一种溃坝过程安全监测、预警与影响评估方法

技术领域

本发明涉及溃坝监测领域，具体涉及一种溃坝过程安全监测、预警与影响评估方法。

背景技术

溃坝过程监测是一项长期，复杂的监测工程，在溃坝过程中存在着大量模糊、复杂、不确定因素，且在上世纪50～60年代，数起严重溃坝事件的发生，使人意识到对溃坝过程进行安全监测、预警与影响评价的重要性。在进行溃坝监测的工作过程中，使用单一监测方法难以获得完整溃坝过程，准确得到溃坝原因。因此，对大坝进行实时监测，并准确地获取大坝周期变形模型，获取溃坝过程，有着十分重要的意义。

目前，常用的大坝变形监测为大坝内部垂线，引张线等变形监测，大坝外部水准控制网，GPS控制网等变形检测网。由于溃坝因素有很多，使得溃坝发生具有随机性、不确定性。若仅仅凭借经验对溃坝进行定型判断，难以为水库大坝的管理建设提供参考。基于水准控制网与GPS技术在大坝观测中应用最为广泛的方法，但是这种方法对溃坝过程监测与研究也有缺陷与不足，如下：(1)影响溃坝的因素有很多，包括坝体渗漏、坝体滑坡、生物洞穴等难以监测，需要大坝的精细周期变化模型。(2)开裂，渗漏，变形等溃坝过程难以与监测的变形数据结合，探讨内外因素对溃坝过程影响，基于多因素对溃坝进行预警与安全监测。

发明内容

针对现有技术中的上述不足，本发明提供的一种溃坝过程安全监测、预警与影响评估方法实现了对大坝的安全监测和异常形变预警。

为了达到上述发明目的，本发明采用的技术方案为：

提供一种溃坝过程安全监测、预警与影响评估方法，其包括以下步骤：

S1、使用贴近倾斜摄影测量技术获取监测区域的三维模型；

S2、使用TPS变形监测系统对大坝进行监测，获取测量点的水平位移与沉降数据；

S3、使用机载LiDAR与三维激光扫描仪获取监测区域的点云数据；

S4、基于测量点的变形数据、水平位移与沉降数据，以及监测区域的点云数据获取监测点变化数据；

S5、构建大坝变形的多元线性回归模型，基于监测点变化数据通过大坝变形的多元线性回归模型对溃坝过程进行安全监测；

S6、获取安全监测过程中变化数据超过阈值的区域，即危险区域；

S7、使用机载LiDAR和三维激光扫描仪获取危险区域的点云数据；

S8、按时序对危险区域的点云数据和三维模型进行处理，实现危险区域的溃坝可视化；

S9、基于溃坝可视化过程，进行预警与影响评估。

进一步地，步骤S1的具体方法包括以下子步骤：

S1-1、采用无人机倾斜摄影方式获取监测区域的影像；

S1-2、对获取的影像进行质量检查，对质量不达标的区域进行补飞，得到完整影像数据；

S1-3、对完整影像数据进行匀光匀色和几何校正处理，得到预处理后的影像；

S1-4、对预处理后的影像进行空三加密和分块重构，构建数字表面模型；

S1-5、基于LOD技术，基于立面底边坐标、立面法向量与高差、相机参数构建基础航线；

S1-6、基于GIS分析软件将基础航线与数字表面模型叠加，得到飞行航线；

S1-7、将飞行航线及相机参数导入无人机飞控系统中，使用贴近倾斜摄影测量技术获取监测区域的倾斜摄影影像；

S1-8、根据监测区域的倾斜摄影影像生成监测区域的三维模型。

进一步地，步骤S5的具体方法包括以下子步骤：

S5-1、采用卡尔曼滤波消除监测点变化数据的粗差，得到消除粗差后的数据；

S5-2、采用移动平均线法对消除粗差后的数据进行平滑处理，对平滑处理后的数据进行归一化，得到归一化后的数据；

S5-3、对于归一化后的数据中的观测数据与监测数据，选择10-15组在统计窗口作为经验数据；

S5-4、在统计窗口中建立多元线性回归模型，并采用局部离群因子检测方法检测异常值，进行安全监测与威胁预警。

进一步地，步骤S8的具体方法包括以下子步骤：

S8-1、将机载LiDAR扫描的点云数据与激光扫描仪获取的点云数据进行数据配准，将不同站点的数据匹配到同一坐标系中；

S8-2、对匹配的点云数据采用最小二乘法进行高斯滤波去噪处理；

S8-3、使用平均滤波器对高斯滤波去噪处理后的点云数据进行平滑处理并去除水域点云数据，得到编辑后的点云数据；

S8-4、对编辑后的点云数据进行内插与重采样，生成监测大坝的数字高程模型；

S8-5、采用无控制数字高程模型匹配算法按时序属性将生成的数字高程模型匹配到同一基准中，实现对危险区域的溃坝可视化。

进一步地，步骤S9的具体方法为：

在溃坝可视化过程中加入安全监测过程中的观测数据与监测数据，将溃坝可视化过程与对应区域的三维模型进行结合，得到溃坝过程完整三维动态过程，基于溃坝过程完整三维动态过程完成对溃坝过程的影响评估。

