一种基于深度学习的边坡永久位移预测模型训练方法转让专利
申请号 : CN202110366037.6
文献号 : CN113496099B
文献日 : 2022-05-06
发明人 : 程印 , 王建锋 , 刘同同 , 张迎宾 , 何毅 , 余海洪
申请人 : 西南交通大学
摘要 :
本发明属于边坡位移预测技术领域，公开了一种基于深度学习的边坡永久位移预测模型训练方法，包括：获取地震动数据，根据地震动数据构建数据库；根据地震动数据中的地震特征参数，计算得到地震动强度参数，并存放至数据库中的对应位置；根据地震动数据对应场地的土体参数、边坡几何参数和环境参数，计算得到边坡临界加速度，并存放至数据库中的对应位置；根据地震动数据的加速度时程，计算得到Newmark法地震作用下边坡永久位移，并存放至数据库中的对应位置；构建深度学习模型，通过数据库训练深度学习模型，得到调参后的深度学习模型，作为边坡永久位移预测模型。本发明对边坡永久位移的预测准确度高，有利于判断边坡因地震导致滑坡的潜在风险。
权利要求 :
1.一种基于深度学习的地震作用下边坡永久位移预测方法，其特征在于，训练方法包括：
获取地震动数据，根据地震动数据构建数据库；
根据地震动数据中的地震特征参数，计算得到地震动强度参数，并存放至数据库中的对应位置，所述地震特征参数包括震级、距离与场地类别，所述地震动强度参数包括地震峰值加速度、地震峰值速度和阿里亚斯强度，采用式(1)至(3)分别计算地震峰值加速度、地震峰值速度和阿里亚斯强度：
式(1)至(3)中，M为震级，R为距离；
根据地震动数据对应场地的土体参数、边坡几何参数和环境参数，计算得到边坡临界加速度，并存放至数据库中的对应位置，采用式(4)计算边坡临界加速度：式(4)中，ac为边坡临界加速度值，c'为土体有效粘聚力，γ为土体重度，γw为水重度，α为坡角， 为土体有效内摩擦角，m为地下水位系数，t为垂直于破坏面土的厚度；
根据地震动数据的加速度时程，计算得到Newmark法地震作用下边坡永久位移，并存放至数据库中的对应位置，采用式(5)计算Newmark法地震作用下边坡永久位移：式(5)中，ah、av分别为地震动加速度水平、竖向分量；
构建深度学习模型，通过数据库训练深度学习模型，得到调参后的深度学习模型，作为边坡永久位移预测模型。
2.根据权利要求1所述的一种基于深度学习的地震作用下边坡永久位移预测方法，其特征在于，获取地震动数据，包括：访问全球已有的地震动数据库，采用如下标准挑选出浅层地壳地震动记录：矩震级Mw≥4；断层距Rrup≤300km；地面峰值加速度PGA≥0.001g。
3.根据权利要求1所述的一种基于深度学习的地震作用下边坡永久位移预测方法，其特征在于，所述土体参数包括土体有效粘聚力、土体重度和有效内摩擦角；所述边坡几何参数包括坡角，所述环境参数包括地下水位系数。
4.根据权利要求1所述的一种基于深度学习的地震作用下边坡永久位移预测方法，其特征在于，所述构建深度学习模型，通过数据库训练深度学习模型，具体为：以数据库中的地震特征参数、地震动强度参数和边坡临界加速度为输入，以对应的Newmark边坡永久位移为输出，建立深度神经网络模型并进行训练。
说明书 :
一种基于深度学习的边坡永久位移预测模型训练方法
技术领域
[0001] 本发明涉及边坡位移预测技术领域，尤其涉及一种基于深度学习的边坡永久 位移预测模型训练方法。
背景技术
[0002] 区域地震滑坡危险性分析是指潜在地震情况下，分析其地震诱发滑坡的空间 分布概率，提供滑坡具体的位置、体量等危险性描述要素。当前进行区域地震滑 坡危险性分
析的主要步骤为：边坡参数信息获取、Newmark边坡永久位移预测模 型建立和区域地震滑
坡危险性评价。其中Newmark永久位移预测模型建立，目前 专家主要采用简单回归方法进
行建立，取地震动样本充分性存在不足，预测精度 和效果有待提升。使用多参数进行回归
分析时，采取传统回归模型方法也较为困难。
析的主要步骤为：边坡参数信息获取、Newmark边坡永久位移预测模 型建立和区域地震滑
坡危险性评价。其中Newmark永久位移预测模型建立，目前 专家主要采用简单回归方法进
行建立，取地震动样本充分性存在不足，预测精度 和效果有待提升。使用多参数进行回归
分析时，采取传统回归模型方法也较为困难。
发明内容
[0003] 本发明意在提供一种基于深度学习的边坡永久位移预测模型训练方法，以解 决现有技术中的永久位移预测模型预测精度差的问题。
[0004] 为达到上述目的，本发明提供如下技术方案：
[0005] 一种基于深度学习的边坡永久位移预测模型训练方法，所述训练方法包括：
