鞍點，即得到約束模型的最優解，進而得到k個模態分量。
21、優選的，所述模態分量個數k＝2，用麻雀優化算法ssa對vmd模型中的懲罰因子α和上升時間步τ進行優化，這樣能有效的避免主觀因素的影響。以公式
22、fitness＝rmse(m,m)·sampen(imf2)
23、作為ssa算法的適應度值；
24、式中rmse(m,m)為重構序列與原始序列之間的均方根誤差；sampen(imf2)為分分解后的周期項位移序列或影響因素的低頻部分的樣本熵值。其中
25、
26、式中m為嵌入維數，取1或2，r為相似容限，取0.1～0.25σx，σx為序列的標準差，為兩個序列在相似容量下匹配個點的概率，為兩個序列匹配個點的概率；
27、
28、式中：xt為原始序列t時刻的值，為重構后序列t時刻的值，n為序列長度。
29、對懲罰因子α和上升時間步τ進行尋優，尋找最優適應度，將樣本熵和均方根誤差融合，這樣既能體現分解后序列的完整度，又能體現序列的分解效果，具體步驟如下：
30、(1)對麻雀優化算法輸入的參數初始化。
31、(2)隨機產生一系列的α和τ作為麻雀種群的初始位置。
32、(3)對當前麻雀位置下對位移序列進行vmd分解，并計算分解后的周期項序列或影響因素低頻部分的樣本熵sampen(imf2)。
33、(4)獲取新的麻雀適應度值fitness，找出最優適應度個體和最差適應度個體，對發現者、跟隨者和預警者進行位置更新。
34、(5)重復(3)和(4)直至達到最大迭代次數即可，輸出此時的麻雀位置和適應度值為最優解。
35、優選的，所述cnn-bilstm-attention模型采用雙層一維卷積層和池化層組成的cnn框架自動提取位移序列的內部特征，所述卷積層進行時間序列的有效非線性局部特征提取，所述池化層選取最大池化方法壓縮提取的特征并生成更關鍵的特征信息，bilstm隱藏層建模學習cnn所提取的局部特征的內部本文檔來自技高網...
【技術保護點】
1.基于模態分解和機器學習的山體滑坡預警方法，其特征在于：數據傳輸裝置將數據監測采集系統監測到的數據傳輸到云儲存服務器；所述數據監測采集系統包括位移傳感器、地下水位傳感器、濕度傳感器和數據傳輸裝置；位移傳感器布置在山體邊坡表面和內部以監測邊坡的位移，地下水位傳感器布置在坡頂、坡身和坡腳處以監測邊坡水位，濕度傳感器布置在邊坡表面以監測天氣情況；
2.根據權利要求1所述的基于模態分解和機器學習的山體滑坡預警方法，其特征在于：滑坡位移時間序列根據時間序列的加法模型表示如下：
3.根據權利要求2所述的基于模態分解和機器學習的山體滑坡預警方法，其特征在于：所述模態分量個數K＝2，用麻雀優化算法SSA對VMD模型中的懲罰因子α和上升時間步τ進行優化，以公式
4.根據權利要求1所述的基于模態分解和機器學習的山體滑坡預警方法，其特征在于：所述CNN-BiLSTM-Attention模型采用雙層一維卷積層和池化層組成的CNN框架自動提取位移序列的內部特征，所述卷積層進行時間序列的有效非線性局部特征提取，所述池化層選取最大池化方法壓縮提取的特征并生成更關鍵的特征信
5.基于模態分解和機器學習的山體滑坡預警系統，其特征在于：預警系統執行權利要求1-4任一項所述方法，該預警系統還包括判別預警系統，所述判別預警系統包括判別關系和警告通知系統，所述判別關系是所得邊坡位移曲線的斜率在持續一段時間超過預設值，滿足所述判別關系將會觸發所述警告通知系統，將有滑坡風險的邊坡信息傳給相關單位，向公眾發布相關信息，并采取應急措施處置。
...【技術特征摘要】
1.基于模態分解和機器學習的山體滑坡預警方法，其特征在于：數據傳輸裝置將數據監測采集系統監測到的數據傳輸到云儲存服務器；所述數據監測采集系統包括位移傳感器、地下水位傳感器、濕度傳感器和數據傳輸裝置；位移傳感器布置在山體邊坡表面和內部以監測邊坡的位移，地下水位傳感器布置在坡頂、坡身和坡腳處以監測邊坡水位，濕度傳感器布置在邊坡表面以監測天氣情況；
2.根據權利要求1所述的基于模態分解和機器學習的山體滑坡預警方法，其特征在于：滑坡位移時間序列根據時間序列的加法模型表示如下：
3.根據權利要求2所述的基于模態分解和機器學習的山體滑坡預警方法，其特征在于：所述模態分量個數k＝2，用麻雀優化算法ssa對vmd模型中的懲罰因子α和上升時間步τ進行優化，以公式
4.根據權利要求1所述的基于模態分解和機器學習的山體滑坡預警方法，其特征在于：所述cnn-bilstm-attention模型采用雙...
【專利技術屬性】
技術研發人員：張超，姜景山，金華，韋有信，祁健，趙延喜，
申請(專利權)人：南京工程學院，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。