本發(fā)明屬于工程地質(zhì)，具體為超深卸荷條件下大規(guī)模開挖高邊坡時效變形機理分析方法。

背景技術(shù)：

1、超深卸荷條件下大規(guī)模開挖高邊坡時效變形是指在深度較大的卸荷作用下，大規(guī)模開挖工程中高邊坡的變形和穩(wěn)定性問題。在深部巖體中，由于開挖或其他工程活動，原有的地應力狀態(tài)被改變，導致巖體發(fā)生應力釋放和重新分布，可能引發(fā)巖體的變形和破壞。涉及的開挖體積大，邊坡高度和開挖深度都較大，這增加了邊坡失穩(wěn)的風險。而且邊坡的高度和坡度較大，可能存在復雜的地質(zhì)條件，如巖層傾向、裂隙發(fā)育等，這些都會影響邊坡的穩(wěn)定性。另外，邊坡的變形和穩(wěn)定性問題隨時間變化，可能在開挖后的一段時間內(nèi)逐漸顯現(xiàn)，需要長期監(jiān)測和評估。

2、由于地質(zhì)條件的復雜性和不確定性，準確預測邊坡的變形和失穩(wěn)過程非常困難。需要綜合考慮巖體的物理力學性質(zhì)、地下水、外部環(huán)境等多種因素，進行穩(wěn)定性評估，這增加了分析的復雜性。大規(guī)模開挖和高邊坡的監(jiān)測需要大量的傳感器和監(jiān)測設(shè)備，監(jiān)測數(shù)據(jù)的采集、傳輸和處理都面臨挑戰(zhàn)。如何在施工過程中及時識別和響應邊坡的變形和失穩(wěn)風險，并制定有效的風險管理措施，是需要綜合考慮的問題。

3、專利號：cn115830805a中指出現(xiàn)有技術(shù)在實現(xiàn)災變?nèi)^程模擬、預警信息公布和防治決策預演規(guī)劃方面存在不足，構(gòu)建邊坡數(shù)字孿生體的研究尚不多見，缺乏邊坡工程實際開挖過程中的虛實映射和動態(tài)更新的特點。

4、另一方面，現(xiàn)有的邊坡監(jiān)測和預警系統(tǒng)主要依賴于人工測量和經(jīng)驗判斷，難以實現(xiàn)對邊坡動態(tài)過程的實時監(jiān)測和預警。這些系統(tǒng)在數(shù)據(jù)采集、處理和分析方面存在效率低下、精度不足的問題，難以滿足高陡邊坡災害風險預測和防控的需求。在邊坡數(shù)字孿生模型的構(gòu)建過程中，多源數(shù)據(jù)的有效融合是一個關(guān)鍵技術(shù)瓶頸?，F(xiàn)有的技術(shù)在處理地質(zhì)信息、監(jiān)測數(shù)據(jù)和工程參數(shù)等多源數(shù)據(jù)時，往往缺乏有效的數(shù)據(jù)融合和信息集成方法。這導致了邊坡數(shù)字孿生模型的構(gòu)建和更新效率低下，難以實現(xiàn)對邊坡工程全生命周期的動態(tài)管理和控制。譬如，中國專利cn117830541a中提到，現(xiàn)有的邊坡資料獲取方法與建模技術(shù)日新月異，但如何將邊坡三維地質(zhì)建模和新技術(shù)有機融合，構(gòu)建能根據(jù)實際工程參數(shù)動態(tài)更新的邊坡數(shù)字孿生體模型，是本領(lǐng)域技術(shù)人員亟待解決的問題。中國專利cn118278175a中強調(diào)了現(xiàn)有技術(shù)中高陡邊坡數(shù)字孿生場景數(shù)據(jù)量大、數(shù)值模擬分析的結(jié)果專業(yè)性強，導致渲染效率低、用戶對高陡邊坡信息的認知效果差的問題。

5、因此，現(xiàn)有的邊坡穩(wěn)定性分析方法在數(shù)值模擬和風險評估方面依然存在較大不足。這些方法在模擬邊坡在不同工況下的響應時，往往忽視了邊坡與周圍環(huán)境的相互作用，以及邊坡內(nèi)部結(jié)構(gòu)的復雜性。因此，現(xiàn)有的數(shù)值模擬結(jié)果在準確性和可靠性方面還有待提高。

技術(shù)實現(xiàn)思路

1、本發(fā)明的目的是針對現(xiàn)有技術(shù)難以實現(xiàn)對邊坡動態(tài)過程的實時監(jiān)測和預警的問題，提出了超深卸荷條件下大規(guī)模開挖高邊坡時效變形機理分析方法，通過多源數(shù)據(jù)融合、實時監(jiān)測、動態(tài)更新和數(shù)值模擬等技術(shù)手段，提高了邊坡穩(wěn)定性分析的效率和準確性，實現(xiàn)對邊坡工程全生命周期的智能管理和控制。通過本發(fā)明的技術(shù)方案，可以有效地解決現(xiàn)有技術(shù)中的不足，為邊坡工程的安全性和可靠性提供更有力的保障。

