基于尾矿库坝体位移预测的算法流程制造技术

本发明专利技术属于算法预测技术领域，尤其为基于尾矿库坝体位移预测的算法流程，通过坝体所处地区的降雨量因素以及坝体历史的地表位移情况来对地表位移进行超前预测，得到当前时刻之后一段时间内的地表位移值；通过聚类分析模型、影响因素分析模型、相关性分析模型，指标分析模型，风险预测分析模型等进行大量的样本训练，使其能够具有根据各个因素的实际数据，计算输出异常监测数据、影响因素影响力数据、指标相关度数据、风险趋势数据等信息的预测能力。本发明专利技术，通过算法流程，对指标体系的每个因素、可能导致的尾矿库事故以及相应的防范整改措施进行相关性分析，加强对尾矿库安全监管力度，为及时有效防范化解尾矿库风险提供有力支撑。撑。撑。

【技术实现步骤摘要】
基于尾矿库坝体位移预测的算法流程


[0001]本专利技术涉及算法预测
，具体为基于尾矿库坝体位移预测的算法流程。

技术介绍

[0002]尾矿库安全生产被认为是全国非煤矿山安全生产工作的重中之重，坝体发生溃坝，将造成严重的人员伤亡、财产损失和恶劣社会影响。通过坝体位移预测算法流程可以对尾矿库加强安全监管和监测预警对防范化解重大安全风险具有重要的应用价值和现实意义。

