本申请涉及边坡位移预测的领域，尤其是涉及一种边坡位移预测方法、装置和电子设备，该方法包括获取当前时刻边坡数据，当前时刻边坡数据包括：当前时刻的三维位移数据、当前时刻的边坡位移影响数据，当前时刻的边坡位移影响数据包括：当前时刻的岩层倾角、岩层、岩性、降雨量、温度；根据当前时刻边坡数据利用训练完成的RNN循环神经网络模型进行下一时刻的边坡位移预测，得到边坡位移预测信息；训练完成的RNN循环神经网络模型是基于多个样本数据进行训练得到的，每个样本数据包括样本采集时刻的三维位移数据、样本采集时刻的边坡位移影响数据和样本采集时刻的下一时刻的实际三维位移数据。本申请具有的技术效果是：准确预测了边坡位移。坡位移。坡位移。
【技术实现步骤摘要】
一种边坡位移预测方法、装置和电子设备
[0001]本申请涉及边坡位移预测的
，尤其是涉及一种边坡位移预测方法、装置和电子设备。
技术介绍
[0002]目前，边坡位移造成的滑坡具有较强的破坏力，大规模的滑坡不仅会掩埋村镇、摧毁工况、破坏农田，还会造成社会财产严重损失，因此如何分析预测边坡演化规律和发展趋势，预防滑坡是当前急需解决的问题。
[0003]相关技术对边坡位移预测为先选取待预测的滑坡，确定待预测滑坡的三维边坡和滑裂面的几何尺寸，使用方程表示边坡表面和滑裂面，确定岩土土体指标参数，将三维滑坡体离散化，利用直剪实验确定岩土体双曲线模型的参数，建立岩土体的双曲线模型，基于含有折减系数RF的摩尔库伦准则、岩土体双曲线模型以及力和力矩的平衡方程建立非线性方程，求解非线性方得到三维边坡的稳定系数。
[0004]针对上述技术，当涉及到降雨、水库水位上升或下降等多项具有随机性和多变性因素时，现有边坡位移预测方法无法通过模型和方程将多种不同类型的因素结合起来，预测准确性较低。
技术实现思路
[0005]为了准确预测边坡位移，本申请提供一种边坡位移预测的方法、装置和电子设备。
[0006]第一方面，本申请提供一种边坡位移预测方法，采用如下的技术方案：获取当前时刻边坡数据，其中，所述当前时刻边坡数据包括：当前时刻的三维位移数据、当前时刻的边坡位移影响数据，当前时刻的边坡位移影响数据包括：当前时刻的岩层倾角、岩层、岩性、降雨量、温度；根据当前时刻边坡数据利用训练完成的RNN循环神经网络模型进行下一时刻的边坡位移预测，得到边坡位移预测信息；其中，所述训练完成的RNN循环神经网络模型是基于多个样本数据进行训练得到的，其中每个样本数据包括样本采集时刻的三维位移数据、样本采集时刻的边坡位移影响数据和样本采集时刻的下一时刻的实际三维位移数据。
[0007]通过采用上述技术方案，获取当前时刻的三维位移数据和当前时刻的边坡位移影响数据后，基于上述数据利用训练完成的RNN循环神经网络模型进行下一时刻的边坡位移预测，能够充分考虑影响边坡位移的多种因素利用模型准确高效的预测边坡位移。
[0008]在一种可能实现的方式中，所述训练完成的RNN循环神经网络模型的训练过程包括：获取训练集，其中，训练集包括多个样本数据和各自对应的样本采集时刻的下一时刻的实际三维位移数据，每个样本数据包括样本采集时刻的三维位移数据、样本采集时刻的边坡位移影响数据，所述样本采集时刻的边坡位移影响数据包括：所述样本采集时刻
的岩层倾角、岩层、岩性、降雨量、温度；将多个所述样本数据利用未训练RNN循环神经网络模型进行边坡位移预测，得到多个样本数据各自对应的样本边坡位移预测信息；根据多个样本边坡位移预测信息和各自对应的样本采集时刻的下一时刻的实际三维位移数据，确定损失值；根据所述损失值和各样本数据对未训练RNN循环神经网络模型进行迭代训练，直至损失值达到预设损失阈值，得到训练完成的RNN循环神经网络模型。
