一种滑坡时变失效概率评估方法及装置

阅读：评论：0

1.本发明涉及滑坡灾害防治技术领域，具体涉及一种滑坡时变失效概率评估方法及装置。

背景技术：

2.滑坡作为常见的地质灾害，会导致房屋掩埋、交通堵塞甚至人员伤亡等事故，给人民众的生命财产造成巨大损失。
3.目前，在岩土工程界主要采用传统的单一安全系数法来评估边坡的稳定性。该方法无法合理地考虑岩土工程中的不确定性。相比之下，可靠度分析方法能够科学合理地考虑各种不确定性因素的影响，为工程安全程度提供统一的度量标准。
4.近年来，可靠度分析方法在岩土工程中逐渐受到重视并开始推广应用。尽管岩土工程可靠度分析在库岸边坡概率稳定性分析方面取得了可喜的进展，但鲜少考虑库岸边坡稳定可靠度的时变特性。众所周知，库岸边坡受季节性降雨和周期性库水位波动影响显著，导致其失效概率也将随外部服役环境的变化而变化，具有明显的时变特性。在岩土工程实践中往往难以获得功能函数的解析表达式，通常采用蒙特卡洛方法近似计算失效概率。然而蒙特卡洛方法往往需要开展大量的确定性分析，计算量巨大。若在此基础上开展时变可靠度分析，相应的计算量将急剧增加，难以被工程师所接受，不利于在工程实践中应用推广。
5.因此，库岸边坡稳定时变可靠度研究的难点在于时变可靠度指标(或时变失效概率)的计算，亟待建立高效的库区滑坡时变失效概率评估方法。

