本發(fā)明涉及滑坡預(yù)測(cè)，具體涉及一種連續(xù)介質(zhì)神經(jīng)網(wǎng)絡(luò)耦合滑坡預(yù)測(cè)計(jì)算方法、裝置和介質(zhì)。

背景技術(shù)：

1、滑坡碎屑流是一種廣泛存在的地質(zhì)現(xiàn)象?；滤樾剂鳛?zāi)害由地震、火山爆發(fā)、冰川消融、滑坡、暴雨等多種外在因素觸發(fā)，以沖擊、淤埋、侵蝕為主要的危害方式，可以對(duì)人類(lèi)的生命和財(cái)產(chǎn)安全造成嚴(yán)重的危害。它是一種由大量固體顆粒、少量水體介質(zhì)和氣體所組成的多相流體；受重力的驅(qū)動(dòng)能夠在溝谷中或者坡地上快速地流動(dòng)，其流態(tài)往往是復(fù)雜多變的，且大多具有高速遠(yuǎn)程的特點(diǎn)。碎屑流體內(nèi)固體顆粒物質(zhì)的相互作用十分復(fù)雜，綜合影響著碎屑流的流動(dòng)性。

2、區(qū)別于一般性的滑坡所表現(xiàn)出的似剛體運(yùn)動(dòng)性質(zhì)，常見(jiàn)的碎屑流整體運(yùn)動(dòng)呈流體狀，具有明顯的流變特性。碎屑流由大量松散顆粒物質(zhì)所組成，顆粒粒徑較大且相互接觸形成骨架，接觸力對(duì)運(yùn)動(dòng)起主要作用。碎屑流整體性的流動(dòng)往往具有高速遠(yuǎn)程的特點(diǎn)?；诖?，滑坡動(dòng)力過(guò)程模擬預(yù)測(cè)滑坡的能力還有待提高。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明提供一種連續(xù)介質(zhì)神經(jīng)網(wǎng)絡(luò)耦合滑坡預(yù)測(cè)計(jì)算方法、裝置和介質(zhì)，以解決現(xiàn)有的上述技術(shù)問(wèn)題。

2、根據(jù)本發(fā)明的第一方面，提供了一種連續(xù)介質(zhì)神經(jīng)網(wǎng)絡(luò)耦合滑坡預(yù)測(cè)計(jì)算方法，包括：

3、劃定參數(shù)空間；

4、根據(jù)所述參數(shù)空間，通過(guò)連續(xù)介質(zhì)理論單相流模型模擬不同參數(shù)組合下的滑坡；其中，根據(jù)單相淺水波模型，確定不同參數(shù)組合下滑坡的信息，所述信息包括流速、流深和堆積場(chǎng)中的至少一項(xiàng)；

5、根據(jù)深度神經(jīng)網(wǎng)絡(luò)及監(jiān)督式學(xué)習(xí)，確定最優(yōu)滑坡參數(shù)組合；

6、輸入所述最優(yōu)參數(shù)組至單相淺水波模型，進(jìn)行最終的滑坡動(dòng)力過(guò)程數(shù)值模擬。

7、優(yōu)選地，所述通過(guò)連續(xù)介質(zhì)理論單相流模型模擬不同參數(shù)組合下的滑坡中，

8、針對(duì)滑坡-碎屑流堵江流體力學(xué)的計(jì)算模型，基于滑坡-碎屑流物質(zhì)為一種簡(jiǎn)化、三維、單相、等溫的固相物質(zhì)假設(shè)，通過(guò)偏微分方程進(jìn)行求解，即下述公式：

9、

10、

11、式中，代表對(duì)密度ρ作對(duì)時(shí)間t的偏微分，為偏微分算子,ρs為固體密度，為散度算子，為矢量叉乘算子，us、vs為滑坡碎屑流沿x、y方向的速度分量，g為重力加速度，t為二階應(yīng)力張量。

12、優(yōu)選地，求解us的時(shí)空分布，通過(guò)深度積分平均簡(jiǎn)化后得到的滑坡-碎屑流單相介質(zhì)模型控制方程，忽略滑坡-碎屑流特征在垂向的分布，從而對(duì)滑坡-碎屑流特征在空間的平面分布進(jìn)行求解，即下述公式：

