基于迁移学习算法的土质边坡稳定性预测方法及预测平台技术

本发明专利技术公开了一种基于迁移学习算法的土质边坡稳定性预测方法，包括获取边坡实测水平位移数据及土体样本数据；通过神经网络算法构建边坡实测水平位移值与土体强度参数的关系模型，通过反演分析处理，获取反演土体强度参数；采用神经网络算法，构建土体强度参数与边坡安全系数值关系的后台模型、用户模型；采用构建的两种模型，通过迁移学习算法，构建NN+TL算法模型；通过算法模型，完成边坡的稳定性预测分析。本发明专利技术还公开了包括所述基于迁移学习算法的土质边坡稳定性预测方法的预测平台。本发明专利技术解决了通过试验得到静态参数难以反映动态土体强度参数变化的问题，克服了边坡监测和稳定性分析发展的缺陷，本发明专利技术具有实时、快捷、准确的优点。准确的优点。准确的优点。

【技术实现步骤摘要】
基于迁移学习算法的土质边坡稳定性预测方法及预测平台


[0001]本专利技术属于岩土工程领域，具体涉及一种基于迁移学习算法的土质边坡稳定性预测方法及预测平台。

技术介绍

[0002]边坡失稳是一项在全球范围内分布广泛的自然灾害，对国家和人民的生命财产安全经常产生严重威胁，并造成巨大的损失。滑坡灾害的产生是一个逐渐发展的过程，如果能够通过监测手段及时掌握边坡变形和稳定性的变化规律，进而对边坡进行加固处理，并及时提出预警措施，能够有效地防止滑坡的发生、降低滑坡带来的灾害。
[0003]边坡安全监测通过监测手段获得边坡参数，包括位移值、应力应变和地下水位，设定警戒值对边坡的安全状态进行分析，这种通过设定警戒值判断边坡的稳定性的方式具有很大的经验性，往往由于警戒值设定的不合理，使得对边坡稳定性出现错误的判断。
[0004]常见的稳定性分析方法包括极限平衡法和强度折减法，边坡土体强度参数的获取，是目前进行边坡稳定性分析的难点所在，室内外试验是解决上述难点问题的有效方法，但仍具有局限性，且通过试验得到的静态参数难以反映动态土体强度参数变化，因此，直接通过测试技术获得边坡土体强度参数，进而进行边坡稳定性分析，也存在一定的困难。
[0005]为了通过理想的计算方法评估边坡稳定性问题，有学者提出机器学习ML算法解决稳定性问题，大多数基于ML的技术，要求训练数据必须位于相同的特征空间中并具有相同的分布，当边坡形状发生变化时，机器学习算法模型需要重新构建，用于算法模型搭建的边坡有限元数据也需要重新获取，耗费大量有限元模拟时间。
[0006]综上所述，如何根据边坡实测位移值对边坡稳定性进行有效分析，以及如何在少量样本数据的情况下快速准确的对不同形状的边坡进行稳定性分析，仍存在大量的问题。