技术实现要素：

6.本发明的目的是提供一种滑坡时变失效概率评估方法及装置，克服现有技术存在的不足，实现滑坡时变失效概率准确高效地评估。
7.为实现本发明目的，本发明实施例提供一种滑坡时变失效概率评估方法，包括以下步骤：
8.确定滑坡的几何模型、边界条件和土性参数统计信息；
9.基于所确定的几何模型、边界条件以及土性参数统计信息建立滑坡瞬态渗流和稳定性分析的基准确定性模型；
10.获取多组土性参数的随机样本；
11.依次将每组土性参数的随机样本作为输入信息导入所述基准确定性模型，以训练建立新的计算模型；
12.基于建立的所述新的计算模型依次计算分析时间段内每一时刻下全部随机样本对应的安全系数；
13.将所述分析时间段内的安全系数及相应的随机样本划分为训练集和测试集，用于分别构建基于极限梯度提升算法(xgboost)和轻量级梯度提升机(lightgbm)的机器学习模
型；
14.利用构建的xgboost和lightgbm机器学习模型预测指定时间段内的滑坡时变失效概率。
15.可选的，所述滑坡的几何模型指滑坡的几何尺寸信息，包括：坡高、坡长、坡度；
16.所述边界条件包括：分析时间段内的库水位和降雨量信息；
17.所述土性参数统计信息包含：用于随机变量生成所需的均值、变异系数和概率分布。
18.可选的，所述获取多组土性参数的随机样本的步骤包括：
19.采用拉丁超立方抽样(lhs)方法生成所述多组土性参数的随机样本。
20.可选的，所述将所述分析时间段内的安全系数及相应的随机样本划分为训练集和测试集的步骤包括：
21.选取一时刻作为切分点，利用所述切分点将完整的分析时间段按照时长比例划分为训练集和测试集。
22.可选的，利用构建的xgboost和lightgbm机器学习模型预测指定时间段内的滑坡时变失效概率前，所述方法还包括：
23.采用统计指标定量评估xgboost和lightgbm机器学习模型的预测性能。
24.可选的，所述统计指标包括：决定系数，绝对误差或相对误差。
25.可选的，利用构建的xgboost和lightgbm机器学习模型预测指定时间段内的滑坡时变失效概率包括：
26.利用构建的xgboost和lightgbm机器学习模型预测指定时间段内每一时刻的安全系数，基于所述安全系数采用阈值比较法评估滑坡时变失效概率。
27.本发明另一实施例提供一种滑坡时变失效概率评估装置，包括：
28.参数确定单元，用于确定滑坡的几何模型、边界条件和土性参数统计信息；
29.模型确定单元，用于基于所确定的几何模型、边界条件以及土性参数统计信息建立滑坡瞬态渗流和稳定性分析的基准确定性模型；
30.样本获取单元，用于获取多组土性参数的随机样本；
31.计算模型训练单元，用于依次将每组土性参数的随机样本作为输入信息导入所述基准确定性模型，以训练建立新的计算模型；
32.分析单元，用于基于建立的所述新的计算模型依次计算分析时间段内每一时刻下全部随机样本对应的安全系数；
33.训练单元，用于将所述分析时间段内的安全系数及相应的随机样本划分为训练集和测试集，用于分别构建基于极限梯度提升算法 (xgboost)和轻量级梯度提升机(lightgbm)的机器学习模型；
34.预测单元，用于利用构建的xgboost和lightgbm机器学习模型预测指定时间段内的滑坡时变失效概率。
35.可选的，所述滑坡的几何模型指滑坡的几何尺寸信息，包括：坡高、坡长、坡度；
36.所述边界条件包括：分析时间段内的库水位和降雨量信息；
37.所述土性参数统计信息包含：用于随机变量生成所需的均值、变异系数和概率分布。
38.可选的，所述获取单元具体用于：
39.采用拉丁超立方抽样(lhs)方法生成所述多组土性参数的随机样本。
40.可选的，所述训练单元具体用于：
41.选取一时刻作为切分点，利用所述切分点将完整的分析时间段按照时长比例划分为训练集和测试集。
42.可选的，所述装置还包括：
43.模型评估单元，用于采用统计指标定量评估xgboost和lightgbm机器学习模型的预测性能。
44.可选的，所述统计指标包括：决定系数，绝对误差或相对误差。
45.可选的，所述预测单元具体用于：
46.利用构建的xgboost和lightgbm机器学习模型预测指定时间段内每一时刻的安全系数，基于所述安全系数采用阈值比较法评估滑坡时变失效概率。
47.本发明提出的滑坡时变失效概率高效评估方法及装置引入极限梯度提升(xgboost)和轻量级梯度提升机(lightgbm)构建机器学习模型，能够快速准确地评估滑坡时变失效概率，克服了库岸边坡稳定时变可靠度分析受制于计算量巨大的瓶颈，并进一步丰富了岩土工程时变可靠度分析理论框架，为库区边坡失稳防治及滑坡灾害预警提供技术支撑和参考依据。
