[发明专利]基于深度学习的弃渣场危险性预警方法及系统

权利要求书

1.一种基于深度学习的弃渣场危险性预警方法，其特征在于,包括以下步骤：

步骤S1：获取弃渣场坍塌危险影响因子原始数据；

步骤S2：将所述弃渣场危险影响因子原始数据进行正交试验处理，计算各组试验的抗滑稳定系数，并划分该区域预警区间；

步骤S3：构建深度学习模型；所述深度学习模型为多层感知器结构，包含输入层、隐藏单元层、抑制过拟合层、批标准化层和输出层；

步骤S4：通过历史弃渣场稳定系数选取样本数据构建数据集，所述样本数据包含坍塌地区样本数据和安全地区样本数据，所述安全区域样本数据为样本点为正样本点，所述坍塌地区样本数据为负样本点；

步骤S5：将所述样本数据划分为训练样本数据和测试样本数据，输入所述深度学习模型中训练，并在测试样本数据上测试，通过误差优化模型超参数；

步骤S6：通过交叉验证多个模型，取模型精度最高的权重，构建弃渣场危险性评价模型，将待测样本特征值输入模型进行计算，输出其对应的稳定系数；

步骤S7：根据所述稳定系数，关联并输出分级预警信号以及防护措施。

2.根据权利要求1所述的基于深度学习的弃渣场危险性预警方法，其特征在于：所述弃渣场坍塌危险影响因子包括：土壤粘聚力、土壤内摩擦角、土壤重度、弃渣场坡度、土层厚度、区域降雨强度、降雨历时和渗透系数。

3.根据权利要求1所述的基于深度学习的弃渣场危险性预警方法，其特征在于：步骤S2中所述抗滑稳定系数，利用以下公式进行计算：式中为土壤有效内摩擦角，δ为弃渣场坡度，ψ为地下压力水头，c’为土壤有效粘聚力，γ_w为地下水容重，γ_s为土壤容重，Z为土层厚度，t为时间。

4.根据权利要求1所述的基于深度学习的弃渣场危险性预警方法，其特征在于：对步骤S4中的数据集进行以下步骤的处理：

步骤S41：从数据集中选取70％～80％的数据进行模型训练，剩下20～30％的数据作为测试数据进行模型测试，执行S42；

步骤S42：计算训练数据均值和方差，将数据进行标准化处理。

5.根据权利要求1所述的基于深度学习的弃渣场危险性预警方法，其特征在于：步骤S5中，模型优化算法为适应性矩估计算法，损失函数为均方误差，衡量指标为平均绝对误差，并执行以下步骤：

步骤S52：根据正样本数据和负样本数据所占比例，指定损失函数的损失敏感权值比例；

步骤S52：通过测值与测试数据的平均绝对误差，返回优化算法执行速率、过拟合层超参数、敏感权值比例和隐藏层单元数，直至满足精度要求。

6.根据权利要求1所述的基于深度学习的弃渣场危险性预警方法，其特征在于：在步骤S7中，稳定系数与分级预警信号以及防护措施的关联性由历史和实时弃渣场水土参数、水文数据、预警区间和响应方案与稳定系数的对应关系获得。

7.根据权利要求6所述的基于深度学习的弃渣场危险性预警方法的预警系统，其特征在于，包括：存储有历史和实时弃渣场水土参数、水文数据、预警区间和响应方案的数据中心库；所述数据中心库根据步骤S1-步骤S6获得的稳定系数调取对应的区域预警区间和预警方案，发出相应的危险性预警信号至终端设备。

8.根据权利要求7所述的基于深度学习的弃渣场危险性预警方法的预警系统，其特征在于：所述终端设备为手机或电脑。