一种堤防危险性智能探测与评价方法与流程

本发明涉及水利工程监测的，具体涉及一种堤防危险性智能探测与评价方法。

背景技术：

1、堤防工程能够江河湖泊周边需要防护的农村、农田和城区进行防护，提高区域防洪标准。然而堤防在长期服役过程中不可避免出现散浸、管涌等险情，若处置不当，将会给保护区经济发展带来严重灾害。当前堤防隐患监测与检测、应急决策和抢险处置仍以常规设备、既有经验和传统工艺为主，隐患监测检测的精确性、应急决策的准确性以及抢险处置的成效性难以保障。

2、随着抗洪抢险处置的要求不断提高。亟需在堤防隐患监测与检测、应急决策、抢险封堵新材料与新工艺等方面展开系统研究，提高堤防险情隐患排查、应急决策和抢险处置能力和水平，为提升防洪减灾能力、保障人民生命财产安全和社会经济可持续发展提供技术支撑。因此，需要提出一种对堤防危险性智能探测与评价的系统方法。

技术实现思路

1、本发明的目的在于克服上述背景技术的不足，提供一种堤防危险性智能探测与评价方法，该方法能够准确快速对堤防进行危险性识别与评价，对堤防当前的服役性态做出及时研判。

2、为实现上述目的，本发明所提供的一种堤防危险性智能探测与评价方法，包括如下步骤：首先采用双目视觉成像系统和多光谱成像系统对待探测与评价堤防进行监测，获取实测信息，将实测信息通过深度学习手段进行图像优化；同时针对待探测与评价堤防的填筑材料进行室内试验，得到堤防填筑料的物理力学和变形特性室内实验规律，结合填筑材料的本构关系得到其物理属性规律，将室内实验规律和物理属性规律通过挖掘算法获取先验信息；通过先验信息指导实测信息对待探测和评价堤防进行监测数据反演，获得堤防的真实物理力学和变形特性；最后构建致灾因子，采用堤防真实物理力学和变形特性对堤防进行危险性评价。

3、上述技术方案中，所述双目视觉成像系统采用搭载在移动载具上的立体视觉系统；所述多光谱成像系统采用搭载在移动载具上的红外高光谱成像系统。移动载具采用无人机或车、船。

4、上述技术方案中，所述的深度学习采用卷积神经网络(alexnet)、深度卷积神经网络(vggnet)、残差神经网络(resnet)、池化神经网络(lenet)中的一种或几种耦合。

5、上述技术方案中，所述室内实验规律包括室内实验对堤防填筑材料进行的渗漏、散浸和管涌模拟获得物理力学和变形特性。

6、上述技术方案中，所述物理属性规律包括堤防填筑材料的应力应变关系和沉降变形规律。

7、上述技术方案中，获取填筑材料的物理属性规律，结合待探测与评价堤防段填筑材料的分类和性状，选取邓肯-张(e-b)模型作为堤防填筑材料的本构关系。

8、上述技术方案中，所述的监测数据反演包括构建目标函数、计算机仿真和最优化三个步骤，其中构建目标函数形式如下：

9、

10、式中：β为影响堤防填筑材料的力学物理属性参数，θ0为影响堤防填筑材料的变形特性物理属性参数，n监测测点的个数；m为测点所选取的监测时间节点个数；tij*为相应的力学或变形监测的实测值，tij为第i个测点的在第j个时间点的力学或变形的计算机仿真计算值；

11、将不同的β和θ0不断的代入本构关系进行计算机仿真，获得一系列tij计算机仿真值；最优化为寻找一组β和θ0使得f取得最小值，当f取得最小值时，该组β和θ0即为反演结果。

12、上述技术方案中，所述的构建致灾因子包括危险性评价指标、暴露性评价指标和韧性评价指标。

13、上述技术方案中，构建致灾因子进行危险性评价，在致灾因子数据进行分析之前，首先将数据进行归一化处理，采用min-max标准化处理：

14、

15、式中，x*为样本标准化后的值，x为样本数据，max为样本数据的最大值，min为样本数据的最小值；

16、再采用相关系数法建立模糊相似矩阵确定相似系数：

17、

18、式中，rij值为样本数据xi与xj的相似程度，称之为相似系数；xij为第i个样本的第j项数据指标；所有不同类型的样本各项数据构成论域x＝{x1,x2,…xn}，xi＝{xi1,xi2,…xin}(i＝1,2,…n)，即数据矩阵a＝(xij)n×m；和分别为数据矩阵中i行和j列的均值；

19、对于不同的置信水平λ∈[0,1]，可以得到不同的分类结果，从而形成动态聚类图，具体步骤如下：

20、1)取λ1＝1(最大值)，对于每个xi作相似类：[xi]r＝{xj|rij＝1}，即满足rij＝1的xi和xj视为一类，构成相似类；

21、2)取λ2(λ2<λ1)为次大值，从r中直接找出相似程度为λ2的元素对(xi,xj)，即满足rij＝λ2，并相应的将对应的λ1＝1的等价分类中xi和xj所在的类合并为一类，即可得到λ2水平上的等价分；

