一种降雨植被多土层边坡稳定性预测方法及装置

本发明涉及边坡稳定性，尤其涉及一种降雨植被多土层边坡稳定性预测方法及装置。

背景技术：

1、随着全球气候变化加速，边坡稳定性成为了一个日益突出的问题。极端降雨提高了边坡灾害的风险，对人类和基础设施安全构成重大挑战。

2、目前，边坡稳定性评估多依赖于基于经验的方法，这些方法通常涉及使用历史数据和专家知识来估计边坡的稳定性。这些方法虽然在某些情况下有效，但往往缺乏对复杂地质条件和环境因素的综合考量。传统的物理仿真方法在边坡稳定性评估中虽然占有重要地位，但面对大规模和复杂地形的边坡稳定性问题时存在明显局限。需要对每个边坡进行详尽建模，耗费大量计算资源和时间。此外，它们在处理广阔区域时受限于计算能力和存储空间的限制，导致模拟过程可能变得缓慢甚至无法完成。

3、一些研究采用统计分析方法来评估边坡稳定性，通过分析历史滑坡事件与降雨、土壤性质等因素的关系来预测边坡失稳的可能性。这些方法虽然能够提供一定的预测能力，但通常受限于可用数据的质量和数量。一些地区已经建立了基于传感器的边坡稳定性监测和早期预警系统。这些系统能够在边坡出现失稳迹象时发出警报，但它们通常需要大量的传感器部署和维护工作，且对于预测降雨和植被影响的长期稳定性问题存在局限。

4、此外，尽管现有技术在边坡稳定性评估方面取得了一定的进展，但它们在处理多土层、植被覆盖且受降雨影响的边坡稳定性评估时存在着局限。这些模型通常缺乏对植被和降雨状态共同作用下的力学性质的深入理解，限制了在实际应用场景中的可解释性。植被根系能够增强土壤的抗剪强度和降低土壤渗透性。同时，非饱和土壤的不同水分和基质吸力状态直接影响其渗透性和抗剪强度，从而影响边坡的稳定性。

技术实现思路

1、本发明提供了一种降雨植被多土层边坡稳定性预测方法及装置，以考虑植被、降雨状态以及多土层因素共同作用时对边坡稳定性的影响。

2、根据本发明的一方面，提供了一种降雨植被多土层边坡稳定性预测方法，包括：

3、获取降雨参数以及边坡每一层的边坡参数，所述边坡包括植被层以及若干土层；

4、将降雨参数以及所述边坡每一层的边坡参数代入到预置植被多层土质边坡模型中，计算所述边坡的安全系数；

5、将所述降雨参数、所述边坡每一层的边坡参数以及所述边坡的安全系数作为一组样本，获取包含多组样本的数据集；所述数据集中包含不同降雨参数以及不同边坡参数的多组样本；

6、采用所述数据集训练降雨植被多土层边坡稳定性预测模型，得到训练好的降雨植被多土层边坡稳定性预测模型；

7、获取目标边坡每一层的边坡参数以及实时或者预报的降雨参数，将所述目标边坡每一层的边坡参数以及实时或者预报的降雨参数输入到训练好的所述降雨植被多土层边坡稳定性预测模型中，以预测所述目标边坡的所述安全系数。

8、可选的，所述边坡每一层的边坡参数至少包括边坡高度、边坡角度、初始地下水位、每一层饱和渗透系数、每一层土体残余含水率、每一层饱和含水率、每一层的初始粘聚力、每一层的初始内摩擦角、vg模型参数；

9、所述降雨参数至少包括降雨强度、降雨时长、降雨类型。

10、可选的，所述预置植被多层土质边坡模型包括：

11、考虑降雨参数以及初始地下水位不同的情况下的非饱和渗流控制模型、考虑包含植被以及多土层边坡的每一层任意一点的含水率模型、渗流模型、考虑包含植被以及多土层边坡的每一层非饱和土抗剪强度计算模型、以及不同降雨条件下植被多土层边坡的安全系数计算模型。

12、可选的，所述预置植被多层土质边坡模型包括：

13、考虑包含植被以及多土层边坡的每一层中任意一点的所述含水率模型为：

14、

15、θsi、θri为第i层土体中的饱和含水率、残余含水率；h为边坡高度；hi表示第i层土体中一点的高度；表示第i层土壤特性有关的vg模型参数；ni和mi表示第i层的vg模型参数；hi表示每一层的高度差；表示植被层的基质吸力；i=1，为植被层，h0=0；

16、经典vg饱和－非饱和渗流模型为：

17、

18、式中，kwi表示第i层土层的渗透系数；表示第i层土层的基质吸力；k0i为第i层土层的土体饱和渗透系数；

19、土质边坡在降雨参数以及初始地下水位不同的情况下在渗流作用下的非饱和渗流控制模型为：

20、

21、h总表示总水头，所述总水头跟降雨强度、降雨时长、初始地下水位和边坡角度有关；kxi、kyi分别为第i层的水平渗透系数和垂直渗透系数，与第i层土层的渗透系数kwi相关；θw（hi）为土坡在渗流过程中第i层的含水率； φi为第i层的基质吸力；x为水平方向，y为垂直方向；t为降雨时间，即非饱和渗流控制与降雨时长相关；

