基覆型边坡破裂面预警的方法、装置、设备及存储介质

1.本发明涉及山地灾害技术领域，具体而言，涉及基覆型边坡破裂面预警的方法、装置、设备及存储介质。


背景技术：

2.现有的预测装置和预测方法不能对基覆型边坡后缘破裂面进行较为准确的预测，不仅预警精度不够高，预测提前时间较短，还容易出现误报的情况，从而造成人员恐慌和物资浪费。此外，经过大量相关调查研究显示，过去的预警技术中对基覆型边坡生成后缘破裂面的研究较少。


技术实现要素：

3.本发明的目的在于提供基覆型边坡破裂面预警的方法、装置、设备及存储介质，以改善上述问题。为了实现上述目的，本发明采取的技术方案如下：第一方面，本技术提供了基覆型边坡破裂面预警的方法，包括：获取第一参数、第二参数和第三参数；所述第一参数为待预警区域内坡面裂缝的三维位置参数；所述第二参数为所述待预警区域内边坡岩土体的物理参数和力学参数；所述第三参数包括所述待预警区域内接触面的抗剪强度参数，所述接触面是边坡的基岩与岩土体的分界面；基于训练后的神经网络模型，将所述第一参数、所述第二参数和所述第三参数输入训练后的所述神经网络模型中，得到后缘破裂面的几何形态参数和位置参数；基于所述后缘破裂面的几何形态参数和位置参数、所述第二参数和所述第三参数，利用强度折减法计算，分别得到所述后缘破裂面的安全系数和潜在滑移土的总方量；基于所述安全系数和所述潜在滑移土的总方量，对基覆型边坡破裂面进行预警。
4.第二方面，本技术还提供了基覆型边坡破裂面预警的装置，包括获取模块、第一计算模块、第二计算模块和预警模块，其中：获取模块：用于获取第一参数、第二参数和第三参数；所述第一参数为待预警区域内坡面裂缝的三维位置参数；所述第二参数为所述待预警区域内边坡岩土体的物理参数和力学参数；所述第三参数包括所述待预警区域内接触面的抗剪强度参数，所述接触面是边坡的基岩与岩土体的分界面。
5.第一计算模块：用于基于训练后的神经网络模型，将所述第一参数、所述第二参数和所述第三参数输入训练后的所述神经网络模型中，得到后缘破裂面的几何形态参数和位置参数。
6.第二计算模块：用于基于所述后缘破裂面的几何形态参数和位置参数、所述第二参数和所述第三参数，利用强度折减法计算，分别得到所述后缘破裂面的安全系数和潜在滑移土的总方量。
7.预警模块：用于基于所述安全系数和所述潜在滑移土的总方量，对基覆型边坡破
裂面进行预警。
8.第三方面，本技术还提供了基覆型边坡破裂面预警的设备，包括：存储器，用于存储计算机程序；处理器，用于执行所述计算机程序时实现所述基覆型边坡破裂面预警的方法的步骤。
9.第四方面，本技术还提供了存储介质，所述存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述基于基覆型边坡破裂面预警的方法的步骤。
10.本发明的有益效果为：本技术中，根据现场采集的各参数利用神经网络预测出边坡生成后缘破裂面的几何形态参数和位置参数，提高预测结果精准度的同时，也缩短了预测时间。然后再基于后缘破裂面的几何形态参数、位置参数以及现场采集的参数进行强度折减法计算，得到后缘破裂面的安全系数和潜在滑移土的总方量，并基于后缘破裂面的安全系数和潜在滑移土的总方量进行预警，同时结合众多影响因素得到最终预警等级，对于预警等级的判断考虑因素更加完善，进而提高预警等级的精准度。此外，监测预警范围广，这里的“广”分为两部分。首先是该套监测预警方法及装置适用于多数基覆型边坡；其次该预警方法及装置能将现场整个基覆型边坡和其周年部分环境纳入监测预警的区域。而且能实时全天监测，并且费用成本低、除安装位移监测仪器外无需投入过多的人力及物力，费用成本较低，保证基覆型边坡安全的同时降低工程造价。
11.本发明的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明实施例了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
12.为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域图像普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
