本發明涉及地質災害監測，具體涉及一種時效性高、人為干預少、判斷精準的懸垂巖失穩后危險區域等級智能劃分方法。

背景技術：

1、懸垂巖是由于風化、降雨、地震等外力作用，在邊坡或懸崖上形成的一種具有潛在崩塌風險的巖體。懸垂巖的失穩崩塌不僅會對工程結構構成威脅，也可能引發重大安全事故。因此，準確評估和劃分懸垂巖失穩后的危險區域等級，對于救災、減災和災后重建具有重要指導意義，也是當前地質災害防治中的重要課題。

2、目前，傳統的懸垂巖失穩后危險區域等級劃分，多依賴于人工巡查、現場勘測手段，然后通過專家會議的形式劃分出危險區域等級，不僅時效性較差，而且依賴人為經驗，導致判斷結果差異性較大，嚴重制約失穩后的救災、減災和災后重建。為此，也有對懸垂巖及其周邊通過事先勘測、挖探等技術手段，形成懸垂巖的基礎數據，并在基礎數據上進行定量計算，根據定量計算結果進行定性分析形成危險區域劃分預案，結合失穩后的現場勘測數據進行修正，最終劃分出危險區域等級；雖然前述方法相較傳統方法降低了人為影響，提供了判斷結果的精準性，但精準性及實效性仍然存在不足，而且對于分布位置高、地形陡峻、地表植被茂密的懸垂巖，現場勘測、挖探等技術手段難以有效應用，也影響了應用。

3、現有技術中，有通過現場勘測、雷達掃描及傳感器自動收集災后數據，然后使用matlab對災后數據進行曲線擬合，并采用bp神經網絡模型進行非線性映射，從而較為準確地劃分出危險區域的范圍和大致的災害體靜態狀況，為人工劃分失穩后危險區域等級提供數據支撐，相較災前勘測及預案減少了工作量，也提高了災后數據的獲取速度，有效提高了時效性。但是，由于后期仍然需要通過人工劃分，使得劃分結果的主觀性因素較大，導致劃分結果準確性差；而且缺乏災前數據支撐和災后僅能提供靜態狀況，從而無法提供地質基礎數據和諸如沖擊力、沖量變化等動態數據，因此導致提供劃分危險區域等級的數據存在嚴重不足，影響劃分結果的精準性，存在嚴重的安全隱患。

技術實現思路

1、針對現有技術中的不足，本發明提供了一種時效性高、人為干預少、判斷精準的懸垂巖失穩后危險區域等級智能劃分方法。

2、本發明是這樣實現的：包括數字高程模型獲取、巖土力學分析、懸垂巖失穩模擬、ahp構建評價體系、構建cnn模型、危險區域等級劃分步驟，具體內容為：

3、a、數字高程模型獲取：對懸垂巖的目標區域進行高分辨率的三維掃描，得到點云數據；然后對點云數據進行清洗及多層分辨率處理，生成高精度的數字高程模型；隨后根據現場的實際地形情況對數字高程模型進行精度校正；

4、b、巖土力學分析：對目標區域采樣并對巖土樣品進行巖土力學測試，得到力學參數；統計分析力學參數以確定其分布形式，計算出各參數的平均值、標準差和離散系數，通過多次迭代前述巖土力學測試對力學參數的分布范圍進行校準；

5、c、懸垂巖失穩模擬：將校正后的數字高程模型導入pfc軟件生成三維斜坡模型，將前述校準后的力學參數范圍對三維斜坡模型的不同區域賦值，并按斜坡的分層結構進行分區處理；通過力學參數多次迭代對三維斜坡模型的細觀參數進行調整，利用試錯法使三維斜坡模型模擬結果的宏觀響應與巖土力學測試的結果保持一致；然后在三維斜坡模型中設定邊界條件，并通過自由釋放懸垂巖模擬墜落過程，采用虛擬傳感器實時監測并記錄包括運動距離、最大沖擊力、堆積體積、沖量變化、橫向擴散寬度的關鍵參數；通過多次模擬墜落分析關鍵參數在不同條件下的變化，確定關鍵參數變化與風險等級的關聯性；