[0006] 获取地震动数据，根据地震动数据构建数据库；
[0007] 根据地震动数据中的地震特征参数，计算得到地震动强度参数，并存放至数 据库中的对应位置；
[0008] 根据地震动数据对应场地的土体参数、边坡几何参数和环境参数，计算得到 边坡临界加速度，并存放至数据库中的对应位置；
[0009] 根据地震动数据的加速度时程，计算得到Newmark法地震作用下边坡永久位 移，并存放至数据库中的对应位置；
[0010] 构建深度学习模型，通过数据库训练深度学习模型，得到调参后的深度学习 模型，作为边坡永久位移预测模型。
[0011] 优选地，获取地震动数据，包括：访问全球已有的地震动数据库，采用如下 标准挑选出浅层地壳地震动记录：矩震级Mw≥4；断层距Rrup≤300km；地面峰值 加速度PGA≥
0.001g。
0.001g。
[0012] 优选地，所述地震特征参数包括震级、距离与场地类别，所述地震动强度参 数包括地震峰值加速度、地震峰值速度和阿里亚斯强度。
[0013] 优选地，采用式(1)至(3)分别计算地震峰值加速度、地震峰值速度和阿 里亚斯强度：
[0014]
[0015]
[0016]
[0017] 式(1)至(3)中，M为震级，R为距离。
[0018] 优选地，所述土体参数包括土体有效粘聚力、土体重度和有效内摩擦角；所 述边坡集合参数包括坡角，所述环境参数包括地下水位系数。
[0019] 优选地，采用式(4)计算边坡临界加速度：
[0020]
[0021] 式(4)中，ac为边坡临界加速度值，c'为土体有效粘聚力，γ为土体重度， γw为水重度，α为坡角， 为土体有效内摩擦角，m为地下水位系数，t为垂直 于破坏面土的厚度。
[0022] 优选地，采用式(5)计算Newmark法地震作用下边坡永久位移：
[0023]
[0024] 式(2)中，ah、av分别为地震动加速度水平、竖向分量。
[0025] 优选地，所述构建深度学习模型，通过数据库训练深度学习模型，具体为： 以数据库中的地震特征参数、地震动强度参数和边坡临界加速度为输入，以对应 的Newmark边坡
永久位移为输出，建立深度神经网络模型并进行训练。
永久位移为输出，建立深度神经网络模型并进行训练。
[0026] 采用上述技术方案，本发明具有如下有益技术效果：
[0027] (1)当前已有永久位移预测模型中，样本充分性存在不足，本方案选取全 球地震动数据库中大量地震动数据，充分利用大样本数据，进行大容量样本训练， 弥补上述不足；
[0028] (2)当前已有永久位移预测模型主要采用简单回归方法，预测精度和泛化 能力有待提升，本方法基于深度神经网络，在大体积样本训练的基础上拥有精度 高、泛化能力强、
预测效果好、误差小等优点；
预测效果好、误差小等优点；
[0029] (3)以往的地震作用下边坡永久位移预测模型，要么只考虑了地震动强度 参数没有考虑地震特征参数，要么只考虑了部分地震特征参数没有考虑场地类别， 但本发明申请
所建立的预测模型，考虑了足够充分的地震特征参数(震级、震距、 场地类别)、地震动强度
参数和边坡本身特性参数三大类参数，该三大参数对边 坡永久位移的准确预测至关重要。
该模型在地震滑坡危险性评估中可以得到充分 利用，可以使地震滑坡危险性评估更加准
确，更加准确地判断边坡因地震导致滑 坡的潜在风险。
所建立的预测模型，考虑了足够充分的地震特征参数(震级、震距、 场地类别)、地震动强度
参数和边坡本身特性参数三大类参数，该三大参数对边 坡永久位移的准确预测至关重要。
该模型在地震滑坡危险性评估中可以得到充分 利用，可以使地震滑坡危险性评估更加准
确，更加准确地判断边坡因地震导致滑 坡的潜在风险。
附图说明
[0030] 图1为本发明实施例提供的一种基于深度学习的边坡永久位移预测模型训 练方法流程图；
[0031] 图2为本发明实施例提供的一种基于深度学习的边坡永久位移预测模型训 练方法的神经网络示意图；
[0032] 图3为本发明实施例提供的一种基于深度学习的边坡永久位移预测模型训 练方法的边坡示意图。
具体实施方式
[0033] 下面结合附图和实施方式对本发明作进一步的详细说明：
[0034] 如图1所示的，一种基于深度学习的边坡永久位移预测模型训练方法，包括：
[0035] 步骤1：获取地震动数据，根据地震动数据构建数据库；
[0036] 具体的，访问全球已有的地震动数据库，包括NGA‑west2数据库、Kik‑net 数据库等，收集地震动数据，排除低质量、不可靠、记录不完整、余震和非自由 场的地震动记录，采
用如下标准挑选出浅层地壳地震动记录：矩震级Mw≥4；断 层距Rrup≤300km；地面峰值加速