13.图1为本发明实施例中所述的基覆型边坡破裂面预警的方法流程示意图；图2为本发明实施例中所述的基覆型边坡破裂面预警的装置结构示意图；图3为本发明实施例中所述的基覆型边坡破裂面预警的设备结构示意图。
14.图中：710、获取模块；720、第一计算模块；721、第一获取单元；722、第一处理单元；7221-第二获取单元；72211-第三获取单元；72212-筛选单元；72213-分析单元；72214-归纳单元；72215-第五处理单元；7222-第一构建单元；7223-第二构建单元；7224-模拟单元；7225-第二处理单元；7226-第三处理单元；7227-第四处理单元；723、训练单元；730、第二计算模块；740、预警模块；800、基覆型边坡破裂面预警的设备；801、处理器；802、存储器；803、多媒体组件；804、i/o接口；805、通信组件。
具体实施方式
15.为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例
中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域图像普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
16.应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本发明的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
17.实施例1：参见图1，图1为本发明实施例中所述的基覆型边坡破裂面预警的方法流程示意图。图中示出了本方法包括步骤s1、步骤s2、步骤s3和步骤s4，其中：步骤s1、获取第一参数、第二参数和第三参数；所述第一参数为待预警区域内坡面裂缝的三维位置参数；所述第二参数为所述待预警区域内边坡岩土体的物理参数和力学参数；所述第三参数包括所述待预警区域内接触面的抗剪强度参数，所述接触面是边坡的基岩与岩土体的分界面。
18.可以理解的是，在本步骤中，利用地质勘探技术、卫星遥感技术和土工试验等方法进行现场采集，分别获得第一参数、第二参数和第三参数。
19.步骤s2、基于训练后的神经网络模型，将所述第一参数、所述第二参数和所述第三参数输入训练后的所述神经网络模型中，得到后缘破裂面的几何形态参数和位置参数。
20.可以理解的是，在本步骤中，根据现场采集的第一参数、第二参数和第三参数，利用训练后的神经网络模型预测后缘破裂面的几何形态参数和位置参数。不仅速度快，且预测精度较高。
21.其中，神经网络模型的训练方法包括步骤s21、步骤s22和步骤s23。
22.步骤s21、获取相互对应的第四参数、第五参数，所述第四参数为基覆型边坡实际工程中边坡的物理参数和力学参数；所述第五参数为基覆型边坡实际工程中坡面裂缝的几何形态参数和位置参数。
23.可以理解的是，在本步骤中，从实际工程中获取对应的第四参数、第五参数用作神经网络模型训练的样本集数据，获取方法包括地质勘探技术、卫星遥感技术和土工试验等。
24.进一步地，步骤s21中获取第四参数中主成分因素的选择方法包括步骤s211、步骤s212、步骤s213、步骤s214和步骤s215。
25.步骤s211、获取至少十个实际工程中基覆型边坡生成后缘破裂面现象的地质勘探数据。
26.可以理解的是，在本步骤中，通过网络数据、书籍、报纸等相关资料，收集至少十个实际工程中研究基覆型边坡生成后缘破裂面的现象的地质勘探数据。典型的如：1983年甘肃省东乡族自治县的勒山基覆型边坡发生大型滑坡现象，经调查边坡后缘处曾出现一道明显的破裂面；1996年云南省元阳县老金基覆型山坡发生大型滑坡现象，经调查边坡后缘也处曾出现一道明显的破裂面；2007年四川省达县青宁乡岩门村发生特大山体滑坡现象，从现场拍摄的照片看，山坡后缘仍留下一道极为明显的破裂面；2013年贵州省毕节市麻窝村
发生局部滑坡灾害，现场依旧可以清晰看到边坡后缘出现的破裂面。地质勘探数据包括岩石、地层、构造、矿产、水文、地貌等地质情况的数据，也包括各种岩石和矿石的密度、磁性、电性、弹性、放射性等物理数据，还包括弹性模量、泊松比、黏聚力、内摩擦角、抗拉强度、法向及切向刚度等力学参数。
