本發(fā)明涉及地質(zhì)災(zāi)害智能預(yù)測(cè)，具體涉及一種基于物理機(jī)制和神經(jīng)網(wǎng)絡(luò)模型耦合的地震邊坡失穩(wěn)概率智能預(yù)測(cè)方法。

背景技術(shù)：

1、地震引發(fā)的滑坡是地質(zhì)災(zāi)害中危害較為嚴(yán)重的一種形式，對(duì)人員生命安全、基礎(chǔ)設(shè)施及生態(tài)環(huán)境造成重大威脅。邊坡穩(wěn)定性分析是滑坡危險(xiǎn)性預(yù)測(cè)與預(yù)防的核心內(nèi)容，其精確性和及時(shí)性直接影響地震災(zāi)害應(yīng)急決策的科學(xué)性。

2、傳統(tǒng)方法的主要為基于物理模型進(jìn)行穩(wěn)定性評(píng)價(jià)，但存在一定的復(fù)雜性和局限性，具體如下：目前針對(duì)邊坡穩(wěn)定性的研究多基于物理模型(如極限平衡法、有限元法等)進(jìn)行力學(xué)分析，需大量邊坡詳細(xì)數(shù)據(jù)(如幾何特征、巖土力學(xué)參數(shù))支持。然而，強(qiáng)震作用下滑坡失穩(wěn)的動(dòng)力響應(yīng)復(fù)雜，這些方法在面臨大規(guī)模區(qū)域評(píng)估或缺乏高分辨率數(shù)據(jù)時(shí)存在適用性不足的問題；滑坡預(yù)測(cè)依賴于多源數(shù)據(jù)(地震動(dòng)、地形、地質(zhì)、監(jiān)測(cè)等)，這些數(shù)據(jù)在時(shí)空分布上存在顯著差異，例如地震動(dòng)數(shù)據(jù)以時(shí)域/頻域特征為主，地形與幾何參數(shù)則為靜態(tài)空間數(shù)據(jù)。這種異構(gòu)性增加了多維信息的融合與特征提取的難度，傳統(tǒng)預(yù)測(cè)模型難以充分利用這些信息。

3、隨著人工智能技術(shù)的發(fā)展，機(jī)器學(xué)習(xí)模型在邊坡危險(xiǎn)性預(yù)測(cè)中開始展現(xiàn)出顯著優(yōu)勢(shì)，特別是對(duì)大規(guī)模數(shù)據(jù)的處理能力。然而，這些數(shù)據(jù)驅(qū)動(dòng)模型通常缺乏對(duì)物理機(jī)制的理解，預(yù)測(cè)結(jié)果的解釋性不足，影響其在實(shí)際應(yīng)用中的可信度與普適性。

4、因此，亟需一種適用于邊坡災(zāi)害的智能監(jiān)測(cè)、風(fēng)險(xiǎn)評(píng)估和地震災(zāi)害防治的新方法。

技術(shù)實(shí)現(xiàn)思路

1、為解決現(xiàn)有技術(shù)中存在的問題，本發(fā)明提供了一種基于物理機(jī)制和神經(jīng)網(wǎng)絡(luò)模型耦合的地震邊坡失穩(wěn)概率智能預(yù)測(cè)方法，通過物理機(jī)制建模、數(shù)據(jù)驅(qū)動(dòng)的特征提取及貝葉斯優(yōu)化的神經(jīng)網(wǎng)絡(luò)建模技術(shù)，為地震誘發(fā)滑坡的預(yù)測(cè)提供理論依據(jù)與技術(shù)支持，適用于邊坡災(zāi)害的智能監(jiān)測(cè)、風(fēng)險(xiǎn)評(píng)估和地震災(zāi)害防治，解決了上述背景技術(shù)中提到的問題。

2、為實(shí)現(xiàn)上述目的，本發(fā)明提供如下技術(shù)方案：一種基于物理機(jī)制和神經(jīng)網(wǎng)絡(luò)模型耦合的地震邊坡失穩(wěn)概率智能預(yù)測(cè)方法，包括如下步驟：

