滑坡-涌浪最大高度超越概率预测方法技术

本申请提供了一种滑坡

【技术实现步骤摘要】
滑坡
‑
涌浪最大高度超越概率预测方法、设备及存储设备


[0001]本申请涉及地质灾害防治领域，尤其涉及一种滑坡
‑
涌浪最大高度超越概率预测方法
、
设备及存储设备
。

技术介绍

[0003]对于滑坡
‑
涌浪预测中，常有经验模型和数值模型的方法
。
数值模型可以对涌浪的传播距离
、
爬高高度
、
传播速度等重要信息进行精细化的分析
。
但所需的时间成本也相对较高
。
在针对实际滑坡
‑
涌浪预测时，需要快速且准确地预测出涌浪的影响
。
因此，经验模型常作为快速评价的方法
。
[0004]但在以往的研究中，学者们集中在最佳拟合程度的模型
。
这类模型需要多种条件变量的输入，然而在滑坡现场勘察中参数的获取往往存在着不确定性，这将导致模型的预测结果的不确定性大大增加
。
不光如此，在进行试验时，试验设计的不同也会影响经验模型的形式和结果，在预测时，准确确定试验设计形式是困难的，这也导致试验设计的不确定性也大大增加
。
这些多种不确定性造成预测结果与实际发生的结果出入较大且模型的形式较为复杂
。
[0005]以此，选择一种合适的模型形式：兼顾复杂程度和拟合精度的模型，并量化试验设计的不确定性，就显得尤为重要
。