附图说明
48.图1为本发明实施例所述一种滑坡时变失效概率高效评估方法的流程图；
49.图2为实施例2中某库区滑坡典型地质剖图；
50.图3为实施例2中xgboost模型的计算结果图；
51.图4为实施例2中lightgbm模型的计算结果图；
52.图5为本发明实施例所述一种滑坡时变失效概率高效评估装置结构示意图。
具体实施方式
53.下面结合实施例对本发明作进一步说明，但不应该理解为本发明上述主题范围仅限于下述实施例。在不脱离本发明上述技术思想的情况下，根据本领域普通技术知识和惯用手段，做出各种替换和变更，均应包括在本发明的保护范围内。
54.本发明实施例提供的一种滑坡时变失效概率高效评估方法及装置引入极限梯度提升(xgboost)和轻量级梯度提升机(lightgbm) 机器学习模型，实现滑坡时变失效概率的快速准确预测，解决了库岸边坡稳定时变可靠度分析受制于计算量巨大的难题。本发明允许库岸边坡稳定时变可靠度分析中合理地考虑外部服役环境变化，克服了现有库岸边坡稳定可靠度分析中时变效应被忽略的局限，能够更合理地反映库岸边坡的稳定性，进一步丰富了岩土工程时变可靠度分析理论框架。
55.如图1中所示，为本发明实施例一种滑坡时变失效概率评估方法流程图，该方法具体包括以下步骤：
56.步骤s1，确定滑坡的几何模型、边界条件和土性参数统计信息；
57.所述滑坡的几何模型指滑坡的几何尺寸信息，包括：坡高、坡长、坡度等。
58.所述边界条件包括：分析时间段内的库水位和降雨量信息；
59.所述土性参数统计信息包含：用于随机变量生成所需的均值、变异系数和概率分布。
60.步骤s2，基于所确定的几何模型、边界条件以及土性参数统计信息建立滑坡瞬态渗流和稳定性分析的基准确定性模型；
61.步骤s3，获取多组土性参数的随机样本；
62.例如，可以采用拉丁超立方抽样方法(lhs)生成所述多组土性参数随机样本(记为x)。
63.步骤s4，依次将每组土性参数的随机样本作为输入信息导入所述基准确定性模型，以训练建立新的计算模型；
64.例如，可以通过编写特定程序(如matlab)实现自动化提取每组土性参数的随机样本导入基准确定性模型，以生成新的计算模型。
65.步骤s5，基于建立的所述新的计算模型依次计算分析时间段内每一时刻下全部随机样本对应的安全系数；
66.步骤s6，将所述分析时间段内的安全系数及相应的随机样本划分为训练集和测试集，用于分别构建基于极限梯度提升算法 (xgboost)和轻量级梯度提升机(lightgbm)的机器学习模型；
67.例如，选取一时刻作为切分点，利用所述切分点将完整的分析时间段按照时长比例划分为训练集和测试集。
68.其中用于确定xgboost模型参数的优化函数f可表述为：
[0069][0070]
式中：为损失函数，用于刻画模型对训练数据的拟合程度；t
f,i
和分别表示步骤s3中土性参数随机样本x下安全系数的真实计算值和模型预测值，其中t
f,i
来源于步骤s4和s5；n为训练数据的数量；m为决策树的数量；θ(
·
)为附加正则项用于防止模型过拟合。采用加法学习策略依次建立决策树，每一棵新增加的决策树都是从原来的决策树中学习，并更新预测值中的残差。因而，在第s次迭代中优化函数fs表示为：
[0071][0072]
式中：表示步骤s3中土性参数的第i组随机样本；hs(
·
)表示第s棵决策树的预测分数(或叶子权重)；ai和bi分别表示损失函数的一阶和二阶偏导数。
[0073]
步骤s7，利用构建的xgboost和lightgbm机器学习模型预测指定时间段内的滑坡时变失效概率。
[0074]
具体可以为：利用构建的xgboost和lightgbm机器学习模型预测指定时间段内每一时刻的安全系数，基于所述安全系数采用阈值比较法评估滑坡时变失效概率。
[0075]
可选的，本发明实施例在执行步骤s7前，还可以包括如下步骤：
[0076]
采用统计指标定量评估xgboost和lightgbm机器学习模型的预测性能。
[0077]
其中，所述统计指标包括但不限于：决定系数，绝对误差 (absolute error)或相
对误差(relative error)。
[0078]
为进一步理解本发明技术方案，下面通过一实施例来介绍本发明所述方法。本实施例选取一处库区滑坡进行实施，其典型地质剖图如图2所示，具体实施过程如下：
[0079]
1)确定滑坡的几何模型、边界条件和土性参数统计信息；
[0080]
2)建立滑坡瞬态渗流和稳定性分析的基准确定性模型；
[0081]
3)采用拉丁超立方抽样方法(lhs)生成1000组土性参数的随机样本；
[0082]