本发明的有益效果为：本发明将贴近摄影测量技术、TPS变形监测系统、机载LiDAR测量技术与三维激光扫描仪测量技术相结合，获得高精度测量数据与三维模型，获取测区大坝变形信息；将获得信息进行去除粗差与误差处理，通过建立回归模型建立监测变量与变形关系，准确得到外部环境对溃坝进程影响，通过获得监测数据的异常值，判断异常变形情况，针对异常情况进行监测；最后对获得三维点云数据处理，自动找出变形区域，准确识别溃坝部位，依据倾斜摄影三维模型，获得完整溃坝过程。本方法解决了传统的大坝安全监测手段过于单一、精度低且不能及时监测出大坝异常的形变沉降情况等问题，避免了无法监测渗漏，开裂等的形变情况，保证安全灾害事故不发生，实现了对溃坝过程的实时全方位覆盖监测，对大坝安全监测，异常形变预警，溃坝研究分析等有着十分重要的意义。

附图说明

图1为本发明的流程示意图。

具体实施方式

下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

如图1所示，该溃坝过程安全监测、预警与影响评估方法包括以下步骤：

S1、使用贴近倾斜摄影测量技术获取监测区域的三维模型；

S2、使用TPS变形监测系统对大坝进行监测，获取测量点的水平位移与沉降数据；

S3、使用机载LiDAR与三维激光扫描仪获取监测区域的点云数据；

S4、基于测量点的变形数据、水平位移与沉降数据，以及监测区域的点云数据获取监测点变化数据；

S5、构建大坝变形的多元线性回归模型，基于监测点变化数据通过大坝变形的多元线性回归模型对溃坝过程进行安全监测；

S6、获取安全监测过程中变化数据超过阈值的区域，即危险区域；

S7、使用机载LiDAR和三维激光扫描仪获取危险区域的点云数据；

S8、按时序对危险区域的点云数据和三维模型进行处理，实现危险区域的溃坝可视化；

S9、基于溃坝可视化过程，进行预警与影响评估。

步骤S1的具体方法包括以下子步骤：

S1-1、采用无人机倾斜摄影方式获取监测区域的影像；

S1-2、对获取的影像进行质量检查，对质量不达标的区域进行补飞，得到完整影像数据；

S1-3、对完整影像数据进行匀光匀色和几何校正处理，得到预处理后的影像；

S1-4、对预处理后的影像进行空三加密和分块重构，构建数字表面模型；

S1-5、基于LOD技术，基于立面底边坐标、立面法向量与高差、相机参数构建基础航线；

S1-6、基于GIS分析软件将基础航线与数字表面模型叠加，得到飞行航线；

S1-7、将飞行航线及相机参数导入无人机飞控系统中，使用贴近倾斜摄影测量技术获取监测区域的倾斜摄影影像；

S1-8、根据监测区域的倾斜摄影影像生成监测区域的三维模型。

步骤S5的具体方法包括以下子步骤：

S5-1、采用卡尔曼滤波消除监测点变化数据的粗差，得到消除粗差后的数据；

S5-2、采用移动平均线法对消除粗差后的数据进行平滑处理，对平滑处理后的数据进行归一化，得到归一化后的数据；

S5-3、对于归一化后的数据中的观测数据与监测数据，选择10-15组在统计窗口作为经验数据；

S5-4、在统计窗口中建立多元线性回归模型，并采用局部离群因子检测方法检测异常值，进行安全监测与威胁预警。

步骤S8的具体方法包括以下子步骤：

S8-1、将机载LiDAR扫描的点云数据与激光扫描仪获取的点云数据进行数据配准，将不同站点的数据匹配到同一坐标系中；

S8-2、对匹配的点云数据采用最小二乘法进行高斯滤波去噪处理；

S8-3、使用平均滤波器对高斯滤波去噪处理后的点云数据进行平滑处理并去除水域点云数据，得到编辑后的点云数据；

S8-4、对编辑后的点云数据进行内插与重采样，生成监测大坝的数字高程模型；

S8-5、采用无控制数字高程模型匹配算法按时序属性将生成的数字高程模型匹配到同一基准中，实现对危险区域的溃坝可视化。

步骤S9的具体方法为：在溃坝可视化过程中加入安全监测过程中的观测数据与监测数据，将溃坝可视化过程与对应区域的三维模型进行结合，得到溃坝过程完整三维动态过程，基于溃坝过程完整三维动态过程完成对溃坝过程的影响评估。