技术实现思路

[0003](一)解决的技术问题
[0004]针对现有技术的不足，本专利技术提供了基于尾矿库坝体位移预测的算法流程，通过该方法获取所属尾矿库重大风险预警信息，全面掌握所属尾矿库企业风险分布，实现重点地区风险动态监测预警；通过该方法，对指标体系的每个因素、可能导致的尾矿库事故以及相应的防范整改措施进行相关性分析，建立它们之间的内部联系，形成尾矿库风险趋势的运行结果。
[0005](二)技术方案
[0006]本专利技术为了实现上述目的具体采用以下技术方案：
[0007]基于尾矿库坝体位移预测的算法流程，通过坝体所处地区的降雨量因素以及坝体历史的地表位移情况来对地表位移进行超前预测，得到当前时刻之后一段时间内的地表位移值。通过聚类分析模型、影响因素分析模型、相关性分析模型，指标分析模型，风险预测分析模型等进行大量的样本训练，使其能够具有根据各个因素的实际数据，计算输出异常监测数据、影响因素影响力数据、指标相关度数据、风险趋势数据等信息的预测能力；
[0008]具体包括如下流程：
[0009]S1、数据质量评估：
[0010]在进行数据分析之前，必须要确保数据的质量，针对监测数据可能存在的数据丢失、异常和噪声的情况，结合机器学习、插值与滤波的方法，设计一种处理位移形变值的数据预处理的方法，实现对坝体上的监测数据实时分析处理，提高数据的质量；
[0011]S2、特征工程：
[0012]特征工程的目的是最大限度地从原始数据中提取特征以供算法和模型使用；
[0013]特征选择主要有两个目的：
[0014](1)减少特征数量、降维，使模型泛化能力更强，减少过拟合；
[0015](2)增强对特征和特征值之间的理解；
[0016]当数据预处理完成后，需要选择有意义的特征指标输入机器学习的算法和模型进行训练，因为尾矿库风险评价指标的选取是影响尾矿库风险评估预测准信度的重要因素。通常来说，从两个方面考虑来选择特征：
[0017](1)特征是否发散：如果一个特征不发散，例如方差接近于0，也就是说样本在这个特征上基本上没有差异，这个特征对于样本的区分并没有什么用；
[0018](2)特征与目标的相关性：这点比较显见，与目标相关性高的特征，应当优选选择。除方差法外，本文介绍的其他方法均从相关性考虑；
[0019]根据特征选择的形式又可以将特征选择方法分为三种：
[0020](1)Filter：过滤法，按照发散性或者相关性对各个特征进行评分，设定阈值或者待选择阈值的个数，选择特征；
[0021](2)Wrapper：包装法，根据目标函数(通常是预测效果评分)，每次选择若干特征，或者排除若干特征；
[0022](3)Embedded：嵌入法，先使用某些机器学习的算法和模型进行训练，得到各个特征的权值系数，根据系数从大到小选择特征。类似于Filter方法，但是是通过训练来确定特征的优劣；
[0023]在尾矿库安全监测中，根据尾矿库的不同等级，选择性布设的监测类型包括表面位移监测、内部位移监测、浸润线监测、干滩监测、库水位监测、雨量监测、渗流量监测等。
[0024]根据不同的监测类型，将相同类型的监测数据集中并处理：
[0025]表面位移监测数据包含三个指标：纵向位移、横向位移和竖向位移；
[0026]内部位移监测数据包含三个指标：纵向位移、横向位移和竖向位移；
[0027]浸润线监测数据包含二个指标：水压高度(渗透压力)和空管距离；
[0028]干滩监测数据包含个一指标：干滩长度、干滩坡度、安全超高和滩顶高程；
[0029]库水位监测包含一个指标：水位；
[0030]雨量监测包含一个指标：降雨量；
[0031]渗流量监测包含一个指标：渗流量；
[0032]在各类风险指标中，尾矿库的特征指标除了在空间上有其定位特性，指标间的关系还具备复杂的连接属性；其中的作用关系体现在尾矿库特征指标自相关特点和与之相伴随的可变区域单位问题、尺度和边缘效应；通过特征指标构建特征模型后，通过Geary系数进行空间自相关检验，以此保证各个空间指标间相互独立性；各指标间的相关系数在[0，2]之间取值且用γ表示，γ<1表示正相关，γ>1表示负相关，γ＝1表示不相关；各指标间进行相关性计算，认定相关性较大的风险指标为同一因素而舍去，最终建立尾矿库风险评估指标体系如图所示的多级递阶层次结构模型；该模型层次结构分为P，U，R，K四级；其中P级为目标尾矿库；U级为第二级，选取地下位移，库水位等影响尾矿库安全的六个主要因素；R级分别选取影响地下位移和地下倾斜角的三个不同空间位置的因素；K级为第四级，将代表不同空间位置的传感器作为第四级因素，增加了空间信息对尾矿库的影响；
[0033]S3、模型建立与训练：
[0034]设有尾矿库有A1，A2，
…
，An共n个安全指标，它们的重要程度可表示成重要向量w＝(a1，a2，
…
，an)T，若将它们两两比较重量，其比值可构成n乘n的矩阵A即：
[0035][0036]若用重要向量右乘A变换可得(A
