一种基于多源数据融合的高路堑边坡稳定性评估方法

技术领域

本发明涉及岩土工程技术领域，特别涉及一种基于多源数据融合的高路堑边坡稳定性评估方法。

背景技术

目前，在边坡高路堑边坡稳定性评估方面，都会设置安全监测系统。这和系统是边坡安全掌握及其支护结构维护决策系统的支撑条件之一。建立结构健康监测系统的目的在于确定边坡结构的安全性，监测支护结构的承载能力、运营状态和耐久性能等，以满足安全运营的要求。主要目的为以下几个方面：

对边坡稳定性进行有效监控，修正在施工过程中各种影响支护结构的参数误差对支护结构的影响，确保支护结构运营期间满足安全要求。监测数据反映导致边坡可能发生边坡失稳的因素包括降雨量，边坡表面位移等。

通过实时的结构参数监控，对于边坡本体重要参数的长期变化可以有较为详细地掌握，从而及时有效地反馈边坡安全状况。

其意义主要有：

(1)通过对边坡变形的监测，判断边坡滑动面的深度、滑动范围及其变形发展的趋势，评估开挖施工对边坡稳定性的影响，提供预警信息。

(2)通过动态在线监测，依据实际情况进行工序和工艺的调整，及时指导施工，优化施工方案。避免工程事故的发生，确保施工安全、快速进行。

(3)检验边坡的治理效果，评价其安全稳定性。

(4)积累测量数据，总结经验，为类似边坡的施工提供类比的依据。

在现有技术中，专利文件CN202310124310.3，提出了一种基于多源数据融合的边坡稳定性评价方法及相关设备，提出基于层次分析法确定影响边坡稳定性的各评价指标对应的权重；获取待评价边坡上各评价指标对应采样点的指标数值，并基于各评价指标对应采样点的指标数值，确定待评价边坡各位置处对应的各评价指标的指标数值；基于各评价指标对应的权重对待评价边坡各位置处对应的各评价指标数值进行加权融合计算，得到待评价边坡各位置处对应的边坡稳定性分数；基于待评价边坡各位置处对应的边坡稳定性分数，确定待评价边坡上不同位置处的稳定性等级。通过本发明可以自动化的对整个待评价边坡区域进行实时打分，得到可视化的边坡稳定性评分结果，从而后续可以基于评分结果对边坡不稳定的地方进行加固等处理措施提高边坡的稳定性和安全性。

但是，上述方法在进行高路堑边坡稳定性评估的多源数据方面，只提出层次分析法，但是没有提出存在哪些检测项，检测的数据和评价的指标并不明确。其次，在权重上，上述技术方案的权重是预先配置的，可能所有的高路堑边坡稳定性评估采用的不同数据评估权重都相同，不能因地制宜的确定权重。最后是基于打分的方式，判断不同地点的稳定性，即，这种方式无法评估整体的稳定性，只能评估局部的稳定性，而且，只是以局部区域打分的方式，稳定性的评估效果可能存在误差，并不非常准确。

发明内容

本发明提供一种基于多源数据融合的高路堑边坡稳定性评估方法，用以解决现有技术，在进行高路堑边坡稳定性评估的多源数据方面，只提出层次分析法，但是没有提出存在哪些检测项，检测的数据和评价的指标并不明确。其次，在权重上，不能因地制宜的确定权重。最后是基于打分的方式，判断不同地点的稳定性，这种方式无法评估整体的稳定性，只能评估局部的稳定性，而且，只是以局部区域打分的方式，稳定性的评估效果可能存在误差，并不非常准确的情况。

