【技术实现步骤摘要】
本专利技术属于测量和数据处理，具体涉及一种基于深度学习的边坡稳定性预测方法。
技术介绍
1、随着社会的发展和人类活动的日益增加，边坡失稳问题日渐成为山区、矿区、公路建设等领域的重要安全隐患。尤其是膨胀岩边坡，由于其特有的物理化学性质，在自然和人为因素的作用下容易发生变形和失稳，给工程建设、人民生命财产安全带来极大威胁。因此，如何准确预测膨胀岩边坡的稳定性，成为当前岩土工程领域面临的一项技术难题。膨胀岩边坡的稳定性受多种因素的影响，主要包括地质特征、水文气象条件、岩土工程性质以及人类活动等。膨胀岩作为一种含有蒙脱石等膨胀性矿物的岩石，在吸水膨胀过程中，岩体体积发生显著变化，造成岩体强度降低和变形。这一过程中，水分的渗透速度、降水强度、岩体的矿物成分以及边坡的几何形态等因素，均对膨胀岩的稳定性产生重要影响。因此，传统的边坡稳定性预测方法通常只依赖于经验或简单的物理模型，往往无法充分考虑这些复杂因素的综合影响。
2、目前，针对膨胀岩边坡稳定性预测的研究主要集中在传统的力学模型和基于经验的数据分析方法上。常见的边坡稳定性分析方法包括极限平衡法、有限元法、数值模拟法等。极限平衡法通过假设滑动面来分析边坡的稳定性，适用于计算简化且边坡条件比较单一的情形。然而，这种方法往往忽视了膨胀岩的非线性、非均质性质，且无法有效处理复杂的水文气象因素，精度和适应性较差。有限元法和数值模拟法则能够更好地考虑膨胀岩的变形特性，通过建立边坡的三维模型来进行数值计算。这些方法在处理边坡的几何形态、岩体的各向异性等方面具有优势，能够较为精确地模拟膨胀岩
技术实现思路
1、鉴于此，本专利技术的主要目的在于提供一种基于深度学习的边坡稳定性预测方法，该方法能够动态响应环境变化，实时提供稳定性评估结果，具有较高的预测精度、实时性和适应性，克服了传统方法在处理非线性、多因素耦合及数据稀缺方面的局限，为边坡监测和灾害预警提供了科学依据。
2、本专利技术采用的技术方案如下：
3、一种基于深度学习的边坡稳定性预测方法，所述方法包括：
4、步骤1：从高精度激光雷达对目标边坡表面进行周期性扫描，得到点云数据；对点云数据进行点云分割，得到多个岩体单元；在每个岩体单元对应的坡面区域执行以下操作：通过地质调查获得该坡面区域的地质数据，通过气象站记录获得该坡面区域在多个连续时间的水文气象数据；
5、步骤2：根据每个岩体单元对应的坡面区域的地质数据和水文气象数据，计算每个时间的每个岩体单元对应的坡面区域在吸水过程中的膨胀势能；根据膨胀势能，计算每个岩体单元对应的坡面区域在每个时间的体积应变和在各项同性条件下的主应变，并根据体积应变和主应变，计算每个岩体单元对应的坡面区域在每个时间的有效应力，然后计算所有时间的有效应力的均值，得到均值输出；再计算所有时间的有效应力的方差，得到方差输出；
6、步骤3：将均值输出作为输入量输入到预训练的深度学习自编码器中，结合方差输出，输出潜在变量；计算潜在变量与均值输出的差值，将差值与预设的基本阈值进行比值预算，得到每个岩体单元对应的坡面区域的失稳概率。
7、进一步的，步骤1中获取到的每个岩体单元对应的坡面区域的地质数据包括：岩体干密度、岩土平均粒径、含水率、膨胀压力、水的容重、岩土矿物水化热、岩体弹性模量、泊松比、黏聚力、内摩擦角、蒙脱石含量和石英含量；所述岩体弹性模量通过采集每个岩体单元的岩体样本，对岩体样本进行单轴压缩试验测定；所述黏聚力和内摩擦角通过采集每个岩体单元的岩体样本，对岩体样本进行直剪试验测定；所述泊松比表示岩体样本在一个方向受拉伸或压缩时，另一个方向的横向变形比。
8、进一步的，步骤1中获取到的每个岩体单元对应的坡面区域的水文气象数据包括：入渗率、降雨量和温度。
9、进一步的，步骤1中从高精度激光雷达对目标边坡表面进行周期性扫描，得到点云数据；对点云数据进行点云分割，得到多个岩体单元的方法包括：通过如下公式，对点云数据中第个点进行自适应滤波：
10、；
11、其中，为点处的点云密度；为搜索球体内的点数；为搜索球体半径；为点到最近邻点的距离；为高斯分布的标准差；为点处的法向量；为激光雷达视线方向向量；再通过如下公式，判断点的邻点是否属于一个岩体单元：
12、；
13、其中，为判定值，若，则判断点与其邻点于一个岩体单元；为点与其邻点的欧式距离；为点的邻点处的法向量；为点处的点云密度；为设定的角度阈值；为设定的距离阈值；为设定的密度阈值。
14、进一步的，步骤2中，通过如下公式，根据每个岩体单元的地质数据和水文气象数据，计算每个时间的每个岩体单元在吸水过程中的膨胀势能：
15、；
16、其中，为第个岩体单元在时间的吸水过程中的膨胀势能；为第个岩体单元对应的坡面区域的岩体干密度；为第个岩体单元对应的坡面区域的岩土平均粒径；为第个岩体单元对应的坡面区域的含水率；为第个岩体单元对应的坡面区域的膨胀压力；为第个岩体单元对应的坡面区域的水的容重；为第个岩体单元对应的坡面区域的岩土矿物水化热；为第个岩体单元对应的坡面区域的平均高度；为第个岩体单元对应的坡面区域的岩体弹性模量；为第个岩体单元对应的坡面区域的泊松比；为第个岩体单元对应的坡面区域的黏聚力；为第个岩体单元对应的坡面区域的内摩擦角；为第个岩体单元对应的坡面区域的蒙脱石含量；为第个岩体单元对应的坡面区域的石英含量；为气体常数；为绝对温度；为时间的温度；为时间的降雨量；为时间的入渗率。
17、进一步的，步骤2中，通过如下公式，根据膨胀势能，计算每个岩体单元对应的坡面区域在每个时间的体积应变和在各项同性条件下的主应变：
18、；
19、其中，为第个岩体单元的体积；为体积应变；各项同性条件下，三主应变相等，计算公式为：
20、；
21、其中，，和为主应变。
22、进一步的，步骤2中，通过如下公式，计算每个岩体单元对应的坡面区域在每个时间的有效应力：
23、；
24、其中，为第个岩体单元对应的坡面区域在时间的有效应力。...