13、

14、式中，hs為滑坡碎屑流流深，us、vs為滑坡碎屑流沿x、y方向的速度分量，fbx、fby為滑坡碎屑流沿x、y方向的基底摩阻力，有以下流體力學(xué)計(jì)算模型的公式：

15、

16、式中，uw為速度弱化開(kāi)始的特征速度，‖u‖為速度矢量的模，μw為靜摩擦系數(shù)，μ0為動(dòng)摩阻力系數(shù)，g為重力加速度，h為滑坡體的深度，θ為坡腳。

17、優(yōu)選地，有模阻力模型故公式6和μ(u)的關(guān)系為：

18、

19、其中，μ(u)是摩阻力系數(shù)為特征速度的一個(gè)函數(shù)。

20、優(yōu)選地，所述根據(jù)深度神經(jīng)網(wǎng)絡(luò)及監(jiān)督式學(xué)習(xí)，確定最優(yōu)滑坡參數(shù)組合中，

21、根據(jù)所述深度神經(jīng)網(wǎng)絡(luò)，對(duì)模擬的不同參數(shù)組下堆積信息與真實(shí)條件下的情況進(jìn)行監(jiān)督式學(xué)習(xí)及驗(yàn)證，通過(guò)深度神經(jīng)網(wǎng)絡(luò)模型確定與真實(shí)情況最符合的滑坡參數(shù)組，即得所述最優(yōu)滑坡參數(shù)組合。

22、優(yōu)選地，所述深度神經(jīng)網(wǎng)絡(luò)模型設(shè)為bp神經(jīng)網(wǎng)絡(luò)模型，所述bp神經(jīng)網(wǎng)絡(luò)模型基于誤差梯度下降的傳播準(zhǔn)則對(duì)網(wǎng)絡(luò)進(jìn)行迭代訓(xùn)練；所述bp神經(jīng)網(wǎng)絡(luò)模型的結(jié)構(gòu)包括：輸入層、隱藏層和輸出層；輸入向量為：x＝(x1，x2，…，xi，…，xj)t，輸入層到隱藏層的權(quán)值用v表示，v＝(v1，v2，…，vi，…，vk)t，其中，vi為隱藏層的第i個(gè)神經(jīng)元對(duì)應(yīng)的權(quán)重向量；隱藏層的輸出向量為：y＝(y1，y2，…，yi，…，vk)t，隱藏層到輸出層的權(quán)重矩陣用w代表，w＝(w1，w2，…，wi，…，wk)t，其中，向量wi為輸出層的第i個(gè)神經(jīng)元對(duì)應(yīng)的權(quán)重向量，t表示向量的轉(zhuǎn)置。

23、優(yōu)選地，bp神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練包括：

24、輸入值通過(guò)神經(jīng)網(wǎng)絡(luò)模型的計(jì)算得到一個(gè)輸出，即為預(yù)測(cè)值，其中，每個(gè)輸入對(duì)應(yīng)已知的輸出；

25、對(duì)比所述預(yù)測(cè)值與已知的實(shí)際值之間的差距，然后計(jì)算網(wǎng)絡(luò)結(jié)構(gòu)中損失函數(shù)的梯度值；

26、根據(jù)反饋修改各層權(quán)值，實(shí)現(xiàn)最小化損失函數(shù)。

27、根據(jù)本發(fā)明的第二方面，提供了一種連續(xù)介質(zhì)神經(jīng)網(wǎng)絡(luò)耦合滑坡預(yù)測(cè)計(jì)算裝置，包括：

28、劃定模塊，用于劃定參數(shù)空間；

29、模擬模塊，用于根據(jù)所述參數(shù)空間，通過(guò)連續(xù)介質(zhì)理論單相流模型模擬不同參數(shù)組合下的滑坡；其中，根據(jù)單相淺水波模型，確定不同參數(shù)組合下滑坡的信息，所述信息包括流速、流深和堆積場(chǎng)中的至少一項(xiàng)；