一种基于多源数据融合的高路堑边坡稳定性评估方法，包括：

预先配置检测项，获取高路堑边坡的多源检测数据；

预先基于多源检测数据中不同类型数据相对于高路堑边坡稳定性的风险权重，构建多源风险矩阵；

根据多源风险矩阵，确定不同类型数据的风险特征，并根据风险特征进行当前高路堑边坡的风险画像；

根据风险画像，进行稳定性融合评估，确定高路堑边坡的稳定性。

优选的，所述检测项包括：多源检测内容、多源检测工具和多源检测结果。

优选的，所述多源检测内容包括：降雨量数据、地表位移数据、地层地下深部位移数据、地下水位数据和锚索应力数据；其中，

地表位移数据包括水平位移、垂直变形和裂缝变化。

优选的，所述多源检测工具包括雨量计、北斗检测器、裂缝计、固定测斜仪、水位计和压力计。

优选的，所述多源检测结果包括：

基于降雨量数据的高路堑边坡稳定性的第一数据；

基于地表位移数据的高路堑边坡稳定性第二数据；其中，

第二数据包括地表位移数据、地表变形数据和地表裂缝数据

基于地层地下深部位移数据的边坡稳定性第三数据；其中，

第三数据为地下土体的滑动面位置和滑体变形速率；

基于地下水位数据的边坡稳定性第四数据；

基于锚索应力数据的边坡稳定性第五数据。

优选的，所述多源风险矩阵构建步骤如下：

步骤1，预先设定高路堑边坡的稳定性评估参数，构建稳定性系数计算模型：

其中，W表示稳定性高路堑边坡的系数计算模型；K表示高路堑边坡的应力参数；ρ表示高路堑边坡的层密度；L表示高路堑边坡的横向测量尺寸；H表示高路堑边坡的纵向测量尺寸；F

步骤2：分别设定降雨量、地表位移、地层地下深部位移、地下水位和锚索应力的风险性区间，并按照风险性区间，分别将设定降雨量、地表位移、地层地下深部位移、地下水位和锚索应力代入稳定性系数计算模型，确定风险系数；其中，