27.步骤s212、基于所述地质勘探数据，确定目标参数，所述目标参数为所述实际工程中基覆型边坡生成后缘破裂面的具体位置及形态。
28.可以理解的是，在本步骤中，调查并归纳现场基覆型边坡生成后缘破裂面的具体位置及形态。绝大多数基覆型边坡生成破裂面的起始位置位于坡体后方，从后缘坡面的某一处开始生成裂缝，随州裂缝的不断的增多和相互结合，最终在基覆型边坡后缘处生成一道明显的破裂面，绝大多数基覆型边坡后缘破裂面成带有一定弧度（一般弧度不大）的曲线，因此后续在数值模拟中边坡模型内部随机生成的后缘破裂面的形状为圆弧形。基述基覆型边坡自身及周围环境的改变对生成后缘破裂面的分析研究，提炼出几点促使基覆型边坡生成后缘破裂面的关键目标参数：a.基覆型边坡中接触面处岩土体抗剪强度的降低；b.基覆型边坡上部坡体内局部空隙水压的增大，导致坡体内生成微小的裂隙，随着裂隙间的相互结合，逐渐演化为肉眼可见的裂缝；c.极为不合理的人类活动：开挖基覆型边坡坡脚、在基覆型边坡坡顶施加超载、地下采空区的大面积开挖等。
29.步骤s213、基于所述地质勘探数据，确定所述实际工程中基覆型边坡的组成结构。
30.可以理解的是，在本步骤中，基于地质勘探数据调查并归纳现场基覆型边坡的组成结构。所述基覆型边坡主要是由三部分构成，第一部分为上部的坡体，主要由松散的土体构成；第二部为中部的接触面，主要由碎石和土体混填而成；第三部分为下部的基岩，主要由即为坚硬的岩石构成。
31.步骤s214、基于所述目标参数和所述实际工程中基覆型边坡的组成结构，利用分析法进行归纳总结，得到刻画因素以及所述刻画因素的权重值。
32.可以理解的是，在本步骤中，重点关注基覆型边坡后缘处破裂面的具体位置及其发展形态、边坡坡面处起始裂缝的宽度大小，发现基覆型边坡生成的后缘破裂面多数为曲面形状，而起始裂缝的宽度则大小不等。重点关注基覆型边坡生成后缘破裂面的整个过程中，边坡上部坡体及边坡接触面上岩土体粘聚力和内摩擦角的改变，发现接触面处岩土体的抗剪强度存在一定程度的降低。基于对现场基覆型边坡生成后缘破裂面的现象研究，发现诱发的关键因素在于强降雨、地下水上渗等导致基覆型边坡自身接触面处岩土体的抗剪强度参数（粘聚力、内摩擦角）的降低。根据上述分析从目标参数中筛选出部分因素利用层析分析法、主成分分析法等手段进行归纳总结，得到影响后缘破裂面生成的刻画因素和其对应的权重值。刻画因素包括基覆型边坡上部的岩土体及下部的基岩的本征参数以及其对应的权重值，本征参数包括密度（0.13）、含水率（0.13）、重力加速度（0.05）、弹性模量（0.12）、泊松比（0.12）、法向及切向刚度（0.13）、粘聚力（0.14）、内摩擦角（0.14）和超载（0.04）等，需要说明的是,括号中的数值为每个刻画因素对应的权重值。
33.步骤s215、基于所述刻画因素、所述权重值和预设阈值，得到主成分因素。
34.可以理解的是，在本步骤中，本实施例中预设阈值为刻画因素的总个数，根据权重
值进行降序排列，并挑选预设阈值范围内靠前的刻画因素为主成分因素。基于主成分因素研究基覆型边坡生成后缘破裂面的问题，可以减少贡献少的因素对预测结果的影响，提高预测精度。
35.基于主成分因素分别从各相关资料中采集相应的数据进行建模，为了扩大数据集为后续的深度学习算法提供大量的训练数据。本实施例中采用数据增强手段来增加样本，其中第四参数和第五参数的获取方法包括步骤s221、步骤s222、步骤s223、步骤s224、步骤s225、步骤s226和步骤s227。
36.步骤s221、获取第一特征参数、第二特征参数、第三特征参数和第四特征参数；所述第一特征参数为基覆型边坡中岩土体部分的几何形态参数；所述第二特征参数为基覆型边坡中基岩部分的几何形态参数；所述第三特征参数为所述接触面自定义的抗剪强度参数；所述第四特征参数为自定义物理参数和力学参数。
37.可以理解的是，在本步骤中，基于现场基覆型边坡的地勘资料以及卫星遥感技术分别得到岩土体的几何形态参数（即第一特征参数）以及基岩部分的几何形态参数（即第二特征参数）。第三特征参数和第四特征参数分别是基于主成分因素的自定义输入的不同数值。
38.步骤s222、基于所述第一特征参数和所述第二特征参数分别构建岩土体拟合模型和基岩拟合模型。
