欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2025100162729
申请人: 长安大学
专利类型:发明专利
专利状态:已下证
专利领域: 水利工程;基础;疏浚
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种弃渣场边坡稳定性监测系统,其特征在于,包括:

数据采集模块:负责通过部署在弃渣场边坡的各类传感器实时采集边坡的变形数据,同时,利用航拍图像和数字高程图像获取边坡的宏观信息;

数据传输模块:负责利用物联网技术将采集到的数据实时传输到数据处理中心,这包括有线传输和无线传输两种方式;

所述数据处理中心包括数据处理与分析模块、预警与决策支持模块以及用户交互模块;

数据处理与分析模块:负责对传输过来的数据进行处理和分析,通过构建边坡稳定性模型,评估边坡的稳定性状态,构建边坡稳定性模型过程中,基于已知的不稳定边坡特征,通过GAN生成一些新的、虚拟的不稳定边坡数据来补充训练集;

预警与决策支持模块:负责设定预警阈值,根据边坡稳定性模型的输出结果与预警阈值对比,一旦输出结果超过阈值,将自动触发预警机制,并通过用户交互模块向相关人员发送预警信息,同时,提供决策支持功能,为边坡的加固和治理提供依据;

用户交互模块:负责提供操作界面和可视化展示功能,用户通过操作界面实时查看边坡的监测数据、稳定性评估结果、预警信息以及决策支持;

所述数据处理与分析模块包括数据接收单元、数据预处理单元、数据增强单元、特征提取单元、模型训练与优化单元以及稳定性评估单元,所述数据接收单元负责接收从数据传输模块传输过来的边坡变形数据和边坡的宏观信息,对接收到的数据进行预处理操作,处理后的数据传递给后续的特征提取单元或数据增强单元,所述数据增强单元基于已知的不稳定边坡特征,利用GAN生成新的虚拟数据,接收来自数据预处理单元的数据,生成虚拟数据后传递给模型训练单元,所述特征提取单元利用PCA提取特征信息,接收来自数据预处理单元的数据,提取特征后传递给模型训练单元,所述模型训练与优化单元利用接收到的特征和虚拟数据进行训练和优化,输出训练好的边坡稳定性模型,所述稳定性评估单元利用训练好的边坡稳定性模型型对新的边坡变形数据进行稳定性评估。

2.根据权利要求1所述的一种弃渣场边坡稳定性监测系统,其特征在于,所述数据采集模块中,通过位移传感器监测边坡的水平位移和垂直位移,了解边坡的整体变形情况;通过应力传感器则监测边坡内部的应力分布情况,帮助判断边坡是否处于受力平衡状态,如果应力分布异常,预示着边坡即将发生失稳;结合边坡的宏观信息和变形数据,对边坡的稳定性进行全面评估。

3.根据权利要求1所述的一种弃渣场边坡稳定性监测系统,其特征在于,所述数据增强单元利用GAN生成新的虚拟数据的具体步骤为:数据收集:收集已有的处理后的边坡特征数据;

特征提取:从预处理后的数据中提取出与边坡稳定性相关的关键特征;

GAN模型训练:构建一个GAN模型,包括生成器和判别器,生成器的任务是生成与真实数据相似的虚拟数据,而判别器的任务是区分真实数据和虚拟数据,通过训练,使生成器生成越来越接近真实数据的虚拟数据;

虚拟数据生成:利用训练好的生成器,基于已知的不稳定边坡特征,生成新的虚拟数据。

4.根据权利要求3所述的一种弃渣场边坡稳定性监测系统,其特征在于,通过相关性分析筛选出与边坡稳定性相关的关键特征,计算各个特征与边坡稳定性之间的皮尔逊相关系数,皮尔逊相关系数公式为其中,xi和yi分别是第i个样本的特征值和边坡稳定性值,和分别是特征值和边坡稳定性值的均值,n是样本数量;