6、d、ahp構建評價體系：建立包括目標層、準則層及方案層的層次結構模型，其中目標層用于評估災害影響區域的風險等級，準則層由影響懸垂巖失穩的關鍵參數作為準則構成，方案層用于輸出災害影響區域的風險等級；構建基于準則層中關鍵參數兩兩比較的判斷矩陣，然后通過規范化判斷矩陣計算的權重向量，并對判斷矩陣的一致性進行檢驗以確保權重計算結果可信；構建評估災害影響區域風險等級的評價函數；

7、基于歷史數據并結合專家經驗，設定風險等級的劃分標準；然后將c步驟模擬得到的關鍵參數，通過評價函數計算得到最終的風險評分，根據風險評分匹配前述相應的風險等級；

8、e、構建cnn模型：基于c步驟多次模擬得到的關鍵參數數據構建多維度的災害數據集，并將數據集劃分為訓練集、驗證集及測試集；然后建立包括輸入層、卷積層、池化層、全連接層及輸出層的cnn模型，并采用訓練集、驗證集及測試集分別訓練、驗證及測試cnn模型，獲得最優狀態的cnn模型；

9、f、危險區域等級劃分：cnn模型接收實時獲取的懸垂巖失穩后的關鍵參數，快速計算并輸出危險區域對應的風險等級。

10、進一步地，所述a步驟具體過程如下：

11、a1、獲取目標區域點云數據：采用配備高精度定位系統和搭載激光雷達的飛行器，對懸垂巖的目標區域進行多角度多次高分辨率的三維掃描，得到目標區域的點云數據；

12、a2、構建dem：采用arcgis對前述點云數據進行清洗以去除無關因素，然后對點云數據采用自動邊界檢測算法進行多層分辨率處理，分層次提取懸垂巖及其周邊地形的特征，生成高精度的數字高程模型；

13、a3、dem校正：結合已有地形圖或實地測量數據，對數字高程模型進行多層次校正，并利用局部高分辨率數據處理技術對數字高程模型進行優化，得到數字高程模型。

14、進一步地，所述b步驟具體過程如下：

15、b1、巖土采樣：對懸垂巖體及其周邊斜坡區域通過分層隨機采樣，獲取巖土樣品；

16、b2、力學測試：在實驗室對采集的巖土樣品進行巖土力學測試，得到巖土樣品包括抗壓強度、彈性模量、泊松比、剪切強度和內摩擦角的力學參數；

17、b3、參數分析：對各力學參數進行統計分析，確定其包括正態分布、對數正態分布的分布形式，然后計算各力學參數的平均值、標準差和離散系數，隨后使用蒙特卡洛模擬方法對各力學參數的取值范圍進行進一步分析，推導各力學參數的不確定性模型，并結合實驗室力學測試結果，構建完整的參數分布模型；

18、b4、參數校準：結合貝葉斯推理對力學參數進行不確定性分析，然后通過歷史數據與實驗結果的結合，動態更新力學參數的分布范圍，并多次迭代力學測試的結果對力學參數的分布范圍進行校準。

19、進一步地，所述c步驟具體過程如下：

20、c1、pfc建模：將數字高程模型導入pfc軟件生成三維斜坡模型，依據前述校準后的巖土樣品力學參數分布范圍，將三維斜坡模型劃分為多個區域，然后使用蒙特卡洛隨機抽樣方法從參數分布中提取符合統計分布的樣本值，隨后對每個區域賦予隨機生成的參數值，并使用dem模型與地質調查報告，確定巖體的層次結構及節理分布，接著結合pfc的粒子生成算法，根據斜坡不同深度和巖性生成不同分區，對每個分區定義獨立的顆粒直徑、黏結強度及力學參數，最后對節理發育區施加節理網絡模擬，以不同接觸剛度和法向黏結力賦值；

21、c2、參數調整：以試錯法利用b步驟校準后的力學參數對三維斜坡模型多次迭代，從而調整三維斜坡模型包括接觸剛度、黏結強度的細觀參數反映真實的現場條件，使得三維斜坡模型的模擬結果中包括應力-應變曲線的宏觀響應與實驗室力學測試結果之間的差值小于5%，得到包含最適合細觀參數的三維斜坡模型；

22、c3、失穩過程模擬：在c2得到的三維斜坡模型中設定邊界條件，然后通過自由釋放使懸垂巖在重力作用下模擬墜落過程，采用虛擬傳感器實時監測并記錄包括運動距離、最大沖擊力、堆積體積、沖量變化、橫向擴散寬度的關鍵參數。

