System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及坝体变形监测,尤其是涉及一种基于知识图谱的尾矿库形变预测方法。
技术介绍
1、尾矿是采矿过程中产生的废物,它们通常由沙粒与淤泥组成,富含有重金属、化学残留物和原材料提取过程中使用的制剂。尾矿通常以浆液的形式排放到尾矿库,尾矿库常采用拦坝体构建方式,具有高势能特性,且由于尾砂的实时排放和动态筑坝特点,尾矿坝的稳定性系矿山灾害控制、环境污染和人类生命安全问题的重大隐患。在过去20多年中,尾矿坝的溃坝事故提升了一倍,且因尾矿坝溃坝灾害已经导致了大量的人员伤亡和重大的财产损失,溃坝后的尾矿也对环境产生了严重的化学污染。目前,许多学者研究了尾矿库在线监测系统的建设,建立的监测系统普遍将险情预警响应时间提前至5秒,增强了尾矿库的安全性。这也同时推进了尾矿库的多安全因素风险预测(tprp)研究。这一研究尝试及时识别处于安全隐患中的尾矿库,并在中发现引起尾矿库溃坝多种因素组合,以此为依据提前干预以避免灾害发生。然而,目前并没有一种普遍适用尾矿坝形变预测方法。
2、尾矿坝形变的历史信息是尾矿库形变的重要依据。未来时刻的尾矿坝形变不仅依赖于历史形变信息,还会受尾矿坝形变本身的固有特征(静态因素)和外界的动态因素的影响,因此尾矿坝形变的准确预测一直是一个难题。静态因素不会随时间而变化,常见的如形变方向通常固定。动态因素会随着时间而变化,以降水量为例,在降水后随着时间的推移,尾矿库表面长期积累的水分导致了渗透侵蚀,引起坝体在结构上的弱化。这些因素导致尾矿坝形变的不确定性,给预测任务带来了挑战。
3、已经有越来越多的
4、图神经网络(gnn)可以将实际问题抽象为图结构数据,并通过图节点之间的消息传递捕捉节点之间的依赖关系。受限于数据输入格式的规则化要求,例如规则网格与图像节点欧式关系度量,卷积神经网络(cnn)很难充分考虑节点之间的复杂关系。将cnn引入gnn中,使得非欧几里德域上的数据也可以得到有效的处理。因此,通过图卷积神经网络(gcn)捕获尾矿坝形变监测网中各监测点之间的空间相关性,理论上是可行的。门控循环单元(gru)是一种解决梯度爆炸与消失问题的循环神经网络,它在分析时间序列数据时可以有效地捕获数据间的时间相关性,且在训练效率和计算成本方面存在优势。
5、针对传统监测手段不能综合考虑影响尾矿坝形变因素的问题,在剖析影响尾矿库动静地理知识的基础上,本专利技术提出一种同时顾及监测历史时序数据的时间性、监测位置空间性以及影响监测点形变的动静态属性知识的尾矿坝形变时空预测模型。
技术实现思路
1、本专利技术的目的是提供一种基于知识图谱的尾矿库形变预测方法,增强了模型对不同类型数据的综合能力和预测方法的可解释性,进一步提高模型的预测性能,可用于尾矿坝形变预测或其他地质灾害中具有类似观测量的时空预测任务。
2、为实现上述目的,本专利技术提供了一种基于知识图谱的尾矿库形变预测方法,包括以下步骤:
3、s1、构建尾矿库形变时空知识图谱,将监测点的形变时序演变抽象为过程,不同时刻的形变值抽象为状态,引起监测点形变的环境特征分为静态属性和动态属性;
4、s2、在表面形变与内部形变的时序状态本体基础上,将动态属性和静态属性嵌入到时序状态本体中,使尾矿库形变时空知识图谱的属性增强;
5、s3、基于尾矿库形变时空知识图谱,利用图卷积网络(gcn)和门控循环单元(gru)搭建时态图卷积时空预测模型,并对尾矿库形变进行预测。
6、优选的,所述静态属性包括形变方向,所述动态属性包括干滩长度、库水位、浸润线及降水量。
7、优选的,所述步骤s1中具体包括:
8、为表达监测点之间的空间相关性,定义一个加权无向全连接图g=(v,e,w),将监测点抽象为图的节点,即v={v1,v2,…,vn},n为监测点的数量,将任意两个监测点视为一对监测点,且每对监测点具有一条无向边e,无向边e的总数为n×(n-1)/2,w∈rn×n表示所有监测点空间接近度的邻接矩阵,两监测点的距离与其时序变形数据有联系,采用基于空间接近度的高斯相似度函数计算加权邻接矩阵aw的权重,其公式如下所示:
9、w(i,j)=exp(-||vi-vj||2/2σ2) (1)
10、其中,w(i,j)为两监测点(vi,vj)无向边eij的权重大小;||vi-vj||2为两监测点(vi,vj)之间的空间距离;σ为各监测点距离集合的标准差;
11、监测点之间的加权邻接矩阵如下所示:
12、
13、为表达尾矿库形变的时间相关性,构建包括所有监测点的时序形变信息的特征矩阵x∈rn×l,其中,n表示监测点的个数;l表示时序长度的总量;x∈rn×t表示所有监测点t时刻的累计形变量;输入n个历史时间序列数据表示为:
14、[xt-n,…,xt-1,xt] (3)
15、则未来t个时间序列长度的预测值为:
16、[xt+1,…,xt+t-1,xt+t] (4)。
17、优选的,所述步骤s2具体如下:
18、静态属性s,设s∈rn×p为p个不同的静态属性{s1,s2,…,sp}的集合,静态属性不随时间变化,每个时间戳生成静态属性矩阵保持值s不变,在t时刻静态属性增强矩阵如下所示:
19、
20、动态属性d嵌入,与s不同,设d∈rn×(q*t)为q个不同的动态属性{d1,d2,…,dq}的集合,尾矿库形变相对于其外界影响因素的变化具有滞后性,在构建动态属性增强矩阵时,将选择窗口的大小扩展到m+1以代替原本时刻t对应的属性,即选择动态属性矩阵作为子属性矩阵dq,在t时刻的动态属性增强矩阵如下所示:
21、
22、推导出特征矩阵x、静态属性s和动态属性d相结合的属性增强矩阵在t时刻的表示如下所示:
23、
24、其中,q为4,表示干滩长度、库水位、浸润线以及降水量四种属性。
25、优选的,所述步骤s3具体包括:
26、尾矿库形变知识图谱建立了非欧氏域的图数据模型,图卷积网络有效捕捉非欧几里德域数据中的空间相关性,采用线性整流函数(relu)作为图卷积网络的激活函数,为获取节点之间的空间相关性,图卷积网络把邻接矩阵a和特征矩阵x作为输入,其逐层传播规则为:本文档来自技高网...
【技术保护点】
1.一种基于知识图谱的尾矿库形变预测方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的一种基于知识图谱的尾矿库形变预测方法,其特征在于:所述静态属性包括形变方向,所述动态属性包括干滩长度、库水位、浸润线及降水量。
3.根据权利要求1所述的一种基于知识图谱的尾矿库形变预测方法,其特征在于,所述步骤S1中具体包括:
4.根据权利要求1所述的一种基于知识图谱的尾矿库形变预测方法,其特征在于,所述步骤S2具体如下:
5.根据权利要求1所述的一种基于知识图谱的尾矿库形变预测方法,其特征在于,所述步骤S3具体包括:
【技术特征摘要】
1.一种基于知识图谱的尾矿库形变预测方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的一种基于知识图谱的尾矿库形变预测方法,其特征在于:所述静态属性包括形变方向,所述动态属性包括干滩长度、库水位、浸润线及降水量。
3.根据权利要求1所述的一种基于知识...
【专利技术属性】
技术研发人员:张小军,钟豫,李锐,何育枫,李伟浩,
申请(专利权)人:江西师范大学,
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。