4)依次将每组土性参数的随机样本作为输入信息导入基准确定性模型建立新的计算模型；
[0083]
5)基于新的计算模型开展滑坡瞬态渗流和稳定性分析，依次计算2008年7月至2018年12月间每一时刻下全部随机样本对应的安全系数；
[0084]
6)将2008年7月至2017年12月间的安全系数计算结果及相应的随机样本作为训练集，其余作为测试集，用于分别构建基于极限梯度提升算法(xgboost)和轻量级梯度提升机(lightgbm)的机器学习模型；
[0085]
图3和图4依次展示了xgboost和lightgbm机器学习模型下训练集和测试集计算结果，从图中可以看到xgboost和lightgbm 机器学习模型能准确刻画训练集和测试集上的滑坡时变失效概率。
[0086]
7)利用构建的xgboost和lightgbm机器学习模型预测指定时间段内的滑坡时变失效概率。
[0087]
基于同一发明构思，根据本技术上述实施例提供的滑坡时变失效概率评估方法，相应地，本发明另一实施例还提供一种滑坡时变失效概率评估装置，如图5所示为所述装置结构示意图，该装置包括：
[0088]
参数确定单元50，用于确定滑坡的几何模型、边界条件和土性参数统计信息；
[0089]
模型确定单元51，用于基于所确定的几何模型、边界条件以及土性参数统计信息建立滑坡瞬态渗流和稳定性分析的基准确定性模型；
[0090]
样本获取单元52，用于获取多组土性参数的随机样本；
[0091]
计算模型训练单元53，用于依次将每组土性参数的随机样本作为输入信息导入所述基准确定性模型，以训练建立新的计算模型；
[0092]
分析单元54，用于基于建立的所述新的计算模型依次计算分析时间段内每一时刻下全部随机样本对应的安全系数；
[0093]
训练单元55，用于将所述分析时间段内的安全系数及相应的随机样本划分为训练集和测试集，用于分别构建基于极限梯度提升算法(xgboost)和轻量级梯度提升机(lightgbm)的机器学习模型；
[0094]
预测单元56，用于利用构建的xgboost和lightgbm机器学习模型预测指定时间段内的滑坡时变失效概率。
[0095]
可选的，所述滑坡的几何模型指滑坡的几何尺寸信息，包括：坡高、坡长、坡度；
[0096]
所述边界条件包括：分析时间段内的库水位和降雨量信息；
[0097]
所述土性参数统计信息包含：用于随机变量生成所需的均值、变异系数和概率分布。
[0098]
可选的，所述获取单元52具体用于：
[0099]
采用拉丁超立方抽样(lhs)方法生成所述多组土性参数的随机样本。
[0100]
可选的，所述训练单元55具体用于：
[0101]
选取一时刻作为切分点，利用所述切分点将完整的分析时间段按照时长比例划分为训练集和测试集。
[0102]
可选的，所述装置还包括：
[0103]
模型评估单元57(图中未示出)，用于采用统计指标定量评估 xgboost和lightgbm机器学习模型的预测性能。
[0104]
可选的，所述统计指标包括：决定系数，绝对误差或相对误差。
[0105]
可选的，所述预测单元56具体用于：
[0106]
利用构建的xgboost和lightgbm机器学习模型预测指定时间段内每一时刻的安全系数，基于所述安全系数采用阈值比较法评估滑坡时变失效概率。
[0107]
关于上述实施例中的装置，其中各个单元执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
[0108]
本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置、电子设备、计算机可读存储介质，计算机程序产品实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
[0109]
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
[0110]
本技术是参照根据本技术实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0111]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0112]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0113]
显然，本领域的技术人员可以对本技术进行各种改动和变型而不脱离本技术的精
神和范围。这样，倘若本技术的这些修改和变型属于本技术权利要求及其等同技术的范围之内，则本技术也意图包含这些改动和变型在内。

