本發(fā)明涉及邊坡穩(wěn)定性，尤其涉及一種降雨植被多土層邊坡穩(wěn)定性預(yù)測方法及裝置。

背景技術(shù)：

1、隨著全球氣候變化加速，邊坡穩(wěn)定性成為了一個日益突出的問題。極端降雨提高了邊坡災(zāi)害的風(fēng)險，對人類和基礎(chǔ)設(shè)施安全構(gòu)成重大挑戰(zhàn)。

2、目前，邊坡穩(wěn)定性評估多依賴于基于經(jīng)驗(yàn)的方法，這些方法通常涉及使用歷史數(shù)據(jù)和專家知識來估計邊坡的穩(wěn)定性。這些方法雖然在某些情況下有效，但往往缺乏對復(fù)雜地質(zhì)條件和環(huán)境因素的綜合考量。傳統(tǒng)的物理仿真方法在邊坡穩(wěn)定性評估中雖然占有重要地位，但面對大規(guī)模和復(fù)雜地形的邊坡穩(wěn)定性問題時存在明顯局限。需要對每個邊坡進(jìn)行詳盡建模，耗費(fèi)大量計算資源和時間。此外，它們在處理廣闊區(qū)域時受限于計算能力和存儲空間的限制，導(dǎo)致模擬過程可能變得緩慢甚至無法完成。

3、一些研究采用統(tǒng)計分析方法來評估邊坡穩(wěn)定性，通過分析歷史滑坡事件與降雨、土壤性質(zhì)等因素的關(guān)系來預(yù)測邊坡失穩(wěn)的可能性。這些方法雖然能夠提供一定的預(yù)測能力，但通常受限于可用數(shù)據(jù)的質(zhì)量和數(shù)量。一些地區(qū)已經(jīng)建立了基于傳感器的邊坡穩(wěn)定性監(jiān)測和早期預(yù)警系統(tǒng)。這些系統(tǒng)能夠在邊坡出現(xiàn)失穩(wěn)跡象時發(fā)出警報，但它們通常需要大量的傳感器部署和維護(hù)工作，且對于預(yù)測降雨和植被影響的長期穩(wěn)定性問題存在局限。

4、此外，盡管現(xiàn)有技術(shù)在邊坡穩(wěn)定性評估方面取得了一定的進(jìn)展，但它們在處理多土層、植被覆蓋且受降雨影響的邊坡穩(wěn)定性評估時存在著局限。這些模型通常缺乏對植被和降雨?duì)顟B(tài)共同作用下的力學(xué)性質(zhì)的深入理解，限制了在實(shí)際應(yīng)用場景中的可解釋性。植被根系能夠增強(qiáng)土壤的抗剪強(qiáng)度和降低土壤滲透性。同時，非飽和土壤的不同水分和基質(zhì)吸力狀態(tài)直接影響其滲透性和抗剪強(qiáng)度，從而影響邊坡的穩(wěn)定性。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明提供了一種降雨植被多土層邊坡穩(wěn)定性預(yù)測方法及裝置，以考慮植被、降雨?duì)顟B(tài)以及多土層因素共同作用時對邊坡穩(wěn)定性的影響。

2、根據(jù)本發(fā)明的一方面，提供了一種降雨植被多土層邊坡穩(wěn)定性預(yù)測方法，包括：

3、獲取降雨參數(shù)以及邊坡每一層的邊坡參數(shù)，所述邊坡包括植被層以及若干土層；

4、將降雨參數(shù)以及所述邊坡每一層的邊坡參數(shù)代入到預(yù)置植被多層土質(zhì)邊坡模型中，計算所述邊坡的安全系數(shù)；

5、將所述降雨參數(shù)、所述邊坡每一層的邊坡參數(shù)以及所述邊坡的安全系數(shù)作為一組樣本，獲取包含多組樣本的數(shù)據(jù)集；所述數(shù)據(jù)集中包含不同降雨參數(shù)以及不同邊坡參數(shù)的多組樣本；

6、采用所述數(shù)據(jù)集訓(xùn)練降雨植被多土層邊坡穩(wěn)定性預(yù)測模型，得到訓(xùn)練好的降雨植被多土層邊坡穩(wěn)定性預(yù)測模型；

7、獲取目標(biāo)邊坡每一層的邊坡參數(shù)以及實(shí)時或者預(yù)報的降雨參數(shù)，將所述目標(biāo)邊坡每一層的邊坡參數(shù)以及實(shí)時或者預(yù)報的降雨參數(shù)輸入到訓(xùn)練好的所述降雨植被多土層邊坡穩(wěn)定性預(yù)測模型中，以預(yù)測所述目標(biāo)邊坡的所述安全系數(shù)。

8、可選的，所述邊坡每一層的邊坡參數(shù)至少包括邊坡高度、邊坡角度、初始地下水位、每一層飽和滲透系數(shù)、每一層土體殘余含水率、每一層飽和含水率、每一層的初始粘聚力、每一層的初始內(nèi)摩擦角、vg模型參數(shù)；