30、確定模塊，用于根據(jù)深度神經(jīng)網(wǎng)絡(luò)及監(jiān)督式學(xué)習(xí)，確定最優(yōu)滑坡參數(shù)組合；和

31、最終模擬模塊，用于輸入所述最優(yōu)參數(shù)組至單相淺水波模型，進(jìn)行最終的滑坡動(dòng)力過(guò)程數(shù)值模擬。

32、根據(jù)本發(fā)明的第三方面，提供了一種電子設(shè)備，包括以下步驟：

33、存儲(chǔ)器；和

34、處理器；

35、其中，所述存儲(chǔ)器用于存儲(chǔ)一條或多條計(jì)算機(jī)指令；所述一條或多條計(jì)算機(jī)指令被所述處理器執(zhí)行以實(shí)現(xiàn)如上任意一項(xiàng)所述的方法。

36、根據(jù)本發(fā)明的第四方面，提供了一種可讀存儲(chǔ)介質(zhì)，所述可讀存儲(chǔ)介質(zhì)上存儲(chǔ)有計(jì)算機(jī)指令；其中，所述計(jì)算機(jī)指令被處理器執(zhí)行時(shí)，實(shí)現(xiàn)如上任意一項(xiàng)所述的方法。

37、本發(fā)明的技術(shù)方案，針對(duì)我國(guó)高速遠(yuǎn)程的碎屑流現(xiàn)象，從顆粒物質(zhì)流動(dòng)力學(xué)的角度出發(fā)，研究其運(yùn)動(dòng)特性，實(shí)現(xiàn)滑坡動(dòng)力過(guò)程模擬?？梢詮V泛提高對(duì)滑坡碎屑流起動(dòng)-運(yùn)動(dòng)-致災(zāi)范圍的預(yù)測(cè)能力，對(duì)我國(guó)山區(qū)防災(zāi)減災(zāi)具有重要的科學(xué)意義。

技術(shù)特征：

1.一種連續(xù)介質(zhì)神經(jīng)網(wǎng)絡(luò)耦合滑坡預(yù)測(cè)計(jì)算方法，其特征在于，包括：

2.根據(jù)權(quán)利要求1所述的連續(xù)介質(zhì)神經(jīng)網(wǎng)絡(luò)耦合滑坡預(yù)測(cè)計(jì)算方法，其特征在于，所述通過(guò)連續(xù)介質(zhì)理論單相流模型模擬不同參數(shù)組合下的滑坡中，

3.根據(jù)權(quán)利要求2所述的連續(xù)介質(zhì)神經(jīng)網(wǎng)絡(luò)耦合滑坡預(yù)測(cè)計(jì)算方法，其特征在于，求解us的時(shí)空分布，通過(guò)深度積分平均簡(jiǎn)化后得到的滑坡-碎屑流單相介質(zhì)模型控制方程，忽略滑坡-碎屑流特征在垂向的分布，從而對(duì)滑坡-碎屑流特征在空間的平面分布進(jìn)行求解，即下述公式：

4.根據(jù)權(quán)利要求3所述的連續(xù)介質(zhì)神經(jīng)網(wǎng)絡(luò)耦合滑坡預(yù)測(cè)計(jì)算方法，其特征在于，有模阻力模型故公式6和μ(u)的關(guān)系為：

5.根據(jù)權(quán)利要求1所述的連續(xù)介質(zhì)神經(jīng)網(wǎng)絡(luò)耦合滑坡預(yù)測(cè)計(jì)算方法，其特征在于，所述根據(jù)深度神經(jīng)網(wǎng)絡(luò)及監(jiān)督式學(xué)習(xí)，確定最優(yōu)滑坡參數(shù)組合中，

