[发明专利]基于迁移学习算法的土质边坡稳定性预测方法及预测平台

说明书

本发明公开了一种基于迁移学习算法的土质边坡稳定性预测方法，包括获取边坡实测水平位移数据及土体样本数据；通过神经网络算法构建边坡实测水平位移值与土体强度参数的关系模型，通过反演分析处理，获取反演土体强度参数；采用神经网络算法，构建土体强度参数与边坡安全系数值关系的后台模型、用户模型；采用构建的两种模型，通过迁移学习算法，构建NN+TL算法模型；通过算法模型，完成边坡的稳定性预测分析。本发明还公开了包括所述基于迁移学习算法的土质边坡稳定性预测方法的预测平台。本发明解决了通过试验得到静态参数难以反映动态土体强度参数变化的问题，克服了边坡监测和稳定性分析发展的缺陷，本发明具有实时、快捷、准确的优点。

技术领域

本发明属于岩土工程领域，具体涉及一种基于迁移学习算法的土质边坡稳定性预测方法及预测平台。

背景技术

边坡失稳是一项在全球范围内分布广泛的自然灾害，对国家和人民的生命财产安全经常产生严重威胁，并造成巨大的损失。滑坡灾害的产生是一个逐渐发展的过程，如果能够通过监测手段及时掌握边坡变形和稳定性的变化规律，进而对边坡进行加固处理，并及时提出预警措施，能够有效地防止滑坡的发生、降低滑坡带来的灾害。

边坡安全监测通过监测手段获得边坡参数，包括位移值、应力应变和地下水位，设定警戒值对边坡的安全状态进行分析，这种通过设定警戒值判断边坡的稳定性的方式具有很大的经验性，往往由于警戒值设定的不合理，使得对边坡稳定性出现错误的判断。

常见的稳定性分析方法包括极限平衡法和强度折减法，边坡土体强度参数的获取，是目前进行边坡稳定性分析的难点所在，室内外试验是解决上述难点问题的有效方法，但仍具有局限性，且通过试验得到的静态参数难以反映动态土体强度参数变化，因此，直接通过测试技术获得边坡土体强度参数，进而进行边坡稳定性分析，也存在一定的困难。

为了通过理想的计算方法评估边坡稳定性问题，有学者提出机器学习ML算法解决稳定性问题，大多数基于ML的技术，要求训练数据必须位于相同的特征空间中并具有相同的分布，当边坡形状发生变化时，机器学习算法模型需要重新构建，用于算法模型搭建的边坡有限元数据也需要重新获取，耗费大量有限元模拟时间。

综上所述，如何根据边坡实测位移值对边坡稳定性进行有效分析，以及如何在少量样本数据的情况下快速准确的对不同形状的边坡进行稳定性分析，仍存在大量的问题。

发明内容

本发明的目的之一在于提供一种实时、快捷、准确的基于迁移学习算法的土质边坡稳定性预测方法。

本发明的目的之二在于提供一种包括了所述基于迁移学习算法的土质边坡稳定性预测方法的预测平台。

本发明提供的这种基于迁移学习算法的土质边坡稳定性预测方法，包括如下步骤：

S1.获取边坡实测水平位移数据及土体样本数据；

S2.采用步骤S1获取的边坡实测水平位移数据及土体样本数据，通过神经网络算法构建边坡实测水平位移值与土体强度参数的关系模型，并进行反演分析处理，获取反演土体强度参数；

S3.采用神经网络算法，构建土体强度参数与边坡安全系数值关系的后台模型；

S4.采用神经网络算法，构建土体强度参数与边坡安全系数值关系的用户模型；

S5.通过迁移学习算法，针对步骤S3构建的后台模型和步骤S4构建的用户模型进行迁移学习处理，构建NN+TL算法模型；

S6.采用步骤S2获取的反演土体强度参数，通过步骤S5构建的NN+TL算法模型，完成边坡的稳定性预测分析。

步骤S1所述的获取边坡实测水平位移数据及土体样本数据，具体包括：