CN119445806A 地灾高风险区滑坡协同监测预警方法及系统 （四川省自然资源勘察设计集团有限公司）

地灾高风险区滑坡协同监测预警方法及系统本发明公开了地灾高风险区滑坡协同监测权重形成第二修正权重；更新第二神经网络模有效的提高了模型预测的精度，提高了迭代效2获取目标滑坡的滑坡表面数据和滑坡地质结构数据；所述滑根据所述滑坡表面数据和所述滑坡地质结构数据为所述目标滑坡设置多个监测设备，将当前时刻的监测数据输入预设的第一神经网络模型，并获取所述将当前时刻的所述监测数据输入预设的第二神经网络模型通过所述预测位移数据和下一时刻的所述监测数据的差异计算第一修所述滑坡变形类型数据和所述滑坡运动类型数据修正所述第一修正权重形成第二修正权根据所述第一修正权重和所述第二修正权重更新所述第二神经网络根据更新后的所述第二神经网络模型输出的所述预测位移数据判断所述目标滑坡是根据所述滑坡表面数据和所述滑坡地质结构数据将所述目标滑坡划根据所述滑坡表面数据选择适合的滑坡表面位置布设坡体位移滑坡地质结构数据选择适合的滑坡体内部位置布设将所述前缘区域中的监测仪器作为前缘设备，将所述中段区域中构建多种工况下的有限元模型或离散元模型形成数对多个所述数值模拟模型进行变形破坏数值模拟，获取前缘样本数据3和滑坡变形类型作为输出数据训练神经网络模型形成所通过损失函数计算出所述预测位移数据和下一时刻的所述监测数据的差异作为损失通过所述损失值反向传播计算所述第二神经网络模型中各层的梯度，获取所述滑坡变形类型数据对应的前缘监测数据、中段监测数将所述变形权重和所述运动权重乘以所述第一修正权重中对应输入层到隐含层的第后的所述第二神经网络模型输出的所述预测位移数据判断所获取所述预测位移数据对应的监测设备的所述变形权重通过所述变形权重和所述运动权重对所述预测位移数据进行加权计算获取所述目标4第一修正权重和所述第二修正权重更新所述第将所述第二神经网络模型中的输入层到隐含层的权重更新为对应的所述第二修正权重，并将第二神经网络模型中的非输入层到隐含层的权重更新为对应的所述第一修正权获取单元，被配置为获取目标滑坡的滑坡表面数据和滑坡监测单元，被配置为根据所述滑坡表面数据和所述滑坡地质结构分析单元，被配置为将当前时刻的监测数据输入预设的第获取所述第二神经网络模型输出的位移数据作为更新单元，被配置为通过所述预测位移数据和下一时刻5循环单元，被配置为根据所述第一修正权重和所述判断单元，被配置为根据更新后的所述第二神经网6预测中扮演着至关重要的角色(Guzzetti等人,2008)，并可根据方法论的差异细分为物泥坝子滑坡(何朝阳等人,2019;解明礼等人,2020)以及加拿大金矿边坡(Carlà等人,7根据所述滑坡表面数据和所述滑坡地质结构数据为所述目标滑坡设置多个监测根据所述滑坡变形类型数据和所述滑坡运动类型数据修正所述第一修正权重形成第二修根据更新后的所述第二神经网络模型输出的所述预测位移数据判断所述目标滑根据所述滑坡表面数据和所述滑坡地质结构数据将所述目标滑坡划分为前缘区所述滑坡地质结构数据选择适合的滑坡体内部位置布设深部位移类型和滑坡变形类型作为输出数据训练神经网络模型形成所述第一以当前时刻的所述前缘样本数据、中段样本数据和后缘样本数据作为输入数据，8通过损失函数计算出所述预测位移数据和下一时刻的所述监测数据的差异作为梯度计算所述第二神经网络模型的权重作为所述第将所述变形权重和所述运动权重乘以所述第一修正权重中对应输入层到隐含层获取所述预测位移数据对应的监测设备的所述变形权重通过所述变形权重和所述运动权重对所述预测位移数据进行加权计算获取所述9将所述第二神经网络模型中的输入层到隐含层的权重更新为对应的所述第二修滑坡设置多个监测设备，并将所述监测设备根据相对所述目标滑坡的位置划分为前缘设计算单元，被配置为将当前时刻的所述监测数据输入预设的第二神经网络模型根据所述滑坡表面数据和所述滑坡地质结构数据将所述目标滑坡划分为前缘区所述滑坡地质结构数据选择适合的滑坡体内部位置布设深部位移运动类型和滑坡变形类型的分析，并将分析后的结果应用在BP神经网络模型的更新过程[0017]此处所说明的附图用来提供对本发明实施例的进一步理解，构成本申请的一部此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因[0020]请结合参阅图1，为本发明实施例所提供的地灾高风险区滑坡协同监测预警方法网络模型输出的滑坡运动类型数据和滑坡变形类型数据；所述监测数据包括前缘监测数S5：通过所述预测位移数据和下一时刻的所述监测数据的差异计算第一修正权出的预测位移进行目标滑坡安全评价，可以早一步的获取目标滑坡未来可能发生的状况，根据所述滑坡表面数据和所述滑坡地质结构数据将所述目标滑坡划分为前缘区所述滑坡地质结构数据选择适合的滑坡体内部位置布设深部位移类型和滑坡变形类型作为输出数据训练神经网络模型形成所述第一主要功能是根据监测数据判断出滑坡对应的滑坡运动类型和滑坡变以当前时刻的所述前缘样本数据、中段样本数据和后缘样本数据作为输入数据，通过损失函数计算出所述预测位移数据和下一时刻的所述监测数据的差异作为梯度计算所述第二神经网络模型的权重作为所述第将所述变形权重和所述运动权重乘以所述第一修正权重中对应输入层到隐含层获取所述预测位移数据对应的监测设备的所述变形权重通过所述变形权重和所述运动权重对所述预测位移数据进行加权计算获取所述[0032]本申请实施例实施时，变形权重和运动权重还可以进一步的被应用于预警值计继发育破坏，后部的变形破坏决定滑坡的整体失稳，故运动权重为Rea1r>Front1>前缘和中部的位移量成为该类滑坡形成的控制性条件，故变形权重Front2>Central2>面特性决定滑坡的形成，后缘拉裂面一出现即迅速滑落，故变形权重Rear2>Front2>生折裂效应，导致板梁倾倒崩塌。一般坡体后缘变形标注该类滑坡的形成，故变形权重[0039]塑流拉裂式滑坡主要发育于软弱基座体斜坡，下伏软岩挤出后导致上覆岩层拉将所述第二神经网络模型中的输入层到隐含层的权重更新为对应的所述第二修重修正第一修正权重后形成的第二修正权重可以被赋值给输入层到第一个隐含层的权重，而第一修正权重可以被赋值到第一个隐含层到第二个隐含层的权重以及第二隐含层到输式可以提高第二神经网络模型在接近最优解的情况滑坡设置多个监测设备，并将所述监测设备根据相对所述目标滑坡的位置划分为前缘设计算单元，被配置为将当前时刻的所述监测数据输入预设的第二神经网络模型根据所述滑坡表面数据和所述滑坡地质结构数据将所述目标滑坡划分为前缘区所述滑坡地质结构数据选择适合的滑坡体内部位置布设深部位移