2、為解決上述技術(shù)問題，本發(fā)明提供了超深卸荷條件下大規(guī)模開挖高邊坡時效變形機理分析方法，包括如下步驟：

3、s1、將獲取的高邊坡地質(zhì)數(shù)據(jù)、邊坡地表模型，實時監(jiān)測的高邊坡變形情況作為監(jiān)測數(shù)據(jù)，并將監(jiān)測數(shù)據(jù)實時傳輸至數(shù)據(jù)處理中心；

4、s2、基于所述邊坡地表模型和高邊坡地質(zhì)數(shù)據(jù)相結(jié)合，生成綜合地質(zhì)-地形模型；

5、s3、通過數(shù)值模擬軟件進行邊坡穩(wěn)定性分析，將所述綜合地質(zhì)-地形模型輸入數(shù)值模擬軟件，分析數(shù)值模擬結(jié)果，識別不穩(wěn)定區(qū)域和風險點；

6、s4、采用機器學習算法建立機器學習模型，對巖體進行識別和分類，通過所述監(jiān)測數(shù)據(jù)訓練機器學習模型，構(gòu)建并計算危巖體識別指數(shù)，得到機器學習預測結(jié)果；

7、s5、將所述高邊坡地質(zhì)數(shù)據(jù)、綜合地質(zhì)-地形模型、數(shù)值模擬結(jié)果和機器學習預測結(jié)果導入到數(shù)字孿生平臺，構(gòu)建并計算邊坡形態(tài)指數(shù)、變形速率指數(shù)和模擬與實測數(shù)據(jù)的偏差指數(shù)，從而計算綜合穩(wěn)定性指數(shù)，并且在數(shù)字孿生平臺中設(shè)置失穩(wěn)閾值；

8、s6、向數(shù)字孿生平臺輸入邊坡開挖和支護的施工參數(shù)，在數(shù)字孿生平臺中進行模擬驗證，與所述失穩(wěn)閾值進行對比后輸出驗證結(jié)果。

9、作為優(yōu)選，所述s2包括：

10、s21、利用貼近攝影測量技術(shù)，結(jié)合邊坡地表模型，建立高邊坡的三維模型，通過攝影測量軟件進行點云生成和三維重建；

11、s22、采用空間插值算法處理高邊坡地質(zhì)數(shù)據(jù)和攝影測量得到的點云數(shù)據(jù)，生成三維多層數(shù)字高程模型；

12、s23、將三維多層數(shù)字高程模型與高邊坡地質(zhì)數(shù)據(jù)相結(jié)合，形成生成綜合地質(zhì)-地形模型。

13、作為優(yōu)選，所述s4包括：

14、s41、基于所述監(jiān)測數(shù)據(jù)進行數(shù)據(jù)清洗、標準化和歸一化處理；

15、s42、基于地質(zhì)學、工程學和統(tǒng)計學，選擇與邊坡穩(wěn)定性相關(guān)的特征作為機器學習模型的輸入變量；

16、s43、選擇機器學習算法，使用預處理后的數(shù)據(jù)對機器學習模型進行訓練，并采用交叉驗證方法來評估機器學習模型的預測性能；

17、s44、在機器學習模型中構(gòu)建并計算危巖體識別指數(shù)，利用訓練好的機器學習模型對巖體進行識別和分類，得到危巖體的預測結(jié)果。

18、作為優(yōu)選，所述在機器學習模型中構(gòu)建并計算危巖體識別指數(shù)包括如下步驟：

19、sa、通過地質(zhì)調(diào)查和歷史數(shù)據(jù)收集，確定邊坡中已知的危巖體數(shù)量；

20、sb、設(shè)定閾值來區(qū)分危巖體和穩(wěn)定巖體，并使用機器學習模型對巖體進行識別和分類，得到每個巖體的穩(wěn)定性預測結(jié)果；

21、sc、將穩(wěn)定性預測結(jié)果與現(xiàn)場調(diào)查、監(jiān)測數(shù)據(jù)或其他獨立驗證方法的結(jié)果進行比較，核矯穩(wěn)定性預測結(jié)果。

22、作為優(yōu)選，所述按照如下式計算危巖體識別指數(shù)：

23、

24、其中，tp表示為真陽性，模型正確預測為危巖體的數(shù)量；fn表示為假陰性，模型錯誤預測為非危巖體的危巖體數(shù)量。

25、作為優(yōu)選，所述邊坡形態(tài)指數(shù)、變形速率指數(shù)和模擬與實測數(shù)據(jù)的偏差指數(shù)分別通過下述表達式進行計算：

