(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202110366037.6 (22)申请日 2021.04.0 6 (65)同一申请的已公布的文献号 申请公布号 CN 113496099 A (43)申请公布日 2021.10.12 (73)专利权人 西南交通大 学 地址 610031 四川省成 都市二环路北一段 (72)发明人 程印　王建锋　刘同同　张迎宾　 何毅　余海洪　 (74)专利代理 机构 重庆市信立达专利代理事务 所(普通合伙) 50230 专利代理师 包晓静 (51)Int.Cl. G06F 30/27(2020.01) G06N 3/08(2006.01)G06F 16/2458(2019.01) G06Q 50/26(2012.01) (56)对比文件 CN 110378055 A,2019.10.25 CN 111191880 A,2020.0 5.22 US 2011/0257974 A1,201 1.10.20 刘爱娟等.考虑动态临界加速度的地震边坡 永久位移预测模型研究. 《地震工程学报》 .2021, 全文. 审查员 舒瀚 (54)发明名称 一种基于深度学习的边坡永久位移预测模 型训练方法 (57)摘要 本发明属于边坡位移预测技术领域， 公开了 一种基于深度学习的边坡永久位移预测模型训 练方法， 包括： 获取地震动数据， 根据地震动数据 构建数据库； 根据地震动数据中的地震特征参 数， 计算得到地震动强度参数， 并存放至数据库 中的对应位置； 根据地震动数据对应场地的土体 参数、 边坡几何参数和环境参数， 计算得到边坡 临界加速度， 并存放至数据库中的对应位置； 根 据地震动数据的加速度时程， 计算得到Newmark 法地震作用下边坡永久位移， 并存放至数据库中 的对应位置； 构建深度学习模型， 通过数据库训 练深度学习模型， 得到调参后的深度学习模型， 作为边坡永久位移预测模型。 本发 明对边坡永久 位移的预测准确度高， 有利于判断边坡因地震导 致滑坡的潜在风险。 权利要求书1页 说明书4页 附图2页 CN 113496099 B 2022.05.06 CN 113496099 B 1.一种基于深度学习的地震作用下边坡永久位移预测方法， 其特征在于， 训练方法包 括： 获取地震动数据， 根据地震动数据构建数据库； 根据地震动数据中的地震特征参数， 计算得到地震动强度参数， 并存放至数据库中的 对应位置， 所述地震 特征参数包括震级、 距离与场地类别， 所述地震动强度参数包括地震峰 值加速度、 地震峰值速度和阿里亚斯 强度， 采用式(1)至(3)分别计算地震峰值加速度、 地震 峰值速度和阿里亚 斯强度： 式(1)至(3)中， M为震 级， R为距离； 根据地震动数据对应场地的土体参数、 边坡几何参数和环境参数， 计算得到边坡临界 加速度， 并存放至数据库中的对应位置， 采用式(4)计算 边坡临界加速度： 式(4)中， ac为边坡临界加速度值， c'为土体有效粘聚力， γ为土体重度， γw为水重度， α 为坡角， 为土体有效内摩擦角， m为 地下水位系数， t为垂直于破坏面土的厚度； 根据地震动数据的加速度时程， 计算得到Newmark法地震作用下边坡永久位移， 并存放 至数据库中的对应位置， 采用式(5)计算 Newmark法地震作用下边坡永久位移： 式(5)中， ah、 av分别为地震动加速度水平、 竖向分量； 构建深度学习模型， 通过数据库训练深度 学习模型， 得到调参后的深度 学习模型， 作为 边坡永久位移预测模型。 2.根据权利要求1所述的一种基于深度学习的地震作用下边坡永久位移预测方法， 其 特征在于， 获取地震动数据， 包括： 访问全球已有的地震动数据库， 采用如下标准挑选出浅 层地壳地震动记录： 矩震 级Mw≥4； 断层距Rrup≤300km； 地面峰值加速度PGA≥0.0 01g。 3.根据权利要求1所述的一种基于深度学习的地震作用下边坡永久位移预测方法， 其 特征在于， 所述土体参数包括土体有效粘聚力、 土体重度和有效内摩擦角； 所述边坡几何参 数包括坡角， 所述环境 参数包括 地下水位系数。 4.根据权利要求1所述的一种基于深度学习的地震作用下边坡永久位移预测方法， 其 特征在于， 所述构建深度学习模型， 通过数据库训练深度学习模型， 具体为： 以数据库中的 地震特征参数、 地震动强度参数和边坡临界加速度为输入， 以对应的Newmar k边坡永久位移 为输出， 建立深度神经网络模型并进行训练。权　利　要　求　书 1/1 页 2 CN 113496099 B 2一种基于深度学习的边坡永久位移预测模型训练方 法 技术领域 [0001]本发明涉及边坡位移预测技术领域， 尤其涉及一种基于深度学习的边坡永久  位 移预测模型训练方法。 背景技术 [0002]区域地震滑坡危险性分析是指潜在地震情况下， 分析其地震诱发滑坡的空间  分 布概率， 提供滑坡具体的位置、 体量等危险性描述要素。 当前进行区域地震滑  坡危险性分 析的主要步骤为： 边坡参数信息获取、 Newmark边坡永久位移预测模  型建立和区域地震滑 坡危险性评价。 其中Newmark永久位移预测模型建立， 目前  专家主要采用简单回归方法进 行建立， 取地震动样本充分性存在不足， 预测精度  和效果有待提升。 使用多参数进行回归 分析时， 采取传统回归 模型方法也较为困难。 发明内容 [0003]本发明意在提供一种基于深度学习的边坡永久位移预测模型训练方法， 以解  决 现有技术中的永久位移预测模型 预测精度差的问题。 [0004]为达到上述目的， 本发明提供如下技 术方案： [0005]一种基于深度学习的边坡永久位移预测模型训练方法， 所述训练方法包括： [0006]获取地震动数据， 根据地震动数据构建数据库； [0007]根据地震动数据中的地震特征参数， 计算得到地震动强度参数， 并存放至数  据库 中的对应位置； [0008]根据地震动数据对应场地的土体参数、 边坡几何参数和环境参数， 计算得到  边坡 临界加速度， 并存放至数据库中的对应位置； [0009]根据地震动数据的加速度时程， 计算得到Newmark法地震作用下边坡永久位  移， 并存放至数据库中的对应位置； [0010]构建深度学习模型， 通过数据库训练深度学习模型， 得到调参后的深度学习  模 型， 作为边坡永久位移预测模型。 [0011]优选地， 获取地震动数据， 包括： 访问全球已有的地震动数据库， 采用如下  标准挑 选出浅层地壳地震动记录： 矩震级Mw≥4； 断层距Rrup≤300km； 地面峰值  加速度PGA≥ 0.001g。 [0012]优选地， 所述地震特征参数包括震级、 距离与场地类别， 所述地震动强度参  数包 括地震峰值加速度、 地震峰值速度和阿里亚 斯强度。 [0013]优选地， 采用式(1)至(3)分别计算地震峰值加速度、 地震峰值速度和阿  里亚斯强 度： [0014] [0015] 说　明　书 1/4 页 3 CN 113496099 B 3