度PGA≥0.001g。用Matlab程序，对所有挑选 出的地震记录采用统一标准进行整理，并构建
数据库。
用如下标准挑选出浅层地壳地震动记录：矩震级Mw≥4；断 层距Rrup≤300km；地面峰值加速
度PGA≥0.001g。用Matlab程序，对所有挑选 出的地震记录采用统一标准进行整理，并构建
数据库。
[0037] 步骤2：根据地震动数据中的地震特征参数，计算得到地震动强度参数，并 存放至数据库中的对应位置；
[0038] 具体的，地震特征参数包括震级、距离与场地类别，可通过地震动数据获取。 地震动强度参数包括地震峰值加速度、地震峰值速度和阿里亚斯强度，可采用式 (1)至(3)分别
计算地震峰值加速度、地震峰值速度和阿里亚斯强度：
计算地震峰值加速度、地震峰值速度和阿里亚斯强度：
[0039]
[0040]
[0041]
[0042] 式(1)至(3)中，M为震级，R为断层距。
[0043] 由于每一个地震动记录有两个水平分量和一个竖直分量，所以计算出的地震 动强度参数是两个水平分量的几何平均值。
[0044] 步骤3：根据地震动数据对应场地的土体参数、边坡几何参数和环境参数， 计算得到边坡临界加速度，并存放至数据库中的对应位置。
[0045] 具体的，土体参数包括土体有效粘聚力、土体重度和有效内摩擦角；边坡集 合参数包括坡角，环境参数包括地下水位系数。
[0046] 采用式(4)计算边坡临界加速度：
[0047]
[0048] 式(4)中，ac为边坡临界加速度值，c'为土体有效粘聚力，γ为土体重度， γw为水重度，α为坡角， 为土体有效内摩擦角，m为地下水位系数，t为垂直 于破坏面土的厚度。
[0049] 步骤4：根据地震动数据的加速度时程，计算得到Newmark法地震作用下边 坡永久位移，并存放至数据库中的对应位置；
[0050] 具体的，采用式(5)计算Newmark法地震作用下边坡永久位移：
[0051]
[0052] 式(5)中，ah、av分别为地震动加速度水平、竖向分量。
[0053] 步骤5：构建深度学习模型，通过数据库训练深度学习模型，得到调参后的 深度学习模型，作为边坡永久位移预测模型。
[0054] 具体的，参考图2，构建深度学习模型，通过数据库训练深度学习模型，具 体为：以数据库中的地震特征参数、地震动强度为输入，以对应的Newmark边坡 永久位移为输出，建
立并进行训练。
立并进行训练。
[0055] 下面采用一地震动数据，根据其具体震级、震距信息，采用不同地震动衰减 关系，即采用式(1)、式(2)和式(3)，预测得到PGA，PGV和AI等地震动 强度参数，根据图3所示边
坡，代入所建立的基于深度学习的边坡永久位移预测 模型，最终获得永久位移模型预测
值。
坡，代入所建立的基于深度学习的边坡永久位移预测 模型，最终获得永久位移模型预测
值。
[0056] 该地震动数据，以及对应场地的土体参数、边坡几何参数和环境参数包括： M＝7，3 3
R＝30km；c'＝5kPa， γ＝24kN/m ，γw＝10kN/m ，α＝30°，t＝2m， m＝0.4；使用式
2
(1)、式(2)和式(3)计算得到PGA＝0.221g；PGV＝35.69cm/s ； AI＝0.908m/s；使用公式(4)
计算边坡临界加速度值ac＝0.0208g，代入所建立 的模型得出永久位移预测值为66.02cm，
标准差为：2.528。
R＝30km；c'＝5kPa， γ＝24kN/m ，γw＝10kN/m ，α＝30°，t＝2m， m＝0.4；使用式
2
(1)、式(2)和式(3)计算得到PGA＝0.221g；PGV＝35.69cm/s ； AI＝0.908m/s；使用公式(4)
计算边坡临界加速度值ac＝0.0208g，代入所建立 的模型得出永久位移预测值为66.02cm，
标准差为：2.528。
[0057] 以上所述的仅是本发明的实施例，方案中公知的具体技术方案和/或特性等 常识在此未作过多描述。应当指出，对于本领域的技术人员来说，在不脱离本发 明技术方案的
前提下，还可以作出若干变形和改进，这些也应该视为本发明的保 护范围，这些都不会影
响本发明实施的效果和专利的实用性。本申请要求的保护 范围应当以其权利要求的内容
为准，说明书中的具体实施方式等记载可以用于解 释权利要求的内容。
前提下，还可以作出若干变形和改进，这些也应该视为本发明的保 护范围，这些都不会影
响本发明实施的效果和专利的实用性。本申请要求的保护 范围应当以其权利要求的内容
为准，说明书中的具体实施方式等记载可以用于解 释权利要求的内容。