[0009]通过采用上述技术方案，根据损失值对未训练RNN循环神经网络模型进行迭代训练，最终得到训练完成的RNN循环神经网络模型。通过对未训练RNN循环神经网络模型进行迭代训练，可以不断降低损失值，使得损失值逐渐逼近预设损失阈值，基于达到预设损失阈值的训练完成的RNN循环神经网络模型预测边坡位移，得到准确率较高的边坡位移预测信息。
[0010]在一种可能实现的方式中，获取训练集包括：获得多个初始样本数据，将多个初始数据进行清洗，得到清洗后的多个初始样本数据；其中, 清洗用于筛除掉重复和/或无效的数据;将清洗后的所述多个初始样本数据标准化为标准格式，以得到多个样本数据；获取多个样本数据各自对应的样本采集时刻的下一时刻的实际三维位移数据，并将多个样本数据各自对应的样本采集时刻的下一时刻的实际三维位移数据确定为训练集。
[0011]通过采用上述技术方案，对多个初始样本数据进行清洗，以筛除掉重复和无效的数据，进而将清洗后的多个初始样本数据转化为标准格式，以消除由于数据单位不同对计算结果的影响，最终得到训练集，利用该训练集进行模型训练能够提高训练速度。
[0012]在一种可能实现的方式中，所述将清洗后的所述多个初始样本数据标准化为标准格式，以得到所述多个样本数据，包括：利用极差标准化法对清洗后的所述多个初始样本数据进行格式转换，得到所述多个样本数据。
[0013]通过采用上述技术方案，极差标准化法对清洗后的数据进行标准化处理，可以消除数据特征之间的差异，标准化后的数据具有可比性，极差标准化法的处理步骤更简单，提高了数据处理效率。
[0014]在一种可能实现的方式中，边坡位移预测方法还包括：判断利用训练完成的RNN循环神经网络模型进行下一时刻的边坡位移预测的边坡数据的总量是否大于预设阈值；若是，基于检测图像集对所述训练完成的RNN循环神经网络模型进行训练，得到新的RNN循环神经网络模型，并利用新的RNN循环神经网络模型进行边坡位移预测，直至迭代训练次数达到次数阈值，或者迭代训练后的RNN循环神经网络模型的预测准确率达到准确率阈值;其中，所述检测图像集包括:利用训练完成的RNN循环神经网络模型进行实际预测时的预设阈值的边坡数据以及各自对应的下一时刻的实际三维位移数据。
[0015]通过采用上述技术方案，当检测的边坡位移预测的边坡数据的总量达到一定预设阈值后，基于采集到的检测图像集对当前的RNN循环神经网络模型进行迭代训练，获得新的
RNN循环神经网络模型，从而使RNN循环神经网络模型越来越准确，提高边坡位移预测准确度，避免了采用固定边坡位移预测模型对边坡位移预测而造成的准确率低的问题，提高预测的准确率，改善用户体验。
[0016]在一种可能实现的方式中，所述根据当前时刻边坡数据利用训练完成的RNN循环神经网络模型进行下一时刻的边坡位移预测，得到边坡位移预测信息之后，还包括：根据所述边坡位移预测信息判断边坡状态是否为安全状态，或，根据所述边坡位移预测信息和多个历史三维位移数据判断边坡状态是否为安全状态；若否，则根据当前时刻边坡数据生成边坡维护建议信息。
[0017]通过采用上述技术方案，可以根据边坡位移预测信息判断边坡的安全状态，当边坡状态为不安全状态时，可自动生成边坡维护建议信息，以便用户能够基于边坡维护建议信息采取相应的维护措施，降低了由于边坡位移发生滑坡的可能。