22、3)依次取λ1>λ2>λ3…，按照第2)步的方法依次类推，直到合并到x成为一类位置，最后即可得到动态聚类图；

23、取不同的rij值将指标数据进行分类，形成动态聚类图，根据动态聚类图将监测数据结合先验信息分为危险性评价指标、暴露性评价指标和韧性评价指标作为致灾因子，按照相应权重进行叠加，生成河段危险性分布图。

24、上述技术方案中，所述危险性评价将致灾因子按照不同权重进行加权评价，采用不同风险等级进行分类。

25、与现有技术相比，本发明具有如下优点：

26、其一，本发明的堤防危险性智能探测与评价方法采用双目视觉成像系统和多光谱成像系统，结合填筑材料室内实验得到的物理属性规律，具有识别速度快、探测范围广、评价精度高的优点。

27、其二，本发明所提供的方法构建了致灾因子，可以根据大范围内不同堤防段的服役性态进行风险分类研判。

28、其三，本发明所提供的方法将室内实验规律和物理属性规律通过挖掘算法获取先验信息；通过先验信息指导实测信息对待探测和评价堤防进行监测数据反演，可以大幅降低前期数据采集的经费，降低监测后期维护费用，有着巨大的经济和社会效益。

技术特征：

1.一种堤防危险性智能探测与评价方法，其特征在于，包括如下步骤：首先采用双目视觉成像系统和多光谱成像系统对待探测与评价堤防进行监测，获取实测信息，将实测信息通过深度学习手段进行图像优化；同时针对待探测与评价堤防的填筑材料进行室内试验，得到堤防填筑料的物理力学和变形特性室内实验规律，结合填筑材料的本构关系得到其物理属性规律，将室内实验规律和物理属性规律通过挖掘算法获取先验信息；通过先验信息指导实测信息对待探测和评价堤防进行监测数据反演，获得堤防的真实物理力学和变形特性；最后构建致灾因子，采用堤防真实物理力学和变形特性对堤防进行危险性评价。

2.根据权利要求1所述的堤防危险性智能探测与评价方法，其特征在于，所述双目视觉成像系统采用搭载在移动载具上的立体视觉系统；所述多光谱成像系统采用搭载在移动载具上的红外高光谱成像系统。

3.根据权利要求1所述的堤防危险性智能探测与评价方法，其特征在于，所述的深度学习采用卷积神经网络(alexnet)、深度卷积神经网络(vggnet)、残差神经网络(resnet)、池化神经网络(lenet)中的一种或几种耦合。

4.根据权利要求1或2或3所述的堤防危险性智能探测与评价方法，其特征在于，所述室内实验规律包括室内实验对堤防填筑材料进行的渗漏、散浸和管涌模拟获得物理力学和变形特性。

5.根据权利要求1或2或3所述的堤防危险性智能探测与评价方法，其特征在于，所述物理属性规律包括堤防填筑材料的应力应变关系和沉降变形规律。

6.根据权利要求1或2或3所述的堤防危险性智能探测与评价方法，其特征在于，获取填筑材料的物理属性规律，结合待探测与评价堤防段填筑材料的分类和性状，选取邓肯-张(e-b)模型作为堤防填筑材料的本构关系。

7.根据权利要求1或2或3所述的堤防危险性智能探测与评价方法，其特征在于，所述的监测数据反演包括构建目标函数、计算机仿真和最优化三个步骤，其中构建目标函数形式如下：

8.根据权利要求1所述的堤防危险性智能探测与评价方法，其特征在于，所述的构建致灾因子包括危险性评价指标、暴露性评价指标和韧性评价指标。

9.根据权利要求8所述的堤防危险性智能探测与评价方法，其特征在于，构建致灾因子进行危险性评价，在致灾因子数据进行分析之前，首先将数据进行归一化处理，采用min-max标准化处理：

10.根据权利要求9所述的堤防危险性智能探测与评价方法，其特征在于，所述危险性评价将致灾因子按照不同权重进行加权评价，采用不同风险等级进行分类。

技术总结
本发明公开了一种堤防危险性智能探测与评价方法，该方法首先采用双目视觉成像系统和多光谱成像系统对待探测与评价堤防进行监测，获取实测信息，将实测信息通过深度学习手段进行图像优化；同时针对待探测与评价堤防的填筑材料进行室内试验，得到堤防填筑料的物理力学和变形特性室内实验规律，结合填筑材料的本构关系得到其物理属性规律，将室内实验规律和物理属性规律通过挖掘算法获取先验信息；通过先验信息指导实测信息对待探测和评价堤防进行监测数据反演，获得堤防的真实物理力学和变形特性；最后构建致灾因子，采用堤防真实物理力学和变形特性对堤防进行危险性评价。本发明方法具有识别速度快、探测范围广、评价精度高的优点。

技术研发人员：姬翔,马祺瑞,彭兴,岳志远,高力,刘佳明,万彪,程龙,沙松
受保护的技术使用者：长江勘测规划设计研究有限责任公司
技术研发日：
技术公布日：2024/1/12