3、s1、基于地震邊坡穩(wěn)定性分析的數(shù)據(jù)庫構(gòu)建；

4、s2、地震動(dòng)及邊坡響應(yīng)數(shù)據(jù)特征提??；

5、s3、地震邊坡穩(wěn)定性評(píng)價(jià)指標(biāo)及失穩(wěn)閾值確定；

6、s4、數(shù)據(jù)預(yù)處理及特征值選擇；

7、s5、地震邊坡失穩(wěn)概率智能預(yù)測(cè)模型建立；

8、s6、地震邊坡失穩(wěn)概率智能預(yù)測(cè)。

9、優(yōu)選的，在步驟s1中，具體包括如下：

10、s11、收集全世界范圍內(nèi)的地震動(dòng)數(shù)據(jù)包括加速度時(shí)程，進(jìn)行地震動(dòng)特性分析，獲取地震動(dòng)峰值加速度和速度、阿里亞斯強(qiáng)度、頻率、震中距離、震源深度的信息；

11、s12、收集基于數(shù)值模擬和振動(dòng)臺(tái)模型試驗(yàn)方法進(jìn)行地震邊坡穩(wěn)定性分析的相關(guān)數(shù)據(jù)，獲取包括邊坡幾何特征、地質(zhì)條件、荷載、加速度、位移、應(yīng)力分布的邊坡響應(yīng)特性數(shù)據(jù)；

12、s13、收集基于現(xiàn)場(chǎng)邊坡的實(shí)時(shí)監(jiān)測(cè)數(shù)據(jù)，包括位移、應(yīng)變的數(shù)據(jù)；

13、s14、整合以上數(shù)據(jù)，構(gòu)建地震邊坡穩(wěn)定性分析的數(shù)據(jù)庫，并標(biāo)記每組數(shù)據(jù)對(duì)應(yīng)的邊坡穩(wěn)定性狀態(tài)，即將穩(wěn)定標(biāo)記為0，失穩(wěn)標(biāo)記為1。

14、優(yōu)選的，在步驟s2中，基于構(gòu)建的數(shù)據(jù)庫進(jìn)行數(shù)據(jù)特征提取，具體包括如下：

15、s21、地震動(dòng)數(shù)據(jù)特征：采用傅里葉變換fft提取地震動(dòng)和邊坡響應(yīng)的頻域特征，進(jìn)行頻譜分析，計(jì)算不同頻段的能量分布；基于改進(jìn)的m&p波方法，識(shí)別提取地震動(dòng)脈沖成分，利用地震動(dòng)的時(shí)間-頻率特征，計(jì)算脈沖能量率，進(jìn)行脈沖效應(yīng)特征分析；脈沖地震動(dòng)識(shí)別的計(jì)算公式為：

16、er＝-(2.68+0.1416×pgvp-0.0162×erp+0.0002852×pgvp2

17、-0.005476×erp×pgvp+0.0005197×erp2)

18、

19、其中，er為脈沖指標(biāo)；pgvp為脈沖峰值速度；erp為脈沖能量率；當(dāng)脈沖指標(biāo)er大于0時(shí)，該地震動(dòng)為脈沖地震動(dòng)；ts和te分別代表速度脈沖的開始時(shí)間和結(jié)束時(shí)間；e(t)代表在時(shí)刻t的地震動(dòng)累積能量；

20、s22、數(shù)值模擬和模型試驗(yàn)邊坡響應(yīng)特征提取：從位移、加速度、應(yīng)力曲線中提取時(shí)域特征，包括最大值、均方根rms、標(biāo)準(zhǔn)差；提取邊坡在地震作用下的累積位移量；

21、s23、監(jiān)測(cè)數(shù)據(jù)特征提取：從位移和加速度時(shí)序數(shù)據(jù)中計(jì)算變化率，包括位移變化率、速度變化率。

22、優(yōu)選的，在步驟s3中，具體包括如下：

23、通過數(shù)據(jù)庫中穩(wěn)定和失穩(wěn)樣本的統(tǒng)計(jì)分析以及邊坡響應(yīng)特征，計(jì)算特定地震動(dòng)條件下的位移臨界值，確定位移閾值；提取地震動(dòng)加速度時(shí)程，計(jì)算邊坡臨界加速度，分析加速度值與邊坡失穩(wěn)關(guān)系，確定邊坡臨界加速度；提取應(yīng)力分布，計(jì)算臨界應(yīng)力值；

24、基于位移、加速度、應(yīng)力的指標(biāo)閾值，定義邊坡失穩(wěn)的多維指標(biāo)體系，當(dāng)任意穩(wěn)定性指標(biāo)達(dá)到或超過失穩(wěn)閾值，則認(rèn)為該邊坡達(dá)到失穩(wěn)臨界狀態(tài)；當(dāng)所有指標(biāo)均低于其閾值時(shí)，邊坡為穩(wěn)定狀態(tài)。

