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。
技术实现思路
为了实现根据前期区域弃渣场灾害记录、降雨历时数据及土体参数等特征因素构建深度学习数值模型，当区域内相关特征因素的变更时进行预测，发出弃渣场危险性评价信号，本专利技术针对上述问题，提出一种基于深度学习的弃渣场危险性预警方法及系统，可以有效提高预测正确性，使机器具有人的分析能力，掌握事故发生规律，减少隐患排查所需要的人力物力，同时通过系统存储海量案例、不同级别的布防措施、历史数据和实时数据，实时反馈分级预警信息，给予布防充足时间。其包括如下步骤：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。本专利技术还提供利用该方法实现的预警系统。本专利技术推进了弃渣场安全响应手段的更新进程，并基于深度学习模型，实时进行弃渣场危险性评价，效率高且精度准确。本专利技术具体采用以下技术方案：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。优选地，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。优选地，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。优选地，对步骤S4中的数据集进行以下步骤的处理：步骤S41：从数据集中选取70％～80％的数据进行模型训练，剩下20～30％的数据作为测试数据进行模型测试，执行S42；步骤S42：计算训练数据均值和方差，将数据进行标准化处理。优选地，步骤S5中，模型优化算法为适应性矩估计算法，损失函数为均方误差，衡量指标为平均绝对误差，并执行以下步骤：步骤S52：根据正样本数据和负样本数据所占比例，指定损失函数的损失敏感权值比例；步骤S52：通过测值与测试数据的平均绝对误差，返回优化算法执行速率、过拟合层超参数、敏感权值比例和隐藏层单元数，直至满足精度要求。优选地，在步骤S7中，稳定系数与分级预警信号以及防护措施的关联性由历史和实时弃渣场水土参数、水文数据、预警区间和响应方案与稳定系数的对应关系获得。以及根据以上预警方法的预警系统，其特征在于，包括：存储有历史和实时弃渣场水土参数、水文数据、预警区间和响应方案的数据中心库；所述数据中心库根据步骤S1-步骤S6获得的稳定系数调取对应的区域预警区间和预警方案，发出相应的危险性预警信号至终端设备。优选地，所述终端设备为手机或电脑。与现有技术相比，本专利技术及其优选方案有如下有益效果：可以有效提高预测正确性，使机器具有人的分析能力，掌握事故发生规律，减少隐患排查所需要的人力物力，同时通过系统存储海量案例、不同级别的布防措施、历史数据和实时数据，实时反馈分级预警信息，给予布防充足时间。附图说明下面结合附图和具体实施方式对本专利技术进一步详细的说明：图1为本专利技术实施例深度学习模型结构示意图；图2为本专利技术实施例的基于深度学习的弃渣场危险性预警方法采用的系统结构示意图；图3为本专利技术实施例的经过多层感知器训练后的学习曲线示意图。具体实施方式为让本专利的特征和优点能更明显易懂，下文特举实施例，作详细说明如下：如图2所示，本实施例提供的基于深度学习的弃渣场危险性预警方法，包括以下步骤：S1：获取弃渣场坍塌危险影响因子，执行S2；S2：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，执行S3；S3：构建深度学习模型，执行S4；S4：通过历史弃渣场稳定系数选取样本数据，样本数据包含坍塌地区样本数据和安全地区样本数据，安全区域样本数据为样本点为正样本点，坍塌地区样本数据为负样本点，执行S5；S5：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，通过误差优化模型超参数，执行S6；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，输出其对应稳定系数，执行S7；S7：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。由于弃渣场安全的影响因子众多，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；/n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；/n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。/n

【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