9、所述降雨參數(shù)至少包括降雨強(qiáng)度、降雨時長、降雨類型。

10、可選的，所述預(yù)置植被多層土質(zhì)邊坡模型包括：

11、考慮降雨參數(shù)以及初始地下水位不同的情況下的非飽和滲流控制模型、考慮包含植被以及多土層邊坡的每一層任意一點(diǎn)的含水率模型、滲流模型、考慮包含植被以及多土層邊坡的每一層非飽和土抗剪強(qiáng)度計算模型、以及不同降雨條件下植被多土層邊坡的安全系數(shù)計算模型。

12、可選的，所述預(yù)置植被多層土質(zhì)邊坡模型包括：

13、考慮包含植被以及多土層邊坡的每一層中任意一點(diǎn)的所述含水率模型為：

14、

15、θsi、θri為第i層土體中的飽和含水率、殘余含水率；h為邊坡高度；hi表示第i層土體中一點(diǎn)的高度；表示第i層土壤特性有關(guān)的vg模型參數(shù)；ni和mi表示第i層的vg模型參數(shù)；hi表示每一層的高度差；表示植被層的基質(zhì)吸力；i=1，為植被層，h0=0；

16、經(jīng)典vg飽和－非飽和滲流模型為：

17、

18、式中，kwi表示第i層土層的滲透系數(shù)；表示第i層土層的基質(zhì)吸力；k0i為第i層土層的土體飽和滲透系數(shù)；

19、土質(zhì)邊坡在降雨參數(shù)以及初始地下水位不同的情況下在滲流作用下的非飽和滲流控制模型為：

20、

21、h總表示總水頭，所述總水頭跟降雨強(qiáng)度、降雨時長、初始地下水位和邊坡角度有關(guān)；kxi、kyi分別為第i層的水平滲透系數(shù)和垂直滲透系數(shù)，與第i層土層的滲透系數(shù)kwi相關(guān)；θw（hi）為土坡在滲流過程中第i層的含水率； φi為第i層的基質(zhì)吸力；x為水平方向，y為垂直方向；t為降雨時間，即非飽和滲流控制與降雨時長相關(guān)；

22、考慮包含植被以及多土層邊坡的每一層非飽和土抗剪強(qiáng)度模型為：

23、

24、為非飽和土抗剪土強(qiáng)度；c'為有效黏聚力；為有效內(nèi)摩擦角；表示第i層的基質(zhì)吸力；為凈法向應(yīng)力，隨土層含水率變化而變化；為吸力參數(shù)，隨土層含水率變化而變化；每一層的有效黏聚力與每一層的初始粘聚力、每一層任意一點(diǎn)含水率以及土質(zhì)相關(guān)；每一層的有效內(nèi)摩擦力與每一層的初始內(nèi)摩擦力、每一層任意一點(diǎn)含水率以及土質(zhì)相關(guān)；

25、不同降雨條件下植被多土層邊坡的安全系數(shù)計算模型為：

26、

27、c為降雨過后邊坡的黏聚力；為降雨過后邊坡的內(nèi)摩擦角；、分別為邊坡臨界破壞時的粘聚力和內(nèi)摩擦角。

28、可選的，還包括：

29、采用有限元強(qiáng)度折減法獲得邊坡臨界破壞時的粘聚力和內(nèi)摩擦角。

30、可選的，還包括：

31、構(gòu)建關(guān)于隨機(jī)森林模型的降雨植被多土層邊坡穩(wěn)定性預(yù)測模型。

32、可選的，所述采用所述數(shù)據(jù)集訓(xùn)練降雨植被多土層邊坡穩(wěn)定性預(yù)測模型，包括：

33、將數(shù)據(jù)集劃分為訓(xùn)練集和測試集；

34、對于每一個訓(xùn)練樣本，采用紅嘴藍(lán)鵲優(yōu)化算法對所述隨機(jī)森林模型的參數(shù)進(jìn)行優(yōu)化，以獲得每一個訓(xùn)練樣本最優(yōu)的隨機(jī)森林模型的參數(shù)配置；

35、采用測試集對所述隨機(jī)森林模型進(jìn)行測試，以評估所述隨機(jī)森林模型的性能。

36、可選的，所述采用紅嘴藍(lán)鵲優(yōu)化算法對隨機(jī)森林模型的參數(shù)進(jìn)行優(yōu)化，包括：

37、定義超參數(shù)的搜索空間；所述超參數(shù)包括樹的數(shù)量、每棵樹的最大深度、每棵樹的節(jié)點(diǎn)最小分裂樣本數(shù)、每棵樹的葉子節(jié)點(diǎn)最小樣本數(shù)以及特征數(shù)的最大數(shù)量；

38、生成初始種群，所述初始種群中每個個體表示一組超參數(shù)的候選解；

39、尋找每個個體的目標(biāo)，目標(biāo)公式為：

40、

41、是個體小組目標(biāo)的均值；q為小組大??；為本小組中的第m個個體；m為大于等于1小于等于q的常數(shù)；n為隨機(jī)數(shù)；為本次迭代計算得到的當(dāng)前個體的目標(biāo)；為上一次迭代計算得到的當(dāng)前個體的目標(biāo)；