26、邊坡形態(tài)指數(shù)計算：

27、

28、其中，h為邊坡高度，l為邊坡長度；

29、變形速率指數(shù)計算：

30、

31、其中，δd為監(jiān)測時段內(nèi)的位移變化量，δt為監(jiān)測時段；

32、模擬與實測數(shù)據(jù)的偏差指數(shù)計算：

33、

34、其中，dsim為模擬位移，dmeas為實測位移。

35、作為優(yōu)選，所述能量函數(shù)π通過下述計算公式進行計算：

36、綜合穩(wěn)定性指數(shù)計算：

37、

38、其中，imax為綜合穩(wěn)定性指數(shù)計算公式中分子各部分有可能的最大值的乘積，iacc表示為危巖體識別準確率指數(shù)。

39、作為優(yōu)選，所述s6包括：

40、將邊坡開挖和支護的施工參數(shù)輸入到數(shù)字孿生平臺，利用數(shù)字孿生平臺中的數(shù)值模擬和機器學習模型，進行施工過程的模擬驗證，通過與計算的綜合穩(wěn)定性指數(shù)和失穩(wěn)閾值進行比較，如果模擬結(jié)果顯示綜合穩(wěn)定性指數(shù)低于失穩(wěn)閾值，則施工方案需要進行調(diào)整，數(shù)字孿生平臺將提供施工參數(shù)的優(yōu)化建議調(diào)整施工參數(shù)，重新進行模擬驗證，直至模擬結(jié)果顯示綜合穩(wěn)定性指數(shù)大于或等于失穩(wěn)閾值；如果模擬結(jié)果顯示綜合穩(wěn)定性指數(shù)大于或等于失穩(wěn)閾值，則施工方案在安全范圍內(nèi)。

41、本發(fā)明的有益效果：

42、1、本方案通過無人機傾斜攝影和傳感器陣列監(jiān)測，本方法能夠?qū)崿F(xiàn)對邊坡的高效、精確監(jiān)測，及時發(fā)現(xiàn)邊坡的微小變化，減少因監(jiān)測不及時或數(shù)據(jù)不準確帶來的風險。結(jié)合數(shù)值模擬和機器學習預測，本方法能夠?qū)吰碌姆€(wěn)定性和風險等級進行科學評估，并設(shè)定合理的預警閾值，實現(xiàn)邊坡災害的早期預警，提高邊坡工程的安全管理水平。數(shù)字孿生平臺的集成和功能實現(xiàn)，使得邊坡工程的決策支持和治理方案制定更加科學、合理。通過實時更新和分析數(shù)據(jù)，決策者能夠及時調(diào)整治理方案，優(yōu)化邊坡的維護和施工，確保工程的安全性和經(jīng)濟性。

43、2、本方案通過將采集的地質(zhì)數(shù)據(jù)、監(jiān)測數(shù)據(jù)、數(shù)值模擬結(jié)果和機器學習預測結(jié)果集成到數(shù)字孿生平臺中，實現(xiàn)了邊坡工程的數(shù)字化管理和實時監(jiān)控。這種集成不僅優(yōu)化了數(shù)據(jù)管理流程，還為決策者提供了直觀、動態(tài)的邊坡狀態(tài)展示和風險評估工具。

44、3、本方案通過利用機器學習算法對歷史監(jiān)測數(shù)據(jù)進行分析，智能識別高位危巖體，這一技術(shù)的應用顯著提高了邊坡監(jiān)測的智能化水平。這種方法不僅提高了識別的準確性，還增強了對潛在風險的預測能力，為邊坡工程的安全管理提供了科學依據(jù)。

45、4、本方案通過將地質(zhì)鉆探、無人機傾斜攝影、傳感器陣列監(jiān)測以及數(shù)值模擬和機器學習預測等多種技術(shù)手段相結(jié)合，實現(xiàn)對高邊坡的全面監(jiān)測和分析。通過這種多源數(shù)據(jù)融合，能夠更準確地捕捉邊坡的地質(zhì)特性和動態(tài)變化，為邊坡穩(wěn)定性分析提供豐富的數(shù)據(jù)支持。

46、5、本方案通過綜合穩(wěn)定性指數(shù)公式中的乘法運算反映了不同指數(shù)間的依賴關(guān)系，即任何一個因素的降低都會影響到整體的穩(wěn)定性評估。模擬與實測數(shù)據(jù)偏差指數(shù)被用于懲罰過大的偏差，即當模擬與實測數(shù)據(jù)相差較大時，綜合穩(wěn)定性指數(shù)會降低。通過除以imax，公式確保了綜合穩(wěn)定性指數(shù)的值在0到1之間，這有助于在不同邊坡或不同時間點對穩(wěn)定性進行比較。根據(jù)綜合穩(wěn)定性指數(shù)和其他風險評估結(jié)果，利用數(shù)字孿生平臺的決策支持系統(tǒng)，幫助制定科學的維護和治理方案。