技术实现思路

[0006]本申请的目的在于解决常规的滑坡
‑
涌浪预测模型在兼顾复杂程度和拟合精度的同时，容易增加模型的预测结果的不确定性的技术问题，提供一种滑坡
‑
涌浪最大高度超越概率预测方法
、
设备及存储设备
。
[0007]本申请的上述目的是通过以下技术方案得以实现的：
[0008]S1
：构建各个无量纲形式的候选模型；
[0009]S2
：统计各个试验设计的模型实验数据，建立各个实验数据库；
[0010]S3
：根据各个所述实验数据库对所述候选模型进行贝叶斯处理，生成各个所述候选模型的贝叶斯因子；
[0011]S4
：确定所述贝叶斯因子最大的候选模型，作为最大高度预测模型；
[0012]S5
：通过贝叶斯更新所述最大高度预测模型，确定参数概率分布；
[0013]S6
：根据所述参数概率分布预测目标库区的滑坡
‑
涌浪最大高度的超越概率
。
[0014]可选的，步骤
S1
包括：
[0015]获取滑坡几何因素
、
水深以及弗劳德数；
[0016]根据所述滑坡几何因素
、
所述水深以及所述弗劳德数，构建各个所述无量纲形式的候选模型
。
[0017]可选的，步骤
S3
包括：
[0018]S31
：设
A
j
是
(j
＝1，2，
...
，
N)j
个候选模型；
[0019]其中，
N
是候选模型的个数；
[0020]S32
：设以前的滑坡
‑
涌浪最大高度试验数据为
Y
＝
[y1,y2,
…
,y
k
,y
e
]T
；
[0021]其中，
e
是试验次数；
y
k
是试验输入变量的向量；
[0022]S33
：根据各个所述实验数据库的实验数据，通过贝叶斯理论在各个所述候选模型中选择一个模型设为
A
mj
(x,A)
，通过贝叶斯更新生成各个所述候选模型的贝叶斯因子
。
[0023]可选的，步骤
S33
包括：
[0024]S33a
：所述贝叶斯因子由以下公式可得：
[0025][0026]其中，
P(A
j
∣Y)
代表在给定数据下
A
j
的条件概率，
P(Y∣A
j
)
代表给定模型下
Y
的先验概率；
[0027]若所述候选模型的先验概率未知，设
P(A
j
)
＝
1/N
，得：
[0028][0029]其中，
P(Y)
是全概率方程，是一个归一化常数，代表
Y
发生的全概率；
[0030]S33b
：先验概率
P(Y∣A
j
)
和似然函数
P(
θ
∣A
j
)
的乘积的积分计算如下：
[0031]P(Y∣A
j
)
＝
∫
Θ
L(Y∣
θ
,A
j
)P(
θ
∣A
j
)d
θ
[0032]其中，
P(
θ
∣A
j
)
表示随机变量向量的先验分布
θ
，
L(Y∣
θ
,A
j
)
函数表示预测数据与实验数据之间一致性的度量；
[0033]函数
L(Y∣
θ
,A
j
)
表示如下：
[0034][0035]其中，
ε
表示每次实验的预测数据与实验数据之间的残差，残差越小，说明模型拟合数据效果更好；假设方差是均值为0的正态随机变量，方差作为随机变量更新，
θ
随机变量包含不确定参数
A
j
和方差
[0036]随机变量的后验概率分布的更新公式，如下：
[0037]P(
θ
∣Y,A
j
)
＝
c
·
L(Y∣
θ
,A
j
)P(
θ
∣A
j
)
[0038]其中，
c
为归一化常数
。
[0039]可选的，步骤
S6
包括：
[0040]S61
：所述超越概率是滑坡
‑
涌浪最大高度超越给定高度的概率，用性能函数表示如下：
[0041]F(
θ
)
＝
H
thr
‑
H
m
‑
ε
[0042]其本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种滑坡
‑
涌浪最大高度超越概率预测方法，其特征在于方法包括以下步骤：
S1
：构建各个无量纲形式的候选模型；
S2
：统计各个试验设计的模型实验数据，建立各个实验数据库；
S3
：根据各个所述实验数据库对所述候选模型进行贝叶斯处理，生成各个所述候选模型的贝叶斯因子；
S4
：确定所述贝叶斯因子最大的候选模型，作为最大高度预测模型；
S5
：通过贝叶斯更新所述最大高度预测模型，确定参数概率分布；
S6
：根据所述参数概率分布预测目标库区的滑坡
‑
涌浪最大高度的超越概率
。2.
如权利要求1的一种滑坡
‑
涌浪最大高度超越概率预测方法，其特征在于，步骤
S1
包括：获取滑坡几何因素
、
水深以及弗劳德数；根据所述滑坡几何因素
、
所述水深以及所述弗劳德数，构建各个所述无量纲形式的候选模型
。3.
如权利要求1的一种滑坡
‑
涌浪最大高度超越概率预测方法，其特征在于，步骤
S3
包括：
S31
：设
A
j
是
(j
＝1，2，
...
，
N)j
个候选模型；其中，
N
是候选模型的个数；
S32
：设以前的滑坡
‑
涌浪最大高度试验数据为
Y
＝
[y1,y2,
…
,y
k
,y
e
]
T
；其中，
e
是试验次数；
y
k
是试验输入变量的向量；
S33
：根据各个所述实验数据库的实验数据，通过贝叶斯理论在各个所述候选模型中选择一个模型设为
A
mj
(x,A)
，通过贝叶斯更新生成各个所述候选模型的贝叶斯因子
。4.
如权利要求1的一种滑坡
‑
涌浪最大高度超越概率预测方法，其特征在于，步骤
S33
包括：
S33a
：所述贝叶斯因子由以下公式可得：其中，
P(A
j
∣Y)
代表在给定数据下
A
j
的条件概率，
P(Y∣A
j
)
代表给定模型下
Y
的先验概率；若所述候选模型的先验概率未知，设
P(A
j
)
＝
1/N
，得：其中，
P(Y)
是全概率方程，是一个归一化常数，代表
Y
发生的全概率；
S33b
：先验概率
P(Y∣A
j
)
和似然函数
P(
θ
∣A
j
)
的乘积的积分计算如下：
P(Y∣A
j
)
＝
∫
Θ
L(Y∣
θ
,A
j
)P(
θ
∣A
j
)d
θ
其中，
P(
θ
∣A
j
)
表示随机变量向量的先验分布<...

【专利技术属性】
技术研发人员：李宁杰，胡新丽，郑鸿超，李亚博，刘畅，徐楚，
申请(专利权)人：中国地质大学武汉，
类型：发明
国别省市：