在本发明的一个实施例中，基于LOD技术，使用金字塔结构DSM(数字表面模型)，DOM(数字正射影像图)分层结构组织，基于立面底边坐标，立面法向量与高差，相机参数构建基础航线；

基于GIS分析软件将基础航线与DSM叠加，构建飞行航线。航点高程为地面高程与相对行高之和，相机倾角为DSM测得各个航线上大坝坡度信息，旋偏角k为机身偏角正北方向单位向量Q到立面法线向量N的负方向的角度，即：

其中：k′＝arctan2(Q，y，Q，x)-arctan2(-N，γ，-N，x)

地面成像范围G为：

水平方向上两个曝光点间的距离Δs应为：Δs＝G

在三维模型中选取监测面对应坐标数据(固定观测点)，分析坐标，高程，倾角变化。倾角计算公式为如下：

监测面采集3点坐标为(X

设空间平面方程为：Z

将坐标带入方程可得矩阵：

空间平面与XY平面夹角即为斜面倾角α，即：

经计算的数据传入预警系统中，进行形变分析；经实测得，基于贴近倾斜摄影成果精度达到毫米级，可进行变形监测，但由于控制点自身受变形影响，基于对变形监测绝对精度要求，使用TPS变形监测系统对监测点进行高精度监测。

TPS变形监测系统对大坝监测步骤如下：在进行贴近倾斜摄影步骤1的基础上进行布设监测控制网，有四个以上控制点与高程基准点，基准点之间相互通视并可定期校验；

在坝体上合理部署监测点，在监测点安装反射棱镜；

测量机器人在计算机的控制下，对观测点实现自动照准，采集；

测量机器人采集的水平角，倾斜角，斜距等参数返回控制中心；

根据误差传播定律计算点位中误差：

其中，竖直角为α，水平角为β，倾斜距离为s。保持精度不变，水平位移中误差为

为避免仪器设备测量误差或不可控因素影响，使用离散化卡尔曼滤波模型提高监测数据精度，具体包括：

建立卡尔曼滤波模型：

X(k)＝AX(k-1)+Bu(k)+ω(k)

Z(k)＝HX(k)+v(k)

其中，X(k)，X(k-1)分别为第k，k-1期得状态向量，k＝1，2，3…；u(k-1)是k-1时刻对系统的控制量；Z(k)为观测向量；A为状态转移矩阵，B为控制参数矩阵，H为观测矩阵；ω(k)为动态噪声，v(k)为观测噪声。

利用前期观测数据，确定滤波预测初值x(0)与其协方差矩阵D(0)，观测噪声协方差矩阵D

根据监测数据数学模型确定观测矩阵，由预测变形模型确定控制参数矩阵，并确定系统状态转移矩阵，动态噪声矩阵。

计算预测值

重复上述步骤，计算周期滤波值与其协方差，存储其状态向量估计和相应的协方差阵。

基于周期观测数据，去除初始数据并将当前周期观测数据以队列结构加入，如此递推，进行自动滤波；

使用移动平均线法对卡尔曼滤波处理的监测时间序列数据进行平滑处理，选择观测10-15次监测数据进行归一化处理，消除变量振幅差异影响；

对观测变形值(如水平位移，沉降位移，斜面倾角等观测数据)与监测变量(如水温，水位等)选择10-15次在统计窗口作为经验数据，使用动态时间规整算法(Dynamic TimeWarping,DTW)处理时间序列数据的位移与扭曲；

在窗口中建立多元线性回归模型：Y＝Xβ+ε；其中，Y为溃坝安全监测的观测值向量，X为水温，水压等环境变量矩阵，β为系数向量，ε为随机误差；

基于M估计稳健回归模型对环境变量矩阵建立权重矩阵W，并进行加权最小均方估计，过程如下所示：

求最小二乘估计迭代初始值：

使用M估计稳健回归模型加权最小二乘估计求新残差，优化目标函数为：

其中，ρ为影响函数。对参数β求偏导为：

其中，ψ为ρ的导函数。令ω(e

其中，

基于上述步骤进行回归系数差值迭代，直至

其中，ε为预设标准误差，最终得出其系数向量

对建立的多元线性回归模型使用局部离群因子检测方法(Local OutlierFactor,LOF)检测异常值，进行危险预警，方法如下：

对于窗口内的数据X＝[x

将x

dist

x

则x

当检测到异常时，执行预警系统。基于溃坝过程研究，对检测区域进行分区，判断各区变形特征，方法如下：

基于监测数据的时间序列的预处理，对其变形多测点进行聚类分析，通过主成分分析(Principal Component Analysis，PCA)筛选得到典型实测变量(水温，水位等)，依据监测变形点的时间序列，通过主成分上层次聚类法(Hierarchical Clustering onPrincipal Component，HCPC)度量测点间变形规律的相似性，确定分区数并构建分区面板数据，将分区结果映射到坝体上，结合大坝构造，功能确定监测分区，精准识别溃坝部位，对于后续溃坝评价提供参考。