风险系数包括降雨量风险系数、地表位移风险系数、地层地下深部位移风险系数、地下水位风险系数和锚索应力风险系数；

步骤3：根据风险系数构建相对于高路堑边坡的稳定性的状态转移方程；

步骤4：根据状态转移方程，确定多源检测数据中不同类型数据相对于高路堑边坡稳定性的风险权重；

步骤5：根据风险权重，构建多源检测数据中不同类型数据在预设风险区间下的多源风险矩阵。

优选的，所述根据多源风险矩阵，确定不同类型数据的风险特征包括：

基于多源风险矩阵，确定不同类型数据相对于高路堑边坡稳定性的初始特征参数；

根据初始特征参数，将多源风险矩阵转化为有序增大的风险序列；

将多源检测数据按照数据类型进行划分，生成不同类型数据的多个数据集；

依次将每个类型数据的数据集通过直接投影法投影至风险序列，并持续迭代，直至存在数据对应点；

将数据对应点的风险数据，确定风险特征。

优选的，所述根据风险特征进行当前高路堑边坡的风险画像包括：

根据检测项，将风险特征进行划分，确定分类数据；

根据云计算技术，判定分类数据中，不同风险特征是否存在关联性，并构建关联性风险模型；

根据关联性风险模型和风险权重，在立体化仿真的高路堑边坡进行风险标记评分；

根据风险标记评分，构成高路堑边坡的风险画像。

优选的，所述根据风险画像，进行稳定性融合评估包括：

预先配置模拟演化的风险仿真平台；

根据风险画像，在风险仿真平台中基于多模融合，融入多源检测数据分风险评分和风险实况，生成多模融合仿真模型；

将多模融合仿真模型进行风险演化，确定高路堑边坡达到风险极限值的实时风险距离；

根据实时风险距离与高路堑边坡的理想稳定性风险距离，确定高路堑边坡的稳定性。

优选的，所述风险演化包括：

根据多模融合仿真模型，确定不同检测项的实时初始参数；

基于实时初始参数，确定不同检测项的参数向量；

根据参数向量，对多模融合仿真模型进行迭代演化；

根据迭代演化，实时输出对应的风险特征。

本发明有益效果在于：

1.本申请可以根据具体的检测项，即已经建设好的高路堑边坡，去设定检测项，设定每种检测项的稳定性指标。

2.本申请在权重上，不是预先设定，而是根据实际建设好的高路堑边坡，去构建稳定性模型，从而确定相对于不同检测项的权重，确定更加准确，因地确定权重。

3.本申请可以在多源风险矩阵上判断局部的风险，不稳定因素，也可以通过风险画像，判断局部和整体的不稳定性，评估效果准确，不会存在误差。

本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书以及附图中所特别指出的结构来实现和获得。

下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：

图1为本发明实施例中一种基于多源数据融合的高路堑边坡稳定性评估方法的方法流程图；

图2为本发明实施例中风险特征识别的识别流程图；

图3为本发明实施例中风险画像的画像流程图。

具体实施方式

以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。

本发明提出了一种基于多源数据融合的高路堑边坡稳定性评估方法，包括：

预先配置检测项，获取高路堑边坡的多源检测数据；

预先基于多源检测数据中不同类型数据相对于高路堑边坡稳定性的风险权重，构建多源风险矩阵；

根据多源风险矩阵，确定不同类型数据的风险特征，并根据风险特征进行当前高路堑边坡的风险画像；

根据风险画像，进行稳定性融合评估，确定高路堑边坡的稳定性。

上述技术方案的原理在于：

如附图1所示，在本发明具体实施的过程中，通过预先设置检测项(如表1所示)，通过多种不同的检测数据，获取高路堑边坡的多源检测数据，在实际实施的时候，需要采集的数据还包括温度等等；

多源检测数据包括多个不同数据源采集的多种不同数据，在评估稳定性上，必定要计算每一种数据相对于高路堑边坡稳定性的评估权重。现有技术中的权重是基于预先设置，可能是经验、可能是大数据计算的参数。但是，本申请是基于多源检测数据来进行风险权重的设置，在具体设置上，还是需要参考当前场景下的高路堑边坡，根据当前场景下设计的高路堑边坡，计算风险权重，并构建多源风险矩阵，多源风险矩阵用于表征在不同类型的检测数据下，以及不同类型检测数据的实时状况下，可能造成的风险的多源数据构成的分析矩阵。

根据这个分析矩阵，可以通过判断不同数据相对于预先设定的，高路堑边坡稳定性在符合预设要求的情况下，多源检测数据中，能够导致高路堑边坡出现风险的特征，从而在多源检测数据中提取出，会导致高路堑边坡出现不稳定的风险数据，然后基于这些风险数据进行对立体化的高路堑边坡进行风险画像，在风险画像之后，所有的风险数据融合在一个风向画像上，因此，可以综合性的判断高路堑边坡的稳定性，也可以根据局部风险因素，判断局部风险，确定高路堑边坡稳定性局部风险性。

上述技术方案的有益效果在于：

1.本申请可以根据具体的检测项，即已经建设好的高路堑边坡，去设定检测项，设定每种检测项的稳定性指标。

2.本申请在权重上，不是预先设定，而是根据实际建设好的高路堑边坡，去构建稳定性模型，从而确定相对于不同检测项的权重，确定更加准确，因地确定权重。

3.本申请可以在多源风险矩阵上判断局部的风险，不稳定因素，也可以通过风险画像，判断局部和整体的不稳定性，评估效果准确，不会存在误差。

具体的，所述检测项包括：多源检测内容、多源检测工具和多源检测结果。

上述技术方案的原理在于：如表1所示，本申请的多源检测内容是通过多种不同的检测设备和多种不同的检测位置进行检测的多源数据。

上述技术方案的有益效果在于：

本申请可以通过多种不同的检测内容、检测工具和检测目的，实现对高路堑边坡的全面评估。

具体的，所述多源检测内容包括：降雨量数据、地表位移数据、地层地下深部位移数据、地下水位数据和锚索应力数据；其中，

地表位移数据包括水平位移、垂直变形和裂缝变化。

本申请的多源检测内容包括但不限于：降雨量数据、地表位移数据、地层地下深部位移数据、地下水位数据和锚索应力数据，降雨量数据具体包括降雨时间和降雨综合性和实时的雨量。地表位移数据包括地表位移区域、范围和时间等等。