6.根據(jù)權(quán)利要求5所述的連續(xù)介質(zhì)神經(jīng)網(wǎng)絡(luò)耦合滑坡預(yù)測(cè)計(jì)算方法，其特征在于，所述深度神經(jīng)網(wǎng)絡(luò)模型設(shè)為bp神經(jīng)網(wǎng)絡(luò)模型，所述bp神經(jīng)網(wǎng)絡(luò)模型基于誤差梯度下降的傳播準(zhǔn)則對(duì)網(wǎng)絡(luò)進(jìn)行迭代訓(xùn)練；所述bp神經(jīng)網(wǎng)絡(luò)模型的結(jié)構(gòu)包括：輸入層、隱藏層和輸出層；輸入向量為：x＝(x1，x2，…，xi，…，xj)t，輸入層到隱藏層的權(quán)值用v表示，v＝(v1，v2，…，vi，…，vk)t，其中，vi為隱藏層的第i個(gè)神經(jīng)元對(duì)應(yīng)的權(quán)重向量；隱藏層的輸出向量為：y＝(y1，y2，…，yi，…，vk)t，隱藏層到輸出層的權(quán)重矩陣用w代表，w＝(w1，w2，…，wi，…，wk)t，其中，向量wi為輸出層的第i個(gè)神經(jīng)元對(duì)應(yīng)的權(quán)重向量，t表示向量的轉(zhuǎn)置。

7.根據(jù)權(quán)利要求6所述的連續(xù)介質(zhì)神經(jīng)網(wǎng)絡(luò)耦合滑坡預(yù)測(cè)計(jì)算方法，其特征在于，bp神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練包括：

8.一種連續(xù)介質(zhì)神經(jīng)網(wǎng)絡(luò)耦合滑坡預(yù)測(cè)計(jì)算裝置，其特征在于，包括：

9.一種電子設(shè)備，其特征在于，包括以下步驟：

10.一種可讀存儲(chǔ)介質(zhì)，其特征在于，所述可讀存儲(chǔ)介質(zhì)上存儲(chǔ)有計(jì)算機(jī)指令；其中，所述計(jì)算機(jī)指令被處理器執(zhí)行時(shí)，實(shí)現(xiàn)權(quán)利要求1至7中任意一項(xiàng)所述的方法。

技術(shù)總結(jié)
本發(fā)明涉及滑坡預(yù)測(cè)技術(shù)領(lǐng)域，公開(kāi)了連續(xù)介質(zhì)神經(jīng)網(wǎng)絡(luò)耦合滑坡預(yù)測(cè)計(jì)算方法、裝置和介質(zhì)。關(guān)于方法：劃定參數(shù)空間；根據(jù)參數(shù)空間，通過(guò)連續(xù)介質(zhì)理論單相流模型模擬不同參數(shù)組合下的滑坡；其中，根據(jù)單相淺水波模型，確定不同參數(shù)組合下滑坡的信息，信息包括流速、流深和堆積場(chǎng)中的至少一項(xiàng)；根據(jù)深度神經(jīng)網(wǎng)絡(luò)及監(jiān)督式學(xué)習(xí)，確定最優(yōu)滑坡參數(shù)組合；輸入最優(yōu)參數(shù)組至單相淺水波模型，進(jìn)行最終的滑坡動(dòng)力過(guò)程數(shù)值模擬。本發(fā)明的技術(shù)方案，針對(duì)我國(guó)高速遠(yuǎn)程的碎屑流現(xiàn)象，從顆粒物質(zhì)流動(dòng)力學(xué)的角度出發(fā)，研究其運(yùn)動(dòng)特性，實(shí)現(xiàn)滑坡動(dòng)力過(guò)程模擬?？梢詮V泛提高對(duì)滑坡碎屑流起動(dòng)?運(yùn)動(dòng)?致災(zāi)范圍的預(yù)測(cè)能力，對(duì)我國(guó)山區(qū)防災(zāi)減災(zāi)具有重要的科學(xué)意義。

技術(shù)研發(fā)人員：謝云旭,周公旦,魯學(xué)強(qiáng),崔劍,趙于廷,羅宏偉,劉佳林,李南駿
受保護(hù)的技術(shù)使用者：中國(guó)科學(xué)院、水利部成都山地災(zāi)害與環(huán)境研究所
技術(shù)研發(fā)日：
技術(shù)公布日：2025/1/6