监测水温，水位，流速等信息，对溃坝成因进行研究。建立溃坝检测变形线性回归模型，对变形斜率进行监测，依据斜率进行预警并改变监测周期，获取完整溃坝过程。

基于溃坝监测过程中构建的贴近倾斜摄影测量航线使用机载LiDAR对监测大坝进行周期扫描，使用三维激光扫描仪对机载LiDAR盲区进行周期性扫描，当大坝安全监测为异常情况，使用机载LiDAR对获取大坝点云数据，使用三维激光扫描仪获取机载LiDAR无法扫描区域与大坝内部区域，检查坝体渗漏；

将扫描获得的点云数据添加时序属性ti，i为监测时间；

对点云数据进行处理，获得精细模型，方法如下：

将机载LiDAR扫描的点云数据与激光扫描仪获取的点云数据进行数据配准，将不同站点的数据匹配到同一坐标系中；

对匹配的点云数据采用最小二乘法进行高斯滤波去噪处理，使用平均滤波器对点云数据进行平滑处理并去除水域点云数据；

对编辑完成的点云数据进行内插与重采样，生成监测大坝的DEM。

基于无控制DEM匹配算法按时序属性对点云数据建立的DEM进行匹配同一基准中，方法如下：

使用LZD匹配对象两次规则格网DEM，以P′为t

P′＝S·R·P+T

其中，R为旋转参数矩阵，T为平移参数矩阵，S缩放系数。

使用最小二乘法，对高程差进行权重处理：

其中，p

匹配完成的大坝DEM对应的点高程差分为两部分：高程相同未发生变形或发生测量误差内的微小变形的点，由于变形与粗差引起较大变形点。对P中较大的差异dz

依据稳健回归模型，引入对应权函数ρ(dz

其中，ω

遍历完整溃坝周期监测的机载LiDAR和三维激光扫描仪获取的点云数据，依次按点云时序属性t

在本发明中，获得测区不同时段得激光点云数据后，找出变形较大的区域或部位对于大坝维护，安全预警至关重要，通过将连续两个获得的点云数据内插为DEM并匹配到同一参考系中，通过同一坐标两次高差变化得到变形较大区域，通过这个方法可以得到不易察觉的坝体渗漏等溃坝危险。

在本发明中，基于测区DEM进行贴近倾斜摄影测量获取测区三维模型的关键技术在于首先基于传统摄影测量获得测区DSM与DOM数据，通过GIS等相关软件设定贴近摄影测量飞行航高，设定航线获取高精度数据，进行精细建模并能识别坝体裂缝等，建模完成后获得坝体斜面倾角等数据，方便进行安全监测，解决传统倾斜摄影测量精度不高问题。基于测量建立的模型在对溃坝过程进行研究评价时，基于时序的模型可演示溃坝完整过程，补充研究资料。

在本发明中，主要对监测的数据处理进行数据挖掘获得异常数据进行异常预警，并在数据处理的过程中，通过数据监测点对监测大坝进行分区获得溃坝开始区域，从而对溃坝成因进行更细致研究。通过传感器与监测设备传输的数据难免存在粗差与误差，通过卡尔曼滤波从而使获得数据精度更高。因为研究溃坝过程，对监测的数据添加有时序属性，数据缺失或参照不齐影响评价结果，对时序属性的数据处理使结果更加准确。因为随着时间发展，溃坝速度是加快的，依据监测变形量建立线性回归数据，依据其变形速度改变监测周期，获取完整溃坝过程。

综上所述，本发明将贴近摄影测量技术、TPS变形监测系统、机载LiDAR测量技术与三维激光扫描仪测量技术相结合，获得高精度测量数据与三维模型，获取测区大坝变形信息；将获得信息进行去除粗差与误差处理，通过建立回归模型建立监测变量与变形关系，准确得到外部环境对溃坝进程影响，通过获得监测数据的异常值，判断异常变形情况，针对异常情况进行监测；最后对获得三维点云数据处理，自动找出变形区域，准确识别溃坝部位，依据倾斜摄影三维模型，获得完整溃坝过程。本方法解决了传统的大坝安全监测手段过于单一、精度低且不能及时监测出大坝异常的形变沉降情况等问题，避免了无法监测渗漏，开裂等的形变情况，保证安全灾害事故不发生，实现了对溃坝过程的实时全方位覆盖监测，对大坝安全监测，异常形变预警，溃坝研究分析等有着十分重要的意义。