‑
nI)W＝0，由矩阵理论可知：W为特征向量，n为特征值；W可由判断者根据对尾矿的了解来判断两者比值，使A矩阵为已知，故判断矩阵记作由于各因素的客观比值与主观判断存在偏差，导致特征值和特征向量也有偏差，因此还需衡量的一致性；
[0037]为了因素间两两比较得到科学量化的判断矩阵，根据人们区分信息等级的极限能力采用1～9比例标度法，对尾矿库指标两两比较建立评判矩阵，用aij表示因素ai与因素aj相对隶属目标的影响程度之比，通常用数字1～9及其倒数作为程度比较的标度，标度aij＝{2，4，6，8，1/2，1/4，1/6，1/8}表示重要性等级在aij＝{1，3，5，7，9，1/3，1/5，1/7，1/9}之间表判断矩阵标度与含义，如下：
[0038][0039]尾矿库与二级指标构成模糊评判矩阵为：
[0040][0041]二级指标地下位移与三级指标地下位移上部、中部及下部构成的模糊评判矩阵：
[0042][0043]二级指标地下倾斜角与三级指标地下倾斜角上部、中部及下部构成的模糊评判矩阵为：
[0044][0045]四级空间指标与上一级指标间构成的模糊评判矩阵为：
[0046][0047]运用方根法近似计算求解得到矩阵特征向量W，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于尾矿库坝体位移预测的算法流程，其特征在于，包括如下流程：S1、数据质量评估：在进行数据分析之前，针对监测数据可能存在的数据丢失、异常和噪声的情况进行预处理，实现对坝体上的监测数据实时分析处理，提高数据的质量；S2、特征工程：最大限度地从原始数据中提取特征以供算法和模型使用；S3、模型建立与训练：首先，对模型的所有参数初始化；然后Bi
‑
LSTM提取时间序列的前向和后向信息作为全连接层的输入，分别计算前向隐含层和后向隐含层的输出，并通过拼接、线性运算得出权值训练集输出Y～Y～；其次，利用损失函数反向传播，对模型参数进行更新，得出最优解；最后，利用测试集数据对训练后的模型进行测试，把模型预测结果和真实数据进行对比，通过预测误差评价模型的预测精确度；S4、模型验证：对模型和数据进行迭代升级的过程，基于所建立的模型，在原有建立判断矩阵基础上，为代表指标不同空间信息的各传感器也建立判断矩阵，运用方根法验证矩阵一致性并利用马氏距离保证判断矩阵的严谨性与科学性，由下到上逐层评价直至完成对尾矿库安全现状的判断，并结合空间信息分析尾矿库溃坝隐患并对未来风险作出实时预测。2.根据权利要求1所述的基于尾矿库坝体位移预测的算法流程，其特征在于：所述监测数据包括：表面位移监测数据包含三个指标：纵向位移、横向位移和竖向位移；内部位移监测数据包含三个指标：纵向位移、横向位移和竖向位移；浸润线监测数据包含二个指标：水压高度(渗透压力)和空管距离；干滩监测数据包含个一指标：干滩长度、干滩坡度、安全超高和滩顶高程；库水位监测包含一个指标：水位；雨量监测包含一个指标：降雨量；渗流量监测包含一个指标：渗流量。3.根据权利要求1所述的基于尾矿库坝体位移预测的算法流程，其特征在于：所述特征工程中的特征选择包括如下三种方式：(1)Filter：过滤法，按照发散性或者相关性对各个特征进行评分，设定阈值或者待选择阈值的个数，选择特征；(2)Wrapper：包装法，根据目标函数(通常是预测效果评分)，每次选择若干特征，或者排除若干特征；(3)Embedded：嵌入法，先使用某些机器学习的算法和模型进行训练，得到各个特征的权值系数，根据系数从大到小选择特征，通过训练来确定特征的优劣。4.根据权利要求1所述的基于尾矿库坝体位移预测的算法流程，其特征在于：所述模型的训练和练习过程如下：设有尾矿库有A1，A2，
…
，An共n个安全指标，它们的重要程度可表示成重要向量w＝(a1，a2，
…
，an)T，若将它们两两比较重量，其比值可构成n乘n的矩阵A即：
若用重要向量右乘A变换可得(A
‑
nI)W＝0，由矩阵理论可知：W为特征向量，n为特征值，W可由判断者根据对尾矿的了解来判断两者比值，使A矩阵为已知，故判断矩阵记作由于各因素的客观比值与主观判断存在偏差，导致特征值和特征向量也有偏差，因此还需衡量的一致性；为了因素间两两比较得到科学量化的判断矩阵，根据人们区分信息等级的极限能力采用1～9比例标度法，对尾矿库指标两两比较建立评判矩阵，用aij表示因素ai与因素aj相对隶属目标的影响程度之比，通常用数字1～9及其倒数作为程度比较的标度，标度aij＝{2，4，6，8，1/2，1/4，1/6，1/8}表示重要性等级在aij＝{1，3，5，7，9，1/3，1/5，1/7，1/9}之间表判断矩阵标度与含义：尾矿库与二级指标构成模糊评判矩阵为：二级指标地下位移与三级指标地...

【专利技术属性】
技术研发人员：陈爱武，李世航，
申请(专利权)人：安徽长江工业大数据科技股份公司，
类型：发明
国别省市：