技术实现思路

[0007]本专利技术的目的之一在于提供一种实时、快捷、准确的基于迁移学习算法的土质边坡稳定性预测方法。
[0008]本专利技术的目的之二在于提供一种包括了所述基于迁移学习算法的土质边坡稳定性预测方法的预测平台。
[0009]本专利技术提供的这种基于迁移学习算法的土质边坡稳定性预测方法，包括如下步骤：
[0010]S1.获取边坡实测水平位移数据及土体样本数据；
[0011]S2.采用步骤S1获取的边坡实测水平位移数据及土体样本数据，通过神经网络算法构建边坡实测水平位移值与土体强度参数的关系模型，并进行反演分析处理，获取反演土体强度参数；
[0012]S3.采用神经网络算法，构建土体强度参数与边坡安全系数值关系的后台模型；
[0013]S4.采用神经网络算法，构建土体强度参数与边坡安全系数值关系的用户模型；
[0014]S5.通过迁移学习算法，针对步骤S3构建的后台模型和步骤S4构建的用户模型进行迁移学习处理，构建NN+TL算法模型；
[0015]S6.采用步骤S2获取的反演土体强度参数，通过步骤S5构建的NN+TL算法模型，完成边坡的稳定性预测分析。
[0016]步骤S1所述的获取边坡实测水平位移数据及土体样本数据，具体包括：
[0017]1)通过边坡监测技术，针对边坡的位移进行实时监测，记录各个测点的实测水平位移值{f1,f2,
…
,f
n
}；
[0018]2)获取边坡土体基本参数，包括土体弹性模量E、泊松比v、土体重度γ、黏聚力c、内摩擦角根据获取的黏聚力c与内摩擦角的取值范围，形成不同的组合系列，利用有限元分析软件，建立边坡数值分析模型，并记录对应组合下各个测点的计算水平位移值{d1,d2,
…
,d
n
}和边坡安全系数值{F
s
}，构建土体样本数据。
[0019]步骤S2所述的采用步骤S1获取的边坡实测水平位移数据及土体样本数据，通过神经网络算法构建边坡实测水平位移值与土体强度参数的关系模型，并进行反演分析处理，获取反演土体强度参数，具体包括：
[0020]1)针对步骤S1获取的边坡实测水平位移数据及土体样本数据进行标准化处理，将处理后的各测点的计算水平位移值{d1,d2,
…
,d
n
}作为网络输入，土体强度参数作为网络输出，随机划分训练数据集和测试数据集，进行神经网络的训练和测试，建立边坡实测水平位移值与土体强度参数的关系模型；
[0021]2)选择标准化处理后的各个测点的实测水平位移{f1,f2,
…
,f
n
}作为训练后的神经网络的输入，通过神经网络处理，得到反演的土体强度参数
[0022]步骤S3所述的采用神经网络算法，构建土体强度参数与边坡安全系数值关系的后台模型，具体包括：
[0023]获取符合条件的土体强度参数随机数组，并通过有限元软件建立边坡数值分析模型，记录每一组下的边坡安全系数值{F
s
}；针对土体强度参数和边坡安全系数值{F
s
}进行标准化处理，将土体强度参数作为网络输入，对应的边坡安全系数值{F
s
}作为网络输出，随机划分训练数据集和测试数据集，进行神经网络的训练，构建土体强度参数与边坡安全系数值关系的后台模型。
[0024]步骤S4所述的采用神经网络算法，构建土体强度参数与边坡安全系数值关系的用户模型，具体包括：
[0025]采用步骤S1获得样本数据作为网络的样本数据集，针对土体强度参数和边坡安全系数值{F
s
}进行标准化处理，将土体强度参数作为网络输入，对应的边坡安全系数值{F
s
}作为网络输出，随机划分训练数据集和测试数据集，进行神经网络的训练，构建土体强度参数与边坡安全系数值关系的用户模型。
[0026]步骤S2、S3、S4所述的神经网络算法，具体包括：
[0027]1)设计神经网络的层数、节点数：
[0028]BP神经网络包括输入层、隐含层和输出层，每层由若干个神经元组成，层数设计包括输入层设计、隐含层设计、输出层设计，并确定各层神经元数目；
[0029]选择数据输入到网络的输入层，同时定义神经元个数为n；通过测试确定隐含层的层数以及神经元的个数，选定测试过程中误差最小、预测结果与期望结果最接近的层数和神经元个数作为隐含层的层数以及神经元的个数；选择数据作为输出层的输出值，同时设定神经元的个数；
[0030]2)获取网络模型的训练数据集，并针对数据集进行预处理：
[0031]针对数据集中的数据进行标准化处理，按照设定比例将处理后的数据集随机划分为训练数据集和测试数据集，分别用于神经网络的训练和测试；
[0032]标准化的公式如下所示：
[0033][0034]其中，x
normalization
为标准化后的样本数据，x为样本数据，μ为所有样本数据的均值，σ为所有样本数据的标准差；
[0035]3)确定神经网络的拓扑结构：
