一种基于机器学习的边坡失稳时空概率的评估方法

本发明涉及边坡失稳时空概率评估的，具体而言，涉及一种基于机器学习的边坡失稳时空概率的评估方法。

背景技术：

1、边坡工程在其运维过程中不可避免受到多种外界条件的影响，致使其长期服役性能劣化，进而可能诱发边坡失稳问题。一些边坡失稳破坏危害巨大，会对工程结构及人民生命财产造成不可逆转的损失。边坡位移是边坡失稳演化过程中的关键信息，可表征边坡状态的发展趋势。目前，边坡位移预测被认为是实现边坡灾害预报预警的最有效手段之一，因此，为有效避免边坡失稳所导致的损失，如何针对边坡位移做出可靠预测并实现超前评估意义重大。

2、伴随机器学习(machine learning,ml)模型在边坡位移确定性预测中的推广应用，预测结果的准确性得到了保证。而对边坡这一随机性、高风险性的系统而言，在ml位移预测过程中存在多种不确定性。由于地形条件、作业环境的限制，常出现边坡位移测点布置稀疏的问题，导致边坡部分位置无监测数据，影响了不确定性预测结果的空间完整性和丰富性。

3、边坡位移预测应落脚于安全状态评估和风险防范。在边坡安全评价方面，位移切线角是一个成熟、有效的预警指标，可通过边坡位移值计算，但要实现真正意义上的边坡失稳预报以防范灾害，有必要在获得监测数据之前就对边坡未来变形情况进行超前评估。但既有研究多停留于预测层次或为风险防范提供“参考借鉴”的阶段，并未针对丰富的预测信息做有效利用。仅有少量学者基于位移预测结果开展边坡安全评价的研究，且预警仍然是基于点预测结果，由于点预测的误差，显然基于这种带有误差的预测结果所得的确定性评估结论的可靠性有待提升。

技术实现思路

1、本发明所要解决的技术问题在于提供一种具有较好的预测精度和泛化能力的基于机器学习的边坡失稳时空概率的评估方法。

2、为了实现上述目的，本发明提供了一种基于机器学习的边坡失稳时空概率的评估方法，技术方案如下：

3、一种基于机器学习的边坡失稳时空概率的评估方法，包括以下步骤：

4、step100，基于bootstrap算法、gru算法和kriging算法，建立bgk边坡位移时空不确定性预测模型，输出边坡位移时空不确定性预测结果；

5、step200，基于可靠度理论挖掘边坡位移时空不确定性预测结果，建立边坡失稳时空概率评估模型，输出边坡失稳时空概率区间；

6、step300，基于最不利原则构建边坡全断面位移-失稳概率二元耦合分析指标dp，根据dp的数值大小判定边坡整体的安全性高低。

7、作为上述的评估方法的进一步改进：step100具体包括以下步骤：

8、step110，建立边坡累计位移数据集并将其划分为边坡累计位移训练集和边坡累计位移测试集；利用bootstrap算法对边坡累计位移训练集进行重采样得到伪训练集；对伪训练集进行训练，得到gru模型；向gru模型中输入边坡累计位移测试集，得到位移预测结果；处理位移预测结果后得到真实边坡位移回归值与认知误差方差的估计；

9、step120，构建平方残差序列进行拟合，将平方残差序列和边坡累计位移数据集组合得到平方残差数据集，并划分为平方残差训练集和平方残差测试集；对平方残差训练集进行训练，得到bp模型；向bp模型中输入平方残差测试集，得到随机误差方差预测结果；