25、優(yōu)選的，所述指標(biāo)閾值判斷的表達(dá)式如下：

26、

27、其中，state表示邊坡穩(wěn)定性狀態(tài)，取值為“1”或“0”；d表示累積位移；a表示最大加速度；s表示最大應(yīng)力；dcrit為累積位移的失穩(wěn)閾值；acrit為加速度的失穩(wěn)閾值；scrit為應(yīng)力的失穩(wěn)閾值。

28、優(yōu)選的，在步驟s4中，具體包括如下：

29、s41、根據(jù)步驟s1中構(gòu)建的數(shù)據(jù)庫和步驟s2中提取的數(shù)據(jù)特征，獲得大量邊坡特性參數(shù)和地震動(dòng)強(qiáng)度參數(shù)，并將這些參數(shù)作為影響因子，進(jìn)行標(biāo)準(zhǔn)化數(shù)據(jù)預(yù)處理，確保數(shù)據(jù)特征之間的數(shù)值范圍一致；

30、所述邊坡特性參數(shù)包括坡高、坡度、巖土體強(qiáng)度；所述地震動(dòng)強(qiáng)度參數(shù)包括峰值、阿里亞斯強(qiáng)度、脈沖能量率；

31、s42、利用步驟s3建立的邊坡失穩(wěn)多維指標(biāo)體系和閾值判斷表達(dá)式，確定穩(wěn)定性狀態(tài)，即穩(wěn)定為0，失穩(wěn)為1，并將穩(wěn)定性狀態(tài)作為目標(biāo)值/標(biāo)簽；

32、s43、采用相關(guān)性分析，將各影響因子與其他影響因子的相關(guān)性小于0.8的因子保留，然后基于隨機(jī)森林算法評(píng)估這些已保留的影響因子重要性，將重要性小于0.1或相對(duì)于其他的重要性最低的影響因子去除，把剩下的影響因子作為模型建立所需的特征值。

33、優(yōu)選的，所述影響因子重要性計(jì)算公式如下：

34、

35、其中，importance(xi)為影響因子xi的重要性，n為影響因子數(shù)量，gsplit為因子貢獻(xiàn)的增益，n為第n個(gè)影響因子。

36、優(yōu)選的，在步驟s5中，將步驟s4中的特征值和目標(biāo)值/標(biāo)簽作為數(shù)據(jù)集，采用5折交叉驗(yàn)證將數(shù)據(jù)集隨機(jī)分為5份，依次選擇其中4份作為訓(xùn)練集，1份作為測(cè)試集，將訓(xùn)練集帶入卷積神經(jīng)網(wǎng)絡(luò)cnn算法中，構(gòu)建預(yù)測(cè)模型；

37、在算法中引入貝葉斯優(yōu)化，自動(dòng)調(diào)節(jié)模型的超參數(shù)，包括卷積核大小、卷積核數(shù)量、池化核大小、池化方式、神經(jīng)元數(shù)量、層數(shù)、學(xué)習(xí)率以及l(fā)2正則化參數(shù)；

38、模型測(cè)試：每一次測(cè)試采用準(zhǔn)確率、召回率、auc曲線，評(píng)估模型在測(cè)試集上的穩(wěn)定性和泛化能力，最后取每次測(cè)試的平均值，得到訓(xùn)練好的模型。

39、優(yōu)選的，在步驟s6中，邊坡失穩(wěn)概率值越接近于1則表示該邊坡極易發(fā)生失穩(wěn)，接近于0表明該邊坡穩(wěn)定。

40、本發(fā)明的有益效果是：本發(fā)明通過數(shù)值模擬、室內(nèi)模型試驗(yàn)以及邊坡監(jiān)測(cè)，構(gòu)建物理機(jī)制驅(qū)動(dòng)的數(shù)據(jù)庫；通過數(shù)據(jù)庫案例提取地震動(dòng)頻譜特征、時(shí)域/時(shí)頻特征、邊坡位移及應(yīng)力累積特征，結(jié)合基于貝葉斯優(yōu)化的神經(jīng)網(wǎng)絡(luò)模型實(shí)現(xiàn)邊坡穩(wěn)定性的精準(zhǔn)預(yù)測(cè)。本發(fā)明方法在整合物理模型優(yōu)勢(shì)與數(shù)據(jù)驅(qū)動(dòng)方法靈活性的同時(shí)，顯著提升了滑坡預(yù)測(cè)的可靠性與科學(xué)性，為地震災(zāi)害的預(yù)防與減輕提供技術(shù)支撐。