[0018]在一种可能实现的方式中，所述根据当前时刻边坡数据生成边坡维护建议信息，包括：从当前时刻边坡数据中的当前时刻的岩层倾角、岩层、岩性、降雨量、温度确定若干重要影响数据；确定与若干重要影响数据各自对应的影响等级；根据每一重要影响数据对应的影响等级从对应关系中，确定维护信息，其中，对应关系为重要影响数据的影响等级与维护信息的对应关系；基于所有重要影响数据的维护信息生成边坡维护建议信息。
[0019]通过采用上述技术方案，基于重要影响数据分别确定影响等级，并根据影响等级对应的维护信息生成边坡维护建议信息本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种边坡位移预测方法，其特征在于，所述方法包括：获取当前时刻边坡数据，其中，所述当前时刻边坡数据包括：当前时刻的三维位移数据、当前时刻的边坡位移影响数据，当前时刻的边坡位移影响数据包括：当前时刻的岩层倾角、岩层、岩性、降雨量、温度；根据当前时刻边坡数据利用训练完成的RNN循环神经网络模型进行下一时刻的边坡位移预测，得到边坡位移预测信息；其中，所述训练完成的RNN循环神经网络模型是基于多个样本数据进行训练得到的，其中每个样本数据包括样本采集时刻的三维位移数据、样本采集时刻的边坡位移影响数据和样本采集时刻的下一时刻的实际三维位移数据。2.根据权利要求1所述的边坡位移预测方法，其特征在于，所述训练完成的RNN循环神经网络模型的训练过程包括：获取训练集，其中，训练集包括多个样本数据和各自对应的样本采集时刻的下一时刻的实际三维位移数据，每个样本数据包括样本采集时刻的三维位移数据、样本采集时刻的边坡位移影响数据，所述样本采集时刻的边坡位移影响数据包括：所述样本采集时刻的岩层倾角、岩层、岩性、降雨量、温度；将多个所述样本数据利用未训练RNN循环神经网络模型进行边坡位移预测，得到多个样本数据各自对应的样本边坡位移预测信息；根据多个样本边坡位移预测信息和各自对应的样本采集时刻的下一时刻的实际三维位移数据，确定损失值；根据所述损失值和各样本数据对未训练RNN循环神经网络模型进行迭代训练，直至损失值达到预设损失阈值，得到训练完成的RNN循环神经网络模型。3.根据权利要求2所述的边坡位移预测方法，其特征在于，获取训练集，包括：获得多个初始样本数据，将多个初始数据进行清洗，得到清洗后的多个初始样本数据；其中, 清洗用于筛除掉重复和/或无效的数据;将清洗后的所述多个初始样本数据标准化为标准格式，以得到多个样本数据；获取多个样本数据各自对应的样本采集时刻的下一时刻的实际三维位移数据，并将多个样本数据各自对应的样本采集时刻的下一时刻的实际三维位移数据确定为训练集。4.如权利要求3所述的边坡位移预测方法，其特征在于，所述将清洗后的所述多个初始样本数据标准化为标准格式，以得到所述多个样本数据，包括：利用极差标准化法对清洗后的所述多个初始样本数据进行格式转换，得到所述多个样本数据。5.根据权利要求1至4任意一项所述的边坡位移预测方法，其特征在于，还包括：判断利用训练完成的RNN循环神经网络模型进行下一时刻的边坡位移预测的边坡数据的总量是否大于预设阈值；若是，基于检测图像集对所述训练完成的RNN循环神经网络模型进行训练，得到新的RNN循环神经网络模型，并利用新的...
【专利技术属性】
技术研发人员：燕斌，顾沛宸，范文杰，高利敏，朱永国，
申请(专利权)人：山西维度空间信息科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。