技术特征：

1.一种滑坡时变失效概率评估方法，其特征在于：包括以下步骤：确定滑坡的几何模型、边界条件和土性参数统计信息；基于所确定的几何模型、边界条件以及土性参数统计信息建立滑坡瞬态渗流和稳定性分析的基准确定性模型；获取多组土性参数的随机样本；依次将每组土性参数的随机样本作为输入信息导入所述基准确定性模型，以训练建立新的计算模型；基于建立的所述新的计算模型依次计算分析时间段内每一时刻下全部随机样本对应的安全系数；将所述分析时间段内的安全系数及相应的随机样本划分为训练集和测试集，用于分别构建基于极限梯度提升算法(xgboost)和轻量级梯度提升机(lightgbm)的机器学习模型；利用构建的xgboost和lightgbm机器学习模型预测指定时间段内的滑坡时变失效概率。2.根据权利要求1所述的一种滑坡时变失效概率评估方法，其特征在于：所述滑坡的几何模型指滑坡的几何尺寸信息，包括：坡高、坡长、坡度；所述边界条件包括：分析时间段内的库水位和降雨量信息；所述土性参数统计信息包含：用于随机变量生成所需的均值、变异系数和概率分布。3.根据权利要求1所述的一种滑坡时变失效概率评估方法，其特征在于：所述获取多组土性参数的随机样本的步骤包括：采用拉丁超立方抽样(lhs)方法生成所述多组土性参数的随机样本。4.根据权利要求1所述的一种滑坡时变失效概率评估方法，其特征在于：所述将所述分析时间段内的安全系数及相应的随机样本划分为训练集和测试集的步骤包括：选取一时刻作为切分点，利用所述切分点将完整的分析时间段按照时长比例划分为训练集和测试集。5.根据权利要求1所述的一种滑坡时变失效概率评估方法，其特征在于：利用构建的xgboost和lightgbm机器学习模型预测指定时间段内的滑坡时变失效概率前，所述方法还包括：采用统计指标定量评估xgboost和lightgbm机器学习模型的预测性能。6.根据权利要求5所述的一种滑坡时变失效概率评估方法，其特征在于：所述统计指标包括：决定系数，绝对误差或相对误差。7.根据权利要求1所述的一种滑坡时变失效概率评估方法，其特征在于：利用构建的xgboost和lightgbm机器学习模型预测指定时间段内的滑坡时变失效概率包括：利用构建的xgboost和lightgbm机器学习模型预测指定时间段内每一时刻的安全系数，基于所述安全系数采用阈值比较法评估滑坡时变失效概率。8.一种滑坡时变失效概率评估装置，其特征在于：包括：参数确定单元，用于确定滑坡的几何模型、边界条件和土性参数统计信息；模型确定单元，用于基于所确定的几何模型、边界条件以及土性参数统计信息建立滑坡瞬态渗流和稳定性分析的基准确定性模型；样本获取单元，用于获取多组土性参数的随机样本；
计算模型训练单元，用于依次将每组土性参数的随机样本作为输入信息导入所述基准确定性模型，以训练建立新的计算模型；分析单元，用于基于建立的所述新的计算模型依次计算分析时间段内每一时刻下全部随机样本对应的安全系数；训练单元，用于将所述分析时间段内的安全系数及相应的随机样本划分为训练集和测试集，用于分别构建基于极限梯度提升算法(xgboost)和轻量级梯度提升机(lightgbm)的机器学习模型；预测单元，用于利用构建的xgboost和lightgbm机器学习模型预测指定时间段内的滑坡时变失效概率。9.根据权利要求8所述的一种滑坡时变失效概率评估装置，其特征在于：所述装置还包括：模型评估单元，用于采用统计指标定量评估xgboost和lightgbm机器学习模型的预测性能。10.根据权利要求9所述的一种滑坡时变失效概率评估装置，其特征在于：所述统计指标包括：决定系数，绝对误差或相对误差。

技术总结

本发明公开了滑坡灾害防治技术领域一种滑坡时变失效概率评估方法及装置，所述方法引入极限梯度提升(XGBoost)和轻量级梯度提升机(LightGBM)构建机器学习模型，利用构建的XGBoost和LightGBM机器学习模型预测指定时间段内的滑坡时变失效概率，实现滑坡时变失效概率的快速准确预测，解决了库岸边坡稳定时变可靠度分析受制于计算量巨大的难题。靠度分析受制于计算量巨大的难题。靠度分析受制于计算量巨大的难题。