(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111606875.2 (22)申请日 2021.12.24 (71)申请人 中铁西北 科学研究院有限公司 地址 730000 甘肃省兰州市城关区民主东 路365号 申请人 兰州理工大 学 (72)发明人 吴红刚　袁中夏　陈浩　廖小平　 李永强　周威扬　张俊德　牌立芳　 陈康帅　 (74)专利代理 机构 成都弘毅天承知识产权代理 有限公司 5123 0 专利代理师 丁存伟 (51)Int.Cl. G06Q 10/04(2012.01) G06N 3/04(2006.01)G06K 9/62(2022.01) G06Q 10/06(2012.01) G08B 21/10(2006.01) (54)发明名称 一种基于蠕变型滑坡动能变化率临滑预警 方法 (57)摘要 本发明公开了一种基于蠕变型滑坡动能变 化率临滑预警方法， 涉及滑坡预警技术领域， 解 决现有滑坡 预警不准确的问题， 通过采集与滑坡 相关的多源 数据， 构建基于动能变化率的循环神 经网络LSTM模型； 再对采集的多源数据降噪， 然 后运用GRA方法对降噪后的多源数据进行关联度 分析， 提取重要影响因素， 使数据降维并更新数 据集， 最后将初始 循环神经网络LSTM模型数据集 的前70％数据作为训练集， 其余数据作为测试 集， 对训练集运用GA算法通过基因编码不断优化 初始循环神经网络LSTM模型的权值和阈值， 再通 过输入测试集进行验证， 输出动能变化率预测结 果； 本发明提升了基于动能变化率的预警指标预 测准确度。 权利要求书4页 说明书11页 附图1页 CN 114548482 A 2022.05.27 CN 114548482 A 1.一种基于蠕变型滑坡动能变化 率临滑预警方法， 其特 征在于， 包括如下步骤： 步骤一、 数据采集： 采集与滑坡相关的多源数据， 构建基于动能变化率的循环神经网络 LSTM模型； 步骤二、 数据预处理： 对步骤一采集的多源数据， 基于最小二乘法， 运用双指针法调节 滑动窗口进行高阶多 项式拟合， 实现多源数据降噪处 理； 步骤三、 关联性分析： 运用GRA方法对降噪后的多源数据进行关联度分析， 设定关联度 阈值， 提取重要影响因素， 进行 数据降维并更新数据集， 得初始循环神经网络LSTM模型； 步骤四、 优化初始循环神经网络LSTM模型： 将初始循环神经网络LSTM模型数据集的前 70％数据作为训练集， 其余数据作为测试集， 对训练集运用GA算法通过基因编码优化初始 循环神经网络LSTM模型的权值和阈值， 再通过输入测试集进行验证， 输出动能变化率预测 结果。 2.根据权利要求1所述的一种基于蠕变型滑坡动能变化率临滑预警方法， 其特征在于， 步骤一所述的数据采集， 具体操作步骤如下： (1)通过深孔钻探获取钻孔的深部累计位移， 选择钻孔内部及其周边10米范围内的土 体， 钻孔自上而下按照位移传感器布设 间隔将监测孔等分成n段， 采用动能修订公 式计算测 孔动能(E)及动能变化 率 动能修订公式如下： 式中， mi为第i段圆柱体的质量； v1i和v2i分别为第i段圆柱体的上、 下端速度； vci为第i段 圆柱体的质心速度； Jc为第i段圆柱体的转动惯量； 通过 下式可计算得到： 式中， R为监测孔周围土体的直径， mi为第i段圆柱体的质量， li为第i段圆柱体的长量； 动能变化 率计算公式： 式中， t为时间； (2)构建基于动能变化 率的循环神经网络LSTM模型。 3.根据权利要求1所述的一种基于蠕变型滑坡动能变化率临滑预警方法， 其特征在于， 步骤二所述数据预处 理， 具体操作过程如下： 采用双指针算法， 用i， j表示滑动窗口的左边界和右边界， 通过改变i， j来扩展和收缩 滑动窗口， 这个滑动窗口的长度j ‑i+1， 对窗口内的数据进行高阶多项式拟合； 假设任意时 刻的预测值xt， 用式(1)表示： xt＝a0+a1*t+a2*t2+…+ak‑1*tk‑1+ εt (1) 式(1)中， ai为常数， t为任意时刻， εt为修正值； 则对于前后时刻的预测值， 同样采用式(1)计算， 一共可 得到2n+1个式权　利　要　求　书 1/4 页 2 CN 114548482 A 2将式(2)简化表示 为式(3)： X(2n+1)×1＝T(2n+1)×k×Ak×1+E(2n+1)×1 (3) 式(3)中， T(2n+1)×k为时间矩阵； Ak×1为系数矩阵； E(2n+1)×1为修正值矩阵； 采用最小二乘法， 如式(4)所示： 式(4)中， (Li(x)(i＝1， 2，…m))为残差函数； f(xi， wj)为理论函数； wi为待定参数； 通过最小二乘法运 算， 可以求 解Ak‑1的解为： A＝(Ttrans.T)‑1.Ttrans.X 其中上标trans表示 转置， 故模型的滤值(P)为： P＝T.A＝T.(Ttrans.T)‑1.Ttrans.X＝B.X 最终可以得到滤波值和观测值之间的关系矩阵(B)： B＝T.(Ttrans.T)‑1.Ttrans 求得关系矩阵B后， 即可将观测值 转化为滤波值， 完成数据降噪。 4.根据权利要求1所述的一种基于蠕变型滑坡动能变化率临滑预警方法， 其特征在于， 步骤三所述关联性分析， 具体分析步骤如下： (1)确定分析序列： 将不同时刻的动能变化率数据作为母序列， 其余各类致灾因子在不 同时刻的数据分别作为子序列1、 子序列2 …子序列n； (2)变量预处理： 求出每个序列的均值， 再将序列中的每个元素除以对应序列的均值， 由此去量纲缩小变量范围简化计算； (3)计算子序列 与母序列的关联系数： 母序列： X0＝(X0(1)， X0(2)...X0(n))T， 式中， X0(i)： 不同时刻的动 能变化率； 子序列： 式中， Xi(j)某类致 灾因子不同时刻的数据信息； 记a＝minimink|x0(k)‑xi(k)|为两极最小差； 记b＝maximaxk|x0(k)‑xi(k)|为两极最大 差； 关联系数γ(x0(k)， xi(k))计算公式如下： 式中， ρ 取值0.5， 由此 可得， 子序列 与母序列的关联系数γ(x0(k)， xi(k))； (4)计算灰色 关联度：权　利　要　求　书 2/4 页 3 CN 114548482 A 3