39.可以理解的是，在本步骤中，根据第一特征参数构建岩土体拟合模型，根据第二特征参数构建基岩拟合模型。并通过改变每个主成分因素对应的具体数值，得到不同形状的岩土体拟合模型和基岩拟合模型，以扩大模型的数据集。
40.步骤s223、基于所述岩土体拟合模型、所述基岩拟合模型和所述第三特征参数，构建第一基覆型边坡拟合模型。
41.可以理解的是，在本步骤中，在离散元软件3dec中将不同的岩土体拟合模型和基岩拟合模型进行组合，赋予基覆型边坡模型中接触面处岩土体与基岩之间不同的粘聚力取值范围、内摩擦角取值范围，从而建立不同第一基覆型边坡拟合模型。
42.步骤s224、基于所述第一基覆型边坡拟合模型和所述第四特征参数，在离散元软件3dec中利用节理刻画基覆型边坡生成的后缘破裂面，得到第五特征值和第六特征值，所述第五特征值为所述后缘破裂面的几何形态参数，所述第六特征值为所述后缘破裂面中每个裂缝对应的所述裂缝宽度值和位置参数。
43.可以理解的是，在本步骤中，基于第一基覆型边坡拟合模型赋予基覆型边坡上部的岩土体拟合模型、下部的基岩拟合模型的本征参数（即第四参数），如密度、含水率、重力加速度、弹性模量、泊松比、法向及切向刚度、粘聚力、内摩擦角等。在离散元软件3dec中利用节理刻画基覆型边坡生成的后缘破裂面，得到第五特征值和第六特征值。其中刻画边坡后缘破裂面的几何形态参数（即第五特征值）包括：破裂面起始点的位置、生成破裂面的起始角度、生成破裂面的每段直线长度、生成破裂面的角度折减值。在第一基覆型边坡拟合模型的边坡上设置相应的监测点，并在监测点设置位移传感器用以监测随破裂面不断扩张时的坡体位滑移，每条裂缝对应的裂缝宽度值和位置参数（即第六特征值）。
44.步骤s225、基于对应的所述第五特征值和所述第六特征值，构成所述第五参数。
45.可以理解的是，在本步骤中，将同一时刻由第一基覆型边坡拟合模型研究得到的
第五特征值和第六特征值一一对应，组成第五参数。
46.步骤s226、基于对应的所述第三特征参数和所述第四特征参数，构成所述第四参数。
47.可以理解的是，在本步骤中，将同一时刻由第一基覆型边坡拟合模型研究得到的第三特征参数和第四特征参数一一对应，组成第四参数。
48.步骤s227、构建所述第四参数与所述第五参数之间的映射关系，获得相互对应的所述第四参数与所述第五参数。
49.可以理解的是，在本步骤中，将同一时刻由第一基覆型边坡拟合模型研究得到的第四参数和第五参数一一对应，构建映射关系。
50.步骤s22、基于所述第五参数，得到裂缝集合，所述裂缝集合中的每个裂缝对应一个裂缝宽度值。
51.可以理解的是，在本步骤中，根据第五参数中第六特征值确定每条裂缝对应的裂缝宽度值，所有的裂缝宽度值构成裂缝集合。
52.步骤s23、基于神经网络模型，将所述裂缝集合、所述第五参数中的所述位置参数作为所述神经网络模型的输入值，所述第四参数作为所述神经网络模型的输出值，按照最小均方差规则进行学习并更新所述神经网络模型的各项参数，得到训练后的所述神经网络模型。
53.可以理解的是，在本步骤中，将裂缝集合中每个裂缝对应的裂缝宽度值、第四参数和第五参数作为一个样本，并将所有的样本集按照4:1的比例进行划分，分别得到训练集和验证集，并将训练集中每个样本的裂缝宽度值和第五参数作为输入特征标签，将第四参数作为输出特征标签，并按照最小均方差规则进行模型学习并更新所述神经网络模型的各项参数，得到训练后的所述神经网络模型。然后再将验证集用于预测，通过将数据样本划分为训练集和验证集可以提高神经网络模型的预测准确性，使其具有较高的预测能力和较好的适用性。
54.步骤s3、基于所述后缘破裂面的几何形态参数和位置参数、所述第二参数和所述第三参数，利用强度折减法计算，分别得到所述后缘破裂面的安全系数和潜在滑移土的总方量。
55.可以理解的是，在本步骤中，利用离散元软件3dec根据后缘破裂面的几何形态参数和位置参数、第二参数和第三参数构建待预警边坡的模拟模型，并利用强度折减法对待预警边坡的模拟模型进行失稳模拟，并计算得到所述后缘破裂面的安全系数和潜在滑移土的总方量。
56.进一步地，潜在滑移土的总方量的获得方法包括步骤s31、步骤s32、步骤s33和步骤s34。
57.步骤s31、获取所述待预警区域内岩土体和基岩的三维几何形态参数。