10、step130，构造边坡位移预测区间，并对其质量进行评价；

11、step140，采用kriging模型对边坡位移预测区间进行空间插值运算，得到bgk边坡位移时空不确定性预测模型，输出边坡位移时空不确定性预测结果。

12、作为上述的评估方法的进一步改进：step200包括以下步骤：

13、step210，采用边坡位移切线角作为预警指标，计算边坡位移切线角以及边坡失稳破坏切线角阈值区间；

14、step220，基于可靠度理论和过边坡可靠指标计算方法，计算得到边坡失稳时空概率区间。

15、本发明的基于机器学习的边坡失稳时空概率的评估方法具有以下优点：

16、第一，本发明首先在既有高精度确定性预测模型的基础上，引入bootstrap算法从不确定性预测理论解决上述问题；其次，将具备性能强劲、动态传播等特点的门控循环单元(gated recurrent unit，gru)融入既有bootstrap框架；进一步引入克里金(kriging)插值方法进行空间插值，为后续边坡整体安全评价提供丰富预测信息；最终建立了基于bootstrap算法度量ml边坡位移预测中的认知和随机不确定性、利用gru算法预测边坡单一点位的位移时间特征、采用kriging算法插值边坡空间点位的位移空间分布的bgk(bootstrap-gru-kriging)边坡位移时空不确定性预测模型，兼具ml边坡位移预测不确定性量化和时空分布预测功能，有效解决了基于机器学习进行边坡位移预测中的不确定性及预测信息挖掘深度不够等问题。

17、第二，本发明采用的可靠度理论是一种结构可靠性的概率度量手段，利用可靠度理论挖掘位移时空不确定性预测结果，所建立的边坡失稳时空概率评估模型能得到边坡失稳概率空间分布及时变特性，可以为边坡位移不确定性预测信息的深度挖掘以及边坡超前评估提供有效途径。

18、第三，上述所得的边坡失稳时空概率分布可反应边坡各局部位置的安全状态，但无法反应边坡整体。为进一步评估边坡整体的安全状态，本发明基于最不利原则提出边坡全断面位移-失稳概率二元耦合分析指标dp可响应边坡变形过程中外界所造成的影响，实现边坡整体(全断面)的失稳概率进行综合高效评估。

19、综上可知，本发明的评估方法所建立的bgk边坡位移时空不确定性预测模型、基于可靠度理论建立边坡失稳时空概率评估模型以及基于最不利原则提出边坡全断面位移-失稳概率二元耦合分析指标dp能够实现边坡失稳时空概率的高效评估，所得边坡失稳时空概率区间清晰可靠，各测点预测区间覆盖率picp均值高于96％，dp可响应边坡变形过程中外界所造成的影响，实现边坡整体(全断面)的失稳概率进行综合高效评估，并且具有较好的预测精度和泛化能力，为边坡失稳时空概率评估提供一条新的思路。

技术特征：

1.一种基于机器学习的边坡失稳时空概率的评估方法，其特征在于：包括以下步骤：

2.如权利要求1所述的评估方法，其特征在于：step100具体包括以下步骤：

3.如权利要求2所述的评估方法，其特征在于：step110包括以下步骤：

4.如权利要求3所述的评估方法，其特征在于：step120包括以下步骤：

5.如权利要求4所述的评估方法，其特征在于：step130包括以下步骤：

6.如权利要求5所述的评估方法，其特征在于：step140包括以下步骤：

7.如权利要求1所述的评估方法，其特征在于：step200包括以下步骤：

8.如权利要求7所述的评估方法，其特征在于：step210包括以下步骤：

9.如权利要求8所述的评估方法，其特征在于：step220包括以下步骤：

10.如权利要求9所述的评估方法，其特征在于：step300中边坡全断面位移-失稳概率二元耦合分析指标dp如下：

技术总结
本发明公开了一种具有较好的预测精度和泛化能力的基于机器学习的边坡失稳时空概率的评估方法，包括以下步骤：Step100，基于Bootstrap算法、GRU算法和Kriging算法，建立BGK边坡位移时空不确定性预测模型，输出边坡位移时空不确定性预测结果；Step200，基于可靠度理论挖掘边坡位移时空不确定性预测结果，建立边坡失稳时空概率评估模型，输出边坡失稳时空概率区间；Step300，基于最不利原则构建边坡全断面位移‑失稳概率二元耦合分析指标DP，根据DP的数值大小判定边坡整体的安全性高低。

技术研发人员：王武斌,邓志兴,谢康,郝哲睿,李佳珅,肖宪普
受保护的技术使用者：西南交通大学
技术研发日：
技术公布日：2024/7/9