[发明专利]基于深度学习的弃渣场危险性预警方法及系统

说明书

本发明提出一种基于深度学习的弃渣场危险性预警方法及系统，包括如下步骤：获取弃渣场坍塌危险影响因子；将筛选的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；构建深度学习模型；通过历史弃渣场稳定系数选取样本数据；样本数据划分为训练样本数据和测试样本数据，将训练样本数据传入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；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，输出其对应稳定系数；通过输出稳定系数，传输入弃渣场危险性评价系统划分进行筛分，输出分级预警信号以及防护措施，传递于终端设备。其效率高且精度准确。

技术领域

本发明属于地质灾害监测预报技术领域，尤其涉及一种基于深度学习的弃渣场危险性预警方法及系统。

背景技术

深度学习是机器学习领域中一个新的研究方向，它是学习样本数据的内在规律和表示层次，这些学习过程中逐渐提取数据的特征，最终目标是建立一个数学模型，让机器能够像人一样具有分析学习能力。

当前生产建设项目弃渣场的安全管理工作中，仍有很多问题需要认真地思考和妥善地处理：(1)当前生产建设项目弃渣场的事故隐患排查主要靠人力，通过人的专业知识和工作经验去发现生产中存在的事故隐患。这种方式容易受到人的主观因素的影响，同时还受人的专业知识掌握程度和工作经验的限制，难以准确判断安全与危险的状态，可靠性和科学性不高；(2)由于缺少有效的事故分析工具，缺乏对事故规律的认识，导致对生产建设项目弃渣场的安全管理事故主要采取“事后管理”的模式，缺少事前预防和事中管理，在事故发生后才进行事故原因分析、事故责任追究以及防治措施制定，这种方式存在很大的局限性，不能达到从根源上防止事故的目的。

发明内容

为了实现根据前期区域弃渣场灾害记录、降雨历时数据及土体参数等特征因素构建深度学习数值模型，当区域内相关特征因素的变更时进行预测，发出弃渣场危险性评价信号，本发明针对上述问题，提出一种基于深度学习的弃渣场危险性预警方法及系统，可以有效提高预测正确性，使机器具有人的分析能力，掌握事故发生规律，减少隐患排查所需要的人力物力，同时通过系统存储海量案例、不同级别的布防措施、历史数据和实时数据，实时反馈分级预警信息，给予布防充足时间。其包括如下步骤：获取弃渣场坍塌危险影响因子；将筛选的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；构建深度学习模型；通过历史弃渣场稳定系数选取样本数据；样本数据划分为训练样本数据和测试样本数据，将训练样本数据传入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；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，输出其对应稳定系数；通过输出稳定系数，传输入弃渣场危险性评价系统划分进行筛分，输出分级预警信号以及防护措施，传递于终端设备。本发明还提供利用该方法实现的预警系统。本发明推进了弃渣场安全响应手段的更新进程，并基于深度学习模型，实时进行弃渣场危险性评价，效率高且精度准确。

本发明具体采用以下技术方案：

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；