22、考虑包含植被以及多土层边坡的每一层非饱和土抗剪强度模型为：

23、

24、为非饱和土抗剪土强度；c'为有效黏聚力；为有效内摩擦角；表示第i层的基质吸力；为净法向应力，随土层含水率变化而变化；为吸力参数，随土层含水率变化而变化；每一层的有效黏聚力与每一层的初始粘聚力、每一层任意一点含水率以及土质相关；每一层的有效内摩擦力与每一层的初始内摩擦力、每一层任意一点含水率以及土质相关；

25、不同降雨条件下植被多土层边坡的安全系数计算模型为：

26、

27、c为降雨过后边坡的黏聚力；为降雨过后边坡的内摩擦角；、分别为边坡临界破坏时的粘聚力和内摩擦角。

28、可选的，还包括：

29、采用有限元强度折减法获得边坡临界破坏时的粘聚力和内摩擦角。

30、可选的，还包括：

31、构建关于随机森林模型的降雨植被多土层边坡稳定性预测模型。

32、可选的，所述采用所述数据集训练降雨植被多土层边坡稳定性预测模型，包括：

33、将数据集划分为训练集和测试集；

34、对于每一个训练样本，采用红嘴蓝鹊优化算法对所述随机森林模型的参数进行优化，以获得每一个训练样本最优的随机森林模型的参数配置；

35、采用测试集对所述随机森林模型进行测试，以评估所述随机森林模型的性能。

36、可选的，所述采用红嘴蓝鹊优化算法对随机森林模型的参数进行优化，包括：

37、定义超参数的搜索空间；所述超参数包括树的数量、每棵树的最大深度、每棵树的节点最小分裂样本数、每棵树的叶子节点最小样本数以及特征数的最大数量；

38、生成初始种群，所述初始种群中每个个体表示一组超参数的候选解；

39、寻找每个个体的目标，目标公式为：

40、

41、是个体小组目标的均值；q为小组大小；为本小组中的第m个个体；m为大于等于1小于等于q的常数；n为随机数；为本次迭代计算得到的当前个体的目标；为上一次迭代计算得到的当前个体的目标；

42、获得本次迭代的种群中找到的最优解，最优解的公式为：

43、

44、为当前找到的最优解；m为调整系数；为正态分布的随机数；

45、

46、调整系数m为：

47、

48、t为当前迭代次数；t为最大迭代次数；

49、以最小化损失函数来评估每次迭代中个体的适应性进行评估，适应性评估公式为：

50、

51、式中，为每个样本边坡的安全系数；每个样本的机器学习建模预测值；np表示样本的个数；

52、当迭代次数达到最大迭代次数或者个体的适应性小于等于适应性阈值时停止迭代，并输出最优的超参数，所述最优的超参数定义了所述随机森林模型的最优参数配置。

53、根据本发明的第二方面，提供了一种降雨植被多土层边坡稳定性预测装置，包括：

54、参数获取单元，用于获取降雨参数以及边坡每一层的边坡参数，所述边坡包括植被层以及若干土层；

55、计算单元，用于将降雨参数以及所述边坡每一层的边坡参数代入到预置植被多层土质边坡模型中，计算所述边坡的安全系数；

56、数据构建单元，用于将所述降雨参数、所述边坡每一层的边坡参数以及所述边坡的安全系数作为一组样本，获取包含多组样本的数据集；所述数据集中包含不同降雨参数以及不同边坡参数的多组样本；

57、训练单元，用于采用所述数据集训练降雨植被多土层边坡稳定性预测模型，得到训练好的降雨植被多土层边坡稳定性预测模型；

58、预测单元，用于获取目标边坡每一层的边坡参数以及实时或者预报的降雨参数，将所述目标边坡每一层的边坡参数以及实时或者预报的降雨参数输入到训练好的所述降雨植被多土层边坡稳定性预测模型中，以预测所述目标边坡的所述安全系数。

59、可选的，所述训练单元还用于将数据集划分为训练集和测试集；

60、对于每一个训练样本，采用红嘴蓝鹊优化算法对所述随机森林模型的参数进行优化，以获得每一个训练样本最优的随机森林模型的参数配置；

61、采用测试集对所述随机森林模型进行测试，以评估所述随机森林模型的性能。

62、本发明实施例的技术方案，通过在获取降雨参数以及边坡每一层的边坡参数，边坡包括植被层以及若干土层，并建立考虑植被、降雨状态以及多土层因素共同作用下的植被多层土质边坡模型，以对边坡稳定性进行分析，本发明能够更真实的反映了实际在降雨情况下包含植被多土层的边坡状态，并能得到更准确的边坡安全系数。通过引入降雨植被多土层边坡稳定性预测的机器学习模型，通过大量土坡数据样本的训练，得到具有良好泛化能力的降雨植被多土层边坡稳定性预测模型，并预测得到与实际情况更接近的稳定性分析结果。另一方面，本发明也能根据移植目标边坡的边坡参数，根据实时或者预报的降雨参数即可实时或者提前对边坡的安全性进行迅速预测并进行报警。

63、应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。