【技术保护点】
1.一种基于深度学习的边坡稳定性预测方法，其特征在于，所述方法包括：
2.如权利要求1所述的基于深度学习的边坡稳定性预测方法，其特征在于，步骤1中获取到的每个岩体单元对应的坡面区域的地质数据包括：岩体干密度、岩土平均粒径、含水率、膨胀压力、水的容重、岩土矿物水化热、岩体弹性模量、泊松比、黏聚力、内摩擦角、蒙脱石含量和石英含量；所述岩体弹性模量通过采集每个岩体单元的岩体样本，对岩体样本进行单轴压缩试验测定；所述黏聚力和内摩擦角通过采集每个岩体单元的岩体样本，对岩体样本进行直剪试验测定；所述泊松比表示岩体样本在一个方向受拉伸或压缩时，另一个方向的横向变形比。
3.如权利要求2所述的基于深度学习的边坡稳定性预测方法，其特征在于，步骤1中获取到的每个岩体单元对应的坡面区域的水文气象数据包括：入渗率、降雨量和温度。
4.如权利要求3所述的基于深度学习的边坡稳定性预测方法，其特征在于，步骤1中从高精度激光雷达对目标边坡表面进行周期性扫描，得到点云数据；对点云数据进行点云分割，得到多个岩体单元的方法包括：通过如下公式，对点云数据中第个点进行自适应滤波：>
5.如权利要求4所述的基于深度学习的边坡稳定性预测方法，其特征在于，步骤2中，通过如下公式，根据每个岩体单元的地质数据和水文气象数据，计算每个时间的每个岩体单元在吸水过程中的膨胀势能：
6.如权利要求5所述的基于深度学习的边坡稳定性预测方法，其特征在于，步骤2中，通过如下公式，根据膨胀势能，计算每个岩体单元对应的坡面区域在每个时间的体积应变和在各项同性条件下的主应变：
7.如权利要求6所述的基于深度学习的边坡稳定性预测方法，其特征在于，步骤2中，通过如下公式，计算每个岩体单元对应的坡面区域在每个时间的有效应力：
8.如权利要求7所述的基于深度学习的边坡稳定性预测方法，其特征在于，步骤3中，将均值输出作为输入量输入到预训练的深度学习自编码器，输出潜在变量的过程具体包括：设均值输出为；通过如下公式，对均值输出进行编码：
9.如权利要求8所述的基于深度学习的边坡稳定性预测方法，其特征在于，步骤3中，潜在变量通过如下公式计算得到：
...【技术特征摘要】
1.一种基于深度学习的边坡稳定性预测方法，其特征在于，所述方法包括：
2.如权利要求1所述的基于深度学习的边坡稳定性预测方法，其特征在于，步骤1中获取到的每个岩体单元对应的坡面区域的地质数据包括：岩体干密度、岩土平均粒径、含水率、膨胀压力、水的容重、岩土矿物水化热、岩体弹性模量、泊松比、黏聚力、内摩擦角、蒙脱石含量和石英含量；所述岩体弹性模量通过采集每个岩体单元的岩体样本，对岩体样本进行单轴压缩试验测定；所述黏聚力和内摩擦角通过采集每个岩体单元的岩体样本，对岩体样本进行直剪试验测定；所述泊松比表示岩体样本在一个方向受拉伸或压缩时，另一个方向的横向变形比。
3.如权利要求2所述的基于深度学习的边坡稳定性预测方法，其特征在于，步骤1中获取到的每个岩体单元对应的坡面区域的水文气象数据包括：入渗率、降雨量和温度。
4.如权利要求3所述的基于深度学习的边坡稳定性预测方法，其特征在于，步骤1中从高精度激光雷达对目标边坡表面进行周期性扫描，得到点云数据；对点云数据进行点云分割，得到多个岩体单元的方法包括：通...
【专利技术属性】
技术研发人员：窦松涛，程金生，王有标，崔新壮，张小宁，田长进，高凯，何贵平，朱洽斌，王蓬，解庆贺，张建立，禚锦鑫，宋文锋，
申请(专利权)人：中国建设基础设施有限公司，
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。