58.步骤s32、基于所述待预警区域内岩土体和基岩的三维几何形态参数、所述第一参数、所述第二参数和所述第三参数，利用有限元分析法构建第二基覆型边坡拟合模型。
59.步骤s33、基于第二基覆型边坡拟合模型、所述后缘破裂面的几何形态参数和位置参数，确定潜在贯通滑动面的三维形态参数。
60.可以理解的是，在本步骤中，潜在贯通滑动面为边坡中贯穿岩土体并与基岩上表
面相交的竖直破裂面，以该竖直破裂面为界线直至边坡底部均为潜在贯通滑动面，基于第二基覆型边坡拟合模型对应的坐标确定潜在贯通滑动面的三维形态参数。
61.步骤s34、基于所述潜在贯通滑动面的三维形态参数计算，得到所述潜在滑移土的总方量。
62.可以理解的是，在本步骤中，基于三维建模中三维模型体积的计算方法，计算潜在贯通滑动面的体积即为潜在滑移土的总方量。
63.后缘破裂面的安全系数的获得方法包括步骤s35和步骤s36。
64.步骤s35、基于所述第二参数，获取所述待预警区域内岩土体的密度参数。
65.步骤s36、基于所述潜在贯通滑动面的三维形态参数、所述待预警区域内岩土体的密度参数、所述第三参数和所述第二基覆型边坡拟合模型，利用强度折减法进行失稳模拟，当所述强度折减算法的不平衡力达到10-5
次时，得到所述后缘破裂面的安全系数。
66.可以理解的是，在本步骤中，通过强度折减法对于第二基覆型边坡拟合模型进行失稳状态的模拟，而后缘破裂面的形成是一个渐变的过程，当不平衡力达到10-5
次时第二基覆型边坡拟合模型达到二次平衡形成后缘破裂面，此时可获得后缘破裂面的安全系数。
67.步骤s4、基于所述安全系数和所述潜在滑移土的总方量，对基覆型边坡破裂面进行预警。
68.可以理解的是，在本步骤中，综合分析评价当前现场基覆型边坡的安全系数和潜在滑移土的总方量，从而进行及时预警及相关必要的防止措施。其中：所述基覆型边坡的安全系数，拟采用安全等级制来具体表示。其中一级为非常安全的情况；二级为安全的情况；三级为较安全的情况，但需要根据各监测数据后期发展趋势来判定；四级就存在一定的安全隐患，需要考虑采取一定的支护措施；五级会处于比较危险的状况；六级基覆型边坡就有可能发生失稳破坏的现象，造成极大的安全危害，需要及时进行相关处理措施。
69.在本实例中，提供了预警等级划分标准，如表1-表3所示：表1 安全等级分类表1中，v代表现场基覆型边坡的潜在滑移土总方量，表1表示现场基覆型边坡产生后缘断裂后，边坡潜在的滑移土总方量v≥4.0
×
106m3情况下的划分标准，也就是说在这种情况下，安全系数k≥1.2则为三级安全等级，1.1≤k《1.2则为四级安全等级，依次类推。
70.表2 安全等级分类
表2中，v代表现场基覆型边坡的潜在滑移土总方量，表2表示现场基覆型边坡产生后缘断裂后，边坡潜在的滑移土总方量1.0
×
106m3≤v≤4.0
×
106m3情况下的划分标准，也就是说在这种情况下，安全系数k≥1.2则为二级安全等级，1.1≤k《1.2则为三级安全等级，依次类推。
71.表3 安全等级分类表3中，v代表现场基覆型边坡的潜在滑移土总方量，表3表示现场基覆型边坡产生后缘断裂后，边坡潜在的滑移土总方量1.0
×
106m3≥v情况下的划分标准，也就是说在这种情况下，安全系数k≥1.2则为一级安全等级，1.1≤k《1.2则为二级安全等级，依次类推。
72.实施例2：如图2所示，本实施例提供了基覆型边坡破裂面预警的装置，包括基覆型边坡破裂面预警的装置，包括获取模块710、第一计算模块720、第二计算模块730和预警模块740，其中：获取模块710：用于获取第一参数、第二参数和第三参数；所述第一参数为待预警区域内坡面裂缝的三维位置参数；所述第二参数为所述待预警区域内边坡岩土体的物理参数和力学参数；所述第三参数包括所述待预警区域内接触面的抗剪强度参数，所述接触面是边坡的基岩与岩土体的分界面。
73.第一计算模块720：用于基于训练后的神经网络模型，将所述第一参数、所述第二参数和所述第三参数输入训练后的所述神经网络模型中，得到后缘破裂面的几何形态参数和位置参数。
74.优选地，第一计算模块720包括第一获取单元721、第一处理单元722和训练单元723，其中：第一获取单元721：用于获取相互对应的第四参数、第五参数，所述第四参数为基覆型边坡实际工程中边坡的物理参数和力学参数；所述第五参数为基覆型边坡实际工程中