23、進一步地，所述c2中若模擬結果包括應力-應變曲線的宏觀響應與實驗室力學測試的結果之間的差值不小于5%，則繼續采用試錯法迭代調整三維斜坡模型的細觀參數。

24、進一步地，所述d步驟具體過程如下：

25、d1、層次結構模型構建：建立包括目標層、準則層及方案層并用于評估懸垂巖失穩災害的層次結構模型；其中目標層用于評估災害影響區域的風險等級，準則層由影響懸垂巖失穩的關鍵參數作為準則構成，方案層用于輸出災害影響區域的風險等級；

26、d2、判斷矩陣構建：構建準則層的關鍵參數中各參數進行兩兩比較的判斷矩陣，并依據專家意見或歷史數據確定每個參數相對其他參數的重要性；

27、d3、權重向量計算：所述通過規范化判斷矩陣計算的權重向量，是先計算判斷矩陣中每列的歸一化值，將判斷矩陣的每個元素除以其所在列的總和，得到歸一化矩陣；然后計算判斷矩陣中每行的平均值，得到各準則的權重向量；計算公式為：

28、，

29、其中： w i為第 i個準則的權重向量， a ij為第 i個因素相對于第 j個因素的重要性比值， n為矩陣的階數；

30、d4、一致性檢驗：先計算一致性指標 ci：

31、，

32、式中： λmax是判斷矩陣的最大特征值；

33、然后計算一致性比率 cr：

34、，

35、式中： ri為根據判斷矩陣的階數查表得出的隨機一致性指標；

36、若cr<0.1，則認為判斷矩陣的一致性可以接受，前述的權重向量計算結果可信；否則，需要重新調整判斷矩陣的值；

37、d5、評價函數構建：構建用于評估災害影響區域風險等級的評價函數，評價函數通過各準則的權重與實際監測到的參數值相乘，得到風險評估結果；評價函數為：

38、，

39、式中： s為最終風險評價結果， w i為第 i個參數的權重， x i為實際監測到的第 i個參數值；

40、d6、風險等級劃分：基于歷史數據并結合專家經驗，設定包括低風險、中等風險、高風險及極高風險的四級風險等級劃分標準；

41、d7、風險模型構建：構建基于評價函數計算得到的風險評價結果與風險等級之間自動對應的風險模型，將c步驟模擬得到的關鍵參數輸入風險模型，得到對應的風險等級。

42、需要說明的是，d7中的風險等級：定義靜態風險標準，作為cnn模型訓練和評估基線；而f步驟中的風險等級：基于實時數據動態評估，結合d7風險模型提供的基線進行校準與驗證；

43、應用關系：d7中的風險等級為f步驟提供模型訓練和評估的基礎，f步驟則以更實時、更動態的方式預測和更新風險等級，實現精準化災害評估和預警。

44、進一步地，還包括風險模型的動態更新：風險模型結合歷史數據、專家意見和實時獲取的監測數據，動態調整各準則的權重向量。

45、進一步地所述e步驟具體過程如下：

46、e1、數據集構建：獲取c步驟多次數值模擬改變懸垂巖體和坡體的關鍵參數而生成的數據，并將數據標準化處理，然后構建包括訓練集、驗證集及測試集的多維度災害數據集；

47、e2、cnn模型構建：建立包括輸入層、卷積層、池化層、全連接層及輸出層的cnn模型；其中，輸入層輸入標準化后的關鍵參數；標準化公式為：

48、，

49、式中： x為原始輸入數據， x'為標準化后的數據， μ和 σ為原始數據的均值和標準差；

50、卷積層使用多個卷積核在輸入數據上滑動，自動從輸入參數中提取局部的非線性特征；卷積操作公式為：

51、，

52、式中： z i, j為第 i個輸入數據特征相對于第 j個不同特征的卷積層輸出； w k為卷積核， x i+k-1,j+k-1為輸入數據第i+k-1,j+k-1位置的值； k為卷積核的第 k個權重索引，對應卷積核的權重參數 w k； n為卷積核的大小，即卷積核包含的總權重個數； i和 j表示輸入數據的位置索引，分別代表輸入數據矩陣的行和列，或特征圖的行和列； b為偏置， f( x)為激活函數， f( x)=max(0, x)，；