具体的，所述多源检测工具包括雨量计、北斗检测器、裂缝计、固定测斜仪、水位计和压力计。

表1：

具体的，所述多源检测结果包括：

基于降雨量数据的边坡稳定性第一数据；

基于地表位移数据的边坡稳定性第二数据；其中，

第二数据包括地表位移数据、地表变形数据和地表裂缝数据

基于地层地下深部位移数据的边坡稳定性第三数据；其中，

第三数据为地下土体的滑动面位置和滑体变形速率；

基于地下水位数据的边坡稳定性第四数据；

基于锚索应力数据的边坡稳定性第五数据。

上述技术方案的原理在于：

如表1所示，本申请在具体的计算过程中，第一数据是用来判断在不同降雨量下，高路堑边坡稳定性的变化数据；第二数据包括地表位移，地表变形和地表裂缝等不同情况下，高路堑边坡稳定性的变化数据。点数据是在地下土体、土层或者岩石层在滑动变化以及滑体变形的情况下，高路堑边坡稳定性的变化数据。第四数据十在地下水位变化的情况下，高路堑边坡地步湿度，或者已经浸入地下水的情况下，高路堑边坡稳定性的变化数据。第五数据为边坡加固效果的数据，用于评估在锚索应力变化的情况下，高路堑边坡稳定性的变化数据。

上述技术方案的有益效果在于：

本申请可以通过不同的数据，判断其对高路堑边坡稳定性的变化情况的影响，从而对数据的重要性进行评估，对异常的数据快速判定。

具体的，所述多源风险矩阵构建步骤如下：

步骤1，预先设定高路堑边坡的稳定性评估参数，构建稳定性系数计算模型：

其中，W表示稳定性高路堑边坡的系数计算模型；K表示高路堑边坡的应力参数；ρ表示高路堑边坡的层密度；L表示高路堑边坡的横向测量尺寸；H表示高路堑边坡的纵向测量尺寸；F

步骤2：分别设定降雨量、地表位移、地层地下深部位移、地下水位和锚索应力的风险性区间，并按照风险性区间，分别将设定降雨量、地表位移、地层地下深部位移、地下水位和锚索应力代入稳定性系数计算模型，确定风险系数；其中，

风险系数包括降雨量风险系数、地表位移风险系数、地层地下深部位移风险系数、地下水位风险系数和锚索应力风险系数；

步骤3：根据风险系数构建相对于高路堑边坡的稳定性的状态转移方程；

步骤4：根据状态转移方程，确定多源检测数据中不同类型数据相对于高路堑边坡稳定性的风险权重；

步骤5：根据风险权重，构建多源检测数据中不同类型数据在预设风险区间下的多源风险矩阵。

上述技术方案的原理在于：

在步骤1上，本申请通过构建稳定性系数计算模型，可以确定在预设的标准的稳定性的情况下，高路堑边坡的实时系数。这是基于当前场景的高路堑边坡所构建的稳定性模型，在这个计算过程中，参考了应力参数，用于判断不同影响风险参数(多源数据)下，应力的变化情况。在步骤2上。通过多源数据的内容，即具体的数据，将这些数据代入稳定性系数计算模型，就可以判断相对于每种不同的数据，其能够输出的具体风险系数，通过具体的风险系数，进行高路堑边坡的稳定性的状态转移方程的生成，通过状态转移方程可以计算相对于不同数据的风险权重，这个风险权重是基于当前的高路堑边坡搭建，因此，风险权重符合当前的高路堑边坡，因此，构建的多源风险矩阵可以快速的评估。