坡面裂缝的几何形态参数和位置参数。
75.第一处理单元722：用于基于所述第五参数，得到裂缝集合，所述裂缝集合中的每个裂缝对应一个裂缝宽度值。
76.进一步地，第一处理单元722包括第二获取单元7221、第一构建单元7222、第二构建单元7223、模拟单元7224、第二处理单元7225、第三处理单元7226和第四处理单元7227，其中：第二获取单元7221：用于获取第一特征参数、第二特征参数、第三特征参数和第四特征参数；所述第一特征参数为基覆型边坡中岩土体部分的几何形态参数；所述第二特征参数为基覆型边坡中基岩部分的几何形态参数；所述第三特征参数为所述接触面自定义的抗剪强度参数；所述第四特征参数为自定义物理参数和力学参数。
77.优选地，第二获取单元7221包括第三获取单元72211、筛选单元72212、分析单元72213、归纳单元72214和第五处理单元72215，其中：第三获取单元72211：用于获取至少十个实际工程中基覆型边坡生成后缘破裂面现象的地质勘探数据。
78.筛选单元72212：用于基于所述地质勘探数据，确定目标参数，所述目标参数为所述实际工程中基覆型边坡生成后缘破裂面的具体位置及形态。
79.分析单元72213：用于基于所述地质勘探数据，确定所述实际工程中基覆型边坡的组成结构。
80.归纳单元72214：用于基于所述目标参数和所述实际工程中基覆型边坡的组成结构，利用分析法进行归纳总结，得到刻画因素以及所述刻画因素的权重值。
81.第五处理单元72215：用于基于所述刻画因素、所述权重值和预设阈值，得到主成分因素。
82.第一构建单元7222：用于基于所述第一特征参数和所述第二特征参数分别构建岩土体拟合模型和基岩拟合模型。
83.第二构建单元7223：用于基于所述岩土体拟合模型、所述基岩拟合模型和所述第三特征参数，构建第一基覆型边坡拟合模型。
84.模拟单元7224：用于基于所述第一基覆型边坡拟合模型和所述第四特征参数，在离散元软件3dec中利用节理刻画基覆型边坡生成的后缘破裂面，得到第五特征值和第六特征值，所述第五特征值为所述后缘破裂面的几何形态参数，所述第六特征值为所述后缘破裂面中每个裂缝对应的所述裂缝宽度值和位置参数。
85.第二处理单元7225：用于基于对应的所述第五特征值和所述第六特征值，构成所述第五参数。
86.第三处理单元7226：用于基于对应的所述第三特征参数和所述第四特征参数，构成所述第四参数。
87.第四处理单元7227：用于构建所述第四参数与所述第五参数之间的映射关系，获得相互对应的所述第四参数与所述第五参数。
88.训练单元723：用于基于神经网络模型，将所述裂缝集合、所述第五参数中的所述位置参数作为所述神经网络模型的输入值，所述第四参数作为所述神经网络模型的输出值，按照最小均方差规则进行学习并更新所述神经网络模型的各项参数，得到训练后的所
述神经网络模型。
89.第二计算模块730：用于基于所述后缘破裂面的几何形态参数和位置参数、所述第二参数和所述第三参数，利用强度折减法计算，分别得到所述后缘破裂面的安全系数和潜在滑移土的总方量。
90.预警模块740：用于基于所述安全系数和所述潜在滑移土的总方量，对基覆型边坡破裂面进行预警。
91.需要说明的是，关于上述实施例中的装置，其中各个模块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。
92.实施例3：相应于上面的方法实施例，本实施例中还提供了基覆型边坡破裂面预警的设备800，下文描述的基覆型边坡破裂面预警的设备800与上文描述的基覆型边坡破裂面预警的方法可相互对应参照。
93.图3是根据示例性实施例示出的基覆型边坡破裂面预警的设备800的框图。如图3所示，该基覆型边坡破裂面预警的设备800可以包括：处理器801，存储器802。该基覆型边坡破裂面预警的设备800还可以包括多媒体组件803，i/o接口804，以及通信组件805中的一者或多者。