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于迁移学习算法的土质边坡稳定性预测方法，包括如下步骤：S1.获取边坡实测水平位移数据及土体样本数据；S2.采用步骤S1获取的边坡实测水平位移数据及土体样本数据，通过神经网络算法构建边坡实测水平位移值与土体强度参数的关系模型，并进行反演分析处理，获取反演土体强度参数；S3.采用神经网络算法，构建土体强度参数与边坡安全系数值关系的后台模型；S4.采用神经网络算法，构建土体强度参数与边坡安全系数值关系的用户模型；S5.通过迁移学习算法，针对步骤S3构建的后台模型和步骤S4构建的用户模型进行迁移学习处理，构建NN+TL算法模型；S6.采用步骤S2获取的反演土体强度参数，通过步骤S5构建的NN+TL算法模型，完成边坡的稳定性预测分析。2.根据权利要求1所述的基于迁移学习算法的土质边坡稳定性预测方法，其特征在于步骤S1所述的获取边坡实测水平位移数据及土体样本数据，具体包括：1)通过边坡监测技术，针对边坡的位移进行实时监测，记录各个测点的实测水平位移值{f1,f2,
…
,f
n
}；2)获取边坡土体基本参数，包括土体弹性模量E、泊松比v、土体重度γ、黏聚力c、内摩擦角根据获取的黏聚力c与内摩擦角的取值范围，形成不同的组合系列，利用有限元分析软件，建立边坡数值分析模型，并记录对应组合下各个测点的计算水平位移值{d1,d2,
…
,d
n
}和边坡安全系数值{F
s
}，构建土体样本数据。3.根据权利要求2所述的基于迁移学习算法的土质边坡稳定性预测方法，其特征在于步骤S2所述的采用步骤S1获取的边坡实测水平位移数据及土体样本数据，通过神经网络算法构建边坡实测水平位移值与土体强度参数的关系模型，并进行反演分析处理，获取反演土体强度参数，具体包括：针对步骤S1获取的边坡实测水平位移数据及土体样本数据进行标准化处理，将处理后的各测点的计算水平位移值{d1,d2,
…
,d
n
}作为网络输入，土体强度参数作为网络输出，随机划分训练数据集和测试数据集，进行神经网络的训练和测试，建立边坡实测水平位移值与土体强度参数的关系模型；选择标准化处理后的各个测点的实测水平位移{f1,f2,
…
,f
n
}作为训练后的神经网络的输入，通过神经网络处理，得到反演的土体强度参数4.根据权利要求3所述的基于迁移学习算法的土质边坡稳定性预测方法，其特征在于步骤S3所述的采用神经网络算法，构建土体强度参数与边坡安全系数值关系的后台模型，具体包括：获取符合条件的土体强度参数随机数组，并通过有限元软件建立边坡数值分析模型，记录每一组下的边坡安全系数值{F
s
}；针对土体强度参数和边坡安全系数值{F
s
}进行标准化处理，将土体强度参数作为网络输入，对应的边坡安全系数值
{F
s
}作为网络输出，随机划分训练数据集和测试数据集，进行神经网络的训练，构建土体强度参数与边坡安全系数值关系的后台模型。5.根据权利要求4所述的基于迁移学习算法的土质边坡稳定性预测方法，其特征在于步骤S4所述的采用神经网络算法，构建土体强度参数与边坡安全系数值关系的用户模型，具体包括：采用步骤S1获得样本数据作为网络的样本数据集，针对土体强度参数和边坡安全系数值{F
s
}进行标准化处理，将土体强度参数作为网络输入，对应的边坡安全系数值{F
s
}作为网络输出，随机划分训练数据集和测试数据集，进行神经网络的训练，构建土体强度参数与边坡安全系数值关系的用户模型。6.根据权利要求5所述的基于迁移学习算法的土质边坡稳定性预测方法，其特征在于步骤S2、S3、S4所述的神经网络算法，具体包括：1)设计神经网络的层数、节点数：BP神经网络包括输入层、隐含层和输出层，每层由若干个神经元组成，层数设计包括输入层设计、隐含层设计、输出层设计，并确定各层神经元数目；选择数据输入到网络的输入层，同时定义神经元个数为n；通过测试确定隐含层的层数以及神经元的个数，选定测试过程中误差最小、预测结果与期望结果最接近的层数和神经元个数作为隐含层的层数以及神经元的个数；选择数据作为输出层的输出值，同时设定神经元的个数；2)获取网络模型的训练数据集，并针对数据集进行预处理：针对数据集中的数据进行标准化处理，按照设定比例将处理后的数据集随机划分为训练数据集和测试数据集，分别用于神经网络的训练和测试；标准化的公式如下所示：其中，x
normalization
为标准化后的样本数据，x为样本数据，μ为所有样本数据的均值，σ为所有样本数据的标准差；3)确定神经网络的拓扑结构：通过试...

【专利技术属性】
技术研发人员：童晨曦，丁丽，刘宏伟，张升，叶新宇，
申请(专利权)人：中南大学，
类型：发明
国别省市：