上述技术方案的有益效果在于：

本申请的多源风险矩阵，基于实时的高路堑边坡生成多源风险矩阵，评估效果更加准确。

具体的，所述根据多源风险矩阵，确定不同类型数据的风险特征包括：

基于多源风险矩阵，确定不同类型数据相对于高路堑边坡稳定性的初始特征参数；

根据初始特征参数，将多源风险矩阵转化为有序增大的风险序列；

将多源检测数据按照数据类型进行划分，生成不同类型数据的多个数据集；

依次将每个类型数据的数据集通过直接投影法投影至风险序列，并持续迭代，直至存在数据对应点；

将数据对应点的风险数据，确定风险特征。

上述技术方案的原理在于：

如附图2所示，本申请在确定风险特征上，通过多源风险矩阵，可以确定初始特征参数，即边坡处于稳定情况下的特征参数；

然后在边坡采集的数据中，进行有序增大的风险序列的转化，即确定初始的特征参数之后，在边坡向着不稳定情况下一步步进行数据排列，生成有序增大的风险序列，即风险不断增大的序列的转化，通过这个序列和划分后的多源数据进行投影对比，投影的过程中，投影到每一个序列位的数据，实现不断迭代，从而在迭代计算的过程中，存在序列位数据一致，就表示当前的数据对应点的数据为风险特征。

上述技术方案的有益效果在于：

本申请在风险特征的识别上，可以确定具体的风险序列，进行投影迭代确定，识别效果更好更加准确。

具体的，所述根据风险特征进行当前高路堑边坡的风险画像包括：

根据检测项，将风险特征进行划分，确定分类数据；

根据云计算技术，判定分类数据中，不同风险特征是否存在关联性，并构建关联性风险模型；

根据关联性风险模型和风险权重，在立体化仿真的高路堑边坡进行风险标记评分；

根据风险标记评分，构成高路堑边坡的风险画像。

上述技术方案的原理在于：

如附图3所示，本申请在风险画像的过程中，通过分类，将多源数据中的风险数据进行依次分类，并通过云计算技术聚酸不同的分类数据之间是否存在关联，进行关联性计算，构建关联性的风险模型，通过风险模型个风险权重，在进行边坡的立体化仿真上，可以根据对不同的位置进行风险性标记，以及风险性评分，从而实现边坡不同位置的重要性判定，然后基于风险性标记评分进行风险画像，在画像结果上，能够更加清楚的划分不同的风险性区域，实现风险的具体标记。

具体的，所述根据风险画像，进行稳定性融合评估包括：

预先配置模拟演化的风险仿真平台；

根据风险画像，在风险仿真平台中基于多模融合，融入多源检测数据分风险评分和风险实况，生成多模融合仿真模型；

将多模融合仿真模型进行风险演化，确定高路堑边坡达到风险极限值的实时风险距离；

根据实时风险距离与高路堑边坡的理想稳定性风险距离，确定高路堑边坡的稳定性。

上述技术方案的原理在于：

本申请通过预先配置模拟演化的风险仿真平台，可以通过风险画像，进行风险仿真的多模融合，多模融合就是多源数据的融合，融合到风险仿真平台上，进行演化边坡的实况。

通过显示边坡实况的多模融合仿真模型，可以进行风险演化，从而判断，实时的高路堑边坡风险性达到风险极限值的实时风险距离，风险距离基于马氏距离，分布式距离等多种方式计算，从而确定实时风险距离与高路堑边坡的理想稳定性风险距离，确定高路堑边坡的稳定性。

上述技术方案的有益效果在于：

本申请可以通过风险演化的方式，进行风险距离的计算，从而通过风险距离的计算，判断风险稳定性。

具体的，所述风险演化包括：

根据多模融合仿真模型，确定不同检测项的实时初始参数；

基于实时初始参数，确定不同检测项的参数向量；

根据参数向量，对多模融合仿真模型进行迭代演化；

根据迭代演化，实时输出对应的风险特征。

上述技术方案的原理在于：

本申请可以通过多模融合仿真模型，确定风险演化过程中，不同类型数据的实时初始参数，进而根据实时初始参数，确定具体参数对边坡造成的具体影响，输出对应的风险特征。

上述技术方案的有益效果在于：

本申请可以识别任意数据对高路堑边坡造成的影响，从而输出对应风险特征，即风险数据，在进行稳定性判断评估更加准确的基础上，还能实现实时的故障通报，高路堑边坡维修报警。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。