94.其中，处理器801用于控制该基覆型边坡破裂面预警的设备800的整体操作，以完成上述的基覆型边坡破裂面预警的方法中的全部或部分步骤。存储器802用于存储各种类型的数据以支持在该基覆型边坡破裂面预警的设备800的操作，这些数据例如可以包括用于在该基覆型边坡破裂面预警的设备800上操作的任何应用程序或方法的指令，以及应用程序相关的数据，例如联系人数据、收发的消息、图片、音频、视频等等。该存储器802可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，例如静态随机存取存储器(static random access memory，简称sram)，电可擦除可编程只读存储器(electrically erasable programmable read-only memory，简称eeprom)，可擦除可编程只读存储器(erasable programmable read-only memory，简称eprom)，可编程只读存储器(programmable read-only memory，简称prom)，只读存储器(read-only memory，简称rom)，磁存储器，快闪存储器，磁盘或光盘。多媒体组件803可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏，音频组件用于输出和/或输入音频信号。例如，音频组件可以包括一个麦克风，麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器802或通过通信组件805发送。音频组件还包括至少一个扬声器，用于输出音频信号。i/o接口804为处理器801和其他接口模块之间提供接口，上述其他接口模块可以是键盘，鼠标，按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件805用于该基覆型边坡破裂面预警的设备800与其他设备之间进行有线或无线通信。无线通信，例如wi-fi，蓝牙，近场通信(near fieldcommunication，简称nfc)，2g、3g或4g，或它们中的或几种的组合，因此相应的该通信组件805可以包括：wi-fi模块，蓝牙模块，nfc模块。
95.在一示例性实施例中，基覆型边坡破裂面预警的设备800可以被一个或多个应用专用集成电路(application specific integrated circuit，简称asic)、数字信号处理器(digitalsignal processor，简称dsp)、数字信号处理设备(digital signal processing device，简称dspd)、可编程逻辑器件(programmable logic device，简称pld)、现场可编程
门阵列(field programmable gate array，简称fpga)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述的基覆型边坡破裂面预警的方法。
96.在另一示例性实施例中，还提供了包括程序指令的计算机存储介质，该程序指令被处理器执行时实现上述的基覆型边坡破裂面预警的方法的步骤。例如，该计算机存储介质可以为上述包括程序指令的存储器802，上述程序指令可由基覆型边坡破裂面预警的设备800的处理器801执行以完成上述的基覆型边坡破裂面预警的方法。
97.实施例4：相应于上面的方法实施例，本实施例中还提供了存储介质，下文描述的存储介质与上文描述的基覆型边坡破裂面预警的方法可相互对应参照。
98.存储介质，存储介质上存储有计算机程序，计算机程序被处理器执行时实现上述方法实施例的基覆型边坡破裂面预警的方法的步骤。
99.该存储介质具体可以为u盘、移动硬盘、只读存储器(read-only memory，rom)、随机存取存储器(random access memory，ram)、磁碟或者光盘等各种可存储程序代码的存储介质。
100.以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域图像的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
101.以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域图像的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。