42、獲得本次迭代的種群中找到的最優(yōu)解，最優(yōu)解的公式為：

43、

44、為當(dāng)前找到的最優(yōu)解；m為調(diào)整系數(shù)；為正態(tài)分布的隨機(jī)數(shù)；

45、

46、調(diào)整系數(shù)m為：

47、

48、t為當(dāng)前迭代次數(shù)；t為最大迭代次數(shù)；

49、以最小化損失函數(shù)來評估每次迭代中個體的適應(yīng)性進(jìn)行評估，適應(yīng)性評估公式為：

50、

51、式中，為每個樣本邊坡的安全系數(shù)；每個樣本的機(jī)器學(xué)習(xí)建模預(yù)測值；np表示樣本的個數(shù)；

52、當(dāng)?shù)螖?shù)達(dá)到最大迭代次數(shù)或者個體的適應(yīng)性小于等于適應(yīng)性閾值時停止迭代，并輸出最優(yōu)的超參數(shù)，所述最優(yōu)的超參數(shù)定義了所述隨機(jī)森林模型的最優(yōu)參數(shù)配置。

53、根據(jù)本發(fā)明的第二方面，提供了一種降雨植被多土層邊坡穩(wěn)定性預(yù)測裝置，包括：

54、參數(shù)獲取單元，用于獲取降雨參數(shù)以及邊坡每一層的邊坡參數(shù)，所述邊坡包括植被層以及若干土層；

55、計算單元，用于將降雨參數(shù)以及所述邊坡每一層的邊坡參數(shù)代入到預(yù)置植被多層土質(zhì)邊坡模型中，計算所述邊坡的安全系數(shù)；

56、數(shù)據(jù)構(gòu)建單元，用于將所述降雨參數(shù)、所述邊坡每一層的邊坡參數(shù)以及所述邊坡的安全系數(shù)作為一組樣本，獲取包含多組樣本的數(shù)據(jù)集；所述數(shù)據(jù)集中包含不同降雨參數(shù)以及不同邊坡參數(shù)的多組樣本；

57、訓(xùn)練單元，用于采用所述數(shù)據(jù)集訓(xùn)練降雨植被多土層邊坡穩(wěn)定性預(yù)測模型，得到訓(xùn)練好的降雨植被多土層邊坡穩(wěn)定性預(yù)測模型；

58、預(yù)測單元，用于獲取目標(biāo)邊坡每一層的邊坡參數(shù)以及實(shí)時或者預(yù)報的降雨參數(shù)，將所述目標(biāo)邊坡每一層的邊坡參數(shù)以及實(shí)時或者預(yù)報的降雨參數(shù)輸入到訓(xùn)練好的所述降雨植被多土層邊坡穩(wěn)定性預(yù)測模型中，以預(yù)測所述目標(biāo)邊坡的所述安全系數(shù)。

59、可選的，所述訓(xùn)練單元還用于將數(shù)據(jù)集劃分為訓(xùn)練集和測試集；

60、對于每一個訓(xùn)練樣本，采用紅嘴藍(lán)鵲優(yōu)化算法對所述隨機(jī)森林模型的參數(shù)進(jìn)行優(yōu)化，以獲得每一個訓(xùn)練樣本最優(yōu)的隨機(jī)森林模型的參數(shù)配置；

61、采用測試集對所述隨機(jī)森林模型進(jìn)行測試，以評估所述隨機(jī)森林模型的性能。

62、本發(fā)明實(shí)施例的技術(shù)方案，通過在獲取降雨參數(shù)以及邊坡每一層的邊坡參數(shù)，邊坡包括植被層以及若干土層，并建立考慮植被、降雨?duì)顟B(tài)以及多土層因素共同作用下的植被多層土質(zhì)邊坡模型，以對邊坡穩(wěn)定性進(jìn)行分析，本發(fā)明能夠更真實(shí)的反映了實(shí)際在降雨情況下包含植被多土層的邊坡狀態(tài)，并能得到更準(zhǔn)確的邊坡安全系數(shù)。通過引入降雨植被多土層邊坡穩(wěn)定性預(yù)測的機(jī)器學(xué)習(xí)模型，通過大量土坡數(shù)據(jù)樣本的訓(xùn)練，得到具有良好泛化能力的降雨植被多土層邊坡穩(wěn)定性預(yù)測模型，并預(yù)測得到與實(shí)際情況更接近的穩(wěn)定性分析結(jié)果。另一方面，本發(fā)明也能根據(jù)移植目標(biāo)邊坡的邊坡參數(shù)，根據(jù)實(shí)時或者預(yù)報的降雨參數(shù)即可實(shí)時或者提前對邊坡的安全性進(jìn)行迅速預(yù)測并進(jìn)行報警。

63、應(yīng)當(dāng)理解，本部分所描述的內(nèi)容并非旨在標(biāo)識本發(fā)明的實(shí)施例的關(guān)鍵或重要特征，也不用于限制本發(fā)明的范圍。本發(fā)明的其它特征將通過以下的說明書而變得容易理解。