53、池化層用于減少卷積層輸出的維度，保留重要特征并降低計算復雜度；常用的最大池化操作為：

54、；

55、全連接層通過神經元的連接將卷積層提取到的特征與輸出風險等級相關聯，計算公式為：

56、，

57、式中： z是輸出的矩陣或張量，表示從上一層傳遞過來的激活值； fc即全連接層，用于將卷積層提取到的特征通過線性組合映射到最終的輸出； z( fc)為全連接層輸出， w( fc)為權重矩陣， b( fc)為偏置， f( x)為激活函數；

58、輸出層通過softmax函數進行多分類預測，將全連接層輸出映射為各風險等級的概率：

59、，

60、式中：為預測風險等級 j概率， k為風險等級的數量， j代表輸出矩陣中的列索引的位置索引，在卷積操作中， j索引了輸出特征圖中的每一列，或者是每個卷積窗口中要計算的特征； x為原始輸入數據，包括最大沖擊力、堆積體積、運動距離、沖量變化、橫向擴散寬度；

61、e3、cnn模型訓練：利用多維度災害數據集中的訓練集訓練cnn模型，然后利用多維度災害數據集中的驗證集及測試集分別驗證、測試cnn模型，并計算測試準確率，若cnn模型的測試準確率小于0.95，則重新調整cnn模型的參數并再次進行訓練、驗證及測試，否則將此cnn模型作為最優狀態的cnn模型。

62、進一步地，所述f步驟具體過程如下：

63、f1、實時數據輸入：通過傳感器和監測系統，實時獲取懸垂巖失穩后的關鍵參數并輸入到最優狀態的cnn模型中；

64、f2、風險等級判斷：最優狀態的cnn模型根據輸入關鍵數據，對參數之間復雜關系的識別，快速判斷并輸出當前區域對應的風險等級。

65、進一步地，所述f步驟還包括：最優狀態的cnn模型輸出的風險等級結果通過gis平臺在三維地形圖中進行可視化展示，gis平臺根據監測數據的變化，動態調整可視化展示中每個區域的風險等級。

66、顆粒接觸剛度：描述顆粒接觸時的彈性響應。

67、法向黏結力：顆粒間抗拉的最大力。

68、切向黏結力：顆粒間抗剪的最大力。

69、顆粒尺寸分布：生成顆粒的粒徑范圍和分布模式。

70、摩擦系數：顆粒間滑動阻力的量化。

71、密度：顆粒材料的質量密度。

72、本發明的有益效果：

73、1、本發明通過對懸垂巖的目標區域進行高分辨率的三維掃描，經處理后生成高精度的數字高程模型，不僅為失穩后危險區域等級的劃分提供數據支撐，從而提高后續劃分的精準性，而且通過高分辨率的三維掃描，解決了代替傳統勘測和挖探對于分布位置高、地形陡峻、地表植被茂密的懸垂巖難以有效應用的不足。特別是對懸垂巖及其周邊區域的巖土樣品進行巖土力學測試，為后續提高智能劃分危險區域等級的精確性進一步打下基礎。

74、2、本發明采用pfc技術，確定了關鍵參數變化與風險等級的關聯性；然后通過ahp構建評價體系，從而構建評估災害影響區域風險等級的評價函數及設定風險等級的劃分標準，通過評價函數計算得到最終的風險評分定量匹配相應風險等級；隨后構建cnn模型，并通過cnn模型接收實時獲取的懸垂巖失穩后的關鍵參數，快速計算并輸出危險區域對應的風險等級，實現了風險等級劃分的智能化，不僅有效解決了現有風險等級劃分時效性低的問題，而且還降低了劃分過程中的主觀性因素，并且還能通過失穩前采用具有最適合細觀參數的三維斜坡模型模擬失穩過程，過程中通過虛擬傳感器實時監測并記錄最大沖擊力及沖量變化等動態數據，從而使得后期cnn模型在風險等級劃分時能夠結合動態和靜態數據，有效提高了風險等級劃分結果的精準性，可消除失穩后救災、減災和災后重建過程中的安全隱患。

75、綜上所述，本發明具有時效性高、人為干預少、判斷精準的特點。