根据皮尔逊相关系数的值,解释各个特征与边坡稳定性之间的关联程度,皮尔逊相关系数的绝对值越大,表示特征与边坡稳定性之间的关联程度越高,当|r|≈1时,表示特征与边坡稳定性之间存在强烈的线性关系,当|r|≈0时,表示特征与边坡稳定性之间几乎没有线性关系。

5.根据权利要求3所述的一种弃渣场边坡稳定性监测系统,其特征在于,所述GAN模型训练的具体步骤为:构建GAN模型:生成器:设计一个神经网络结构,其输入为随机噪声向量,输出为与真实边坡特征数据相似的虚拟数据;判别器:另一个神经网络结构,其输入为真实数据或生成器生成的虚拟数据,输出为该数据为真实数据的概率;

定义损失函数:生成器损失:衡量生成器生成的虚拟数据与真实数据之间的差异,生成器损失函数为其中,z表示随机噪声向量,G(z)表示生成器生成的虚拟数据,D(G(z))表示判别器对生成器生成的虚拟数据的预测概率;判别器损失:衡量判别器区分真实数据和虚拟数据的能力,判别器损失函数为其中,x表示真实数据,D(x)表示判别器对真实数据的预测概率;

训练过程:初始化模型参数:为生成器和判别器分配随机权重;迭代训练:训练判别器:使用真实数据和生成器生成的虚拟数据训练判别器,使其准确区分两者;训练生成器:使用判别器的反馈训练生成器,使其生成的虚拟数据越来越接近真实数据;更新权重:在每次迭代后,根据损失函数的梯度更新生成器和判别器的权重;通过迭代训练过程,不断优化生成器和判别器的权重,使生成器生成越来越接近真实数据的虚拟数据。

6.根据权利要求1所述的一种弃渣场边坡稳定性监测系统,其特征在于,所述特征提取单元利用PCA提取特征信息,将处理后的数据设置为M个边坡样本{X1,X2,...,XM,},每个边坡样本有N维边坡特征每一个边坡特征Xj都有各自的边坡特征值;

首先对所有边坡特征进行去中心化,即去均值,求出每个边坡特征的平均值,然后对于所有的边坡样本,每一个边坡特征都减去自身的均值,其中各自的均值分别为在去中心化后再求协方差矩阵其中对角线上分别是边坡特征X1和X2的方差,非对角线上是协方差,cov(X1,X1)的计算公式为由此得出M个边坡样本在这N维边坡特征下的协方差矩阵C;

得到协方差矩阵后,根据特征方程Cμ=λμ求出其特征值及其对应的特征向量,其中λ为特征值,μ为其对应的特征向量,选择最大的前k个特征值和相对应的特征向量进行投影,投影即为降维的过程,将原始边坡特征从高维度降低到低维度,降维后除去了大量的冗余信息,且至少保留了原来85%以上的信息,处理后的边坡特征后传递给模型训练单元。

7.根据权利要求1所述的一种弃渣场边坡稳定性监测系统,其特征在于,所述模型训练与优化单元利用接收到的特征和虚拟数据进行训练和优化,输出训练好的边坡稳定性模型,包括以下步骤:选择模型:根据弃渣场边坡稳定性监测的数据特性和任务需求,选择基于Transformer的注意力机制模型作为边坡稳定性模型;

初始化参数:随机初始化模型的权重和偏置等参数;

数据准备:将预处理后的特征和虚拟数据以及边坡稳定性的实际观测值输入模型;

定义损失函数:选择均方误差作为损失函数,均方误差公式为

其中,yi是实际观测值,是模型预测值,n是样本数量;

选择优化算法:使用Adam优化算法进行迭代训练;

迭代训练:通过前向传播计算损失,然后通过反向传播更新模型参数,重复这一过程,直到损失函数收敛或达到预设的迭代次数;

评估模型:使用验证集评估模型的性能,使用准确率作为评估指标;

模型调优:根据评估结果,调整模型的超参数或改进模型结构;

保存模型:将训练好的边坡稳定性模型保存到指定的路径或数据库中,保存的内容包括模型的权重、偏置等参数以及模型的结构信息;

模型部署:将训练好的边坡稳定性模型部署到稳定性评估单元中。