基于深度学习的弃渣场危险性预警方法及系统技术方案

本发明专利技术提出一种基于深度学习的弃渣场危险性预警方法及系统，包括如下步骤：获取弃渣场坍塌危险影响因子；将筛选的弃渣场危险影响因子原始数据进行正交试验处理，计算各组试验的抗滑稳定系数，并划分该区域预警区间；构建深度学习模型；通过历史弃渣场稳定系数选取样本数据；样本数据划分为训练样本数据和测试样本数据，将训练样本数据传入深度学习模型中训练，并在测试样本数据上测试，通过误差优化模型；构建弃渣场危险性评价模型，将待测样本特征值输入模型进行计算，输出其对应稳定系数；通过输出稳定系数，传输入弃渣场危险性评价系统划分进行筛分，输出分级预警信号以及防护措施，传递于终端设备。其效率高且精度准确。

【技术实现步骤摘要】
基于深度学习的弃渣场危险性预警方法及系统
本专利技术属于地质灾害监测预报
，尤其涉及一种基于深度学习的弃渣场危险性预警方法及系统。
技术介绍
深度学习是机器学习领域中一个新的研究方向，它是学习样本数据的内在规律和表示层次，这些学习过程中逐渐提取数据的特征，最终目标是建立一个数学模型，让机器能够像人一样具有分析学习能力。当前生产建设项目弃渣场的安全管理工作中，仍有很多问题需要认真地思考和妥善地处理：(1)当前生产建设项目弃渣场的事故隐患排查主要靠人力，通过人的专业知识和工作经验去发现生产中存在的事故隐患。这种方式容易受到人的主观因素的影响，同时还受人的专业知识掌握程度和工作经验的限制，难以准确判断安全与危险的状态，可靠性和科学性不高；(2)由于缺少有效的事故分析工具，缺乏对事故规律的认识，导致对生产建设项目弃渣场的安全管理事故主要采取“事后管理”的模式，缺少事前预防和事中管理，在事故发生后才进行事故原因分析、事故责任追究以及防治措施制定，这种方式存在很大的局限性，不能达到从根源上防止事故的目的。专利
技术实现思路
为本文档来自技高网...

【技术保护点】
1.一种基于深度学习的弃渣场危险性预警方法，其特征在于,包括以下步骤：/n步骤S1：获取弃渣场坍塌危险影响因子原始数据；/n步骤S2：将所述弃渣场危险影响因子原始数据进行正交试验处理，计算各组试验的抗滑稳定系数，并划分该区域预警区间；/n步骤S3：构建深度学习模型；所述深度学习模型为多层感知器结构，包含输入层、隐藏单元层、抑制过拟合层、批标准化层和输出层；/n步骤S4：通过历史弃渣场稳定系数选取样本数据构建数据集，所述样本数据包含坍塌地区样本数据和安全地区样本数据，所述安全区域样本数据为样本点为正样本点，所述坍塌地区样本数据为负样本点；/n步骤S5：将所述样本数据划分为训练样本数据和测试样本数...

【技术特征摘要】
1.一种基于深度学习的弃渣场危险性预警方法，其特征在于,包括以下步骤：
步骤S1：获取弃渣场坍塌危险影响因子原始数据；
步骤S2：将所述弃渣场危险影响因子原始数据进行正交试验处理，计算各组试验的抗滑稳定系数，并划分该区域预警区间；
步骤S3：构建深度学习模型；所述深度学习模型为多层感知器结构，包含输入层、隐藏单元层、抑制过拟合层、批标准化层和输出层；
步骤S4：通过历史弃渣场稳定系数选取样本数据构建数据集，所述样本数据包含坍塌地区样本数据和安全地区样本数据，所述安全区域样本数据为样本点为正样本点，所述坍塌地区样本数据为负样本点；
步骤S5：将所述样本数据划分为训练样本数据和测试样本数据，输入所述深度学习模型中训练，并在测试样本数据上测试，通过误差优化模型超参数；
步骤S6：通过交叉验证多个模型，取模型精度最高的权重，构建弃渣场危险性评价模型，将待测样本特征值输入模型进行计算，输出其对应的稳定系数；
步骤S7：根据所述稳定系数，关联并输出分级预警信号以及防护措施。


2.根据权利要求1所述的基于深度学习的弃渣场危险性预警方法，其特征在于：所述弃渣场坍塌危险影响因子包括：土壤粘聚力、土壤内摩擦角、土壤重度、弃渣场坡度、土层厚度、区域降雨强度、降雨历时和渗透系数。


3.根据权利要求1所述的基于深度学习的弃渣场危险性预警方法，其特征在于：步骤S2中所述抗滑稳定系数，利用以下公式进行计算：式中为土壤有效内摩擦角，δ为弃渣场坡度，ψ为地下压力水头，c’为土壤有效粘聚力，γw为地下水容重，γs为土壤容重，Z为土层厚度，t为时间。

【专利技术属性】
技术研发人员：苏燕，罗寿泰，郑锐，翁锴亮，谢秀栋，李伊璇，
申请(专利权)人：福州大学，福建省水土保持工作站，
类型：发明
国别省市：福建;35