[发明专利]预测边坡稳定性的建模及分析方法、设备和存储介质

说明书

本申请公开了一种预测边坡稳定性的建模及分析方法、设备和存储介质。建模方法包括以下步骤：建立边坡稳定性历史数据集，所述历史数据集选自历史案例，并包括描述所述数据的多个特征，所述历史数据集包括丢失数据；对特征因素中的连续因子进行离散化；采用最大期望算法确定所述丢失数据的最大似然估计值，以形成新的完整的边坡稳定性数据集；以边坡实际的稳定状况作为分类标准，利用朴素贝叶斯分类器对所述边坡稳定性数据集的数据进行训练，确定各所述特征因素分别在边坡各种稳定状况下的条件概率，得到朴素贝叶斯分类模型。

技术领域

本公开一般涉及边坡稳定性分析技术领域，尤其涉及一种预测边坡稳定性的建模及分析方法、设备和存储介质。

背景技术

山体滑坡是可能造成严重生命财产损失的重大地质灾害之一，成为重大关切。评估和预测边坡的稳定性是识别潜在滑坡段和减轻山体滑坡造成的损害的首要考虑因素。准确预测边坡的稳定性是一项具有挑战性的任务，因为它取决于各种岩土和物理因素。此外，这些因素之间的相互作用是复杂的，并且“通常难以用数学来描述”。

现有技术中，已经提出了许多方法来分析或预测边坡的稳定性，其中极限平衡法和数值方法(如有限元法(FEM))是最常用的方法。其他一些方法包括经验方程以及基于下限和上限定理的限制分析方法。上述所有方法都有一定的局限性。例如，Lenchman和Griffiths提出极限平衡方法不能反映滑动面的实际应力状态，而且由于简化假设，它们的精度受到了影响。数值方法通常非常耗时，而且其准确性很大程度上取决于对岩土和物理参数的精确估计。

此外，人工神经网络和支持向量机等人工智能预测方法也在计算边坡稳定性方面得到了一定的应用。然而，由于这些方法要求所采集的数据必须完整，但是在实际工程中，尤其是在坡度设计的初级阶段，往往很难获得完整的边坡数据，比如孔压比(ru)的获取就非常困难。而对于无法获得完整的边坡数据的这种情况，则无法使用人工神经网络和支持向量机的预测方法，这也导致了此类计算方法在预测边坡稳定性方面不能得到广泛的应用。

发明内容

鉴于现有技术中的上述缺陷或不足，期望提供一种预测边坡稳定性的建模及分析方案。

第一方面，本申请实施例提供了一种预测边坡稳定性的建模方法，包括以下步骤：

建立边坡稳定性历史数据集，所述历史数据集选自历史案例，并包括描述所述数据的多个特征，所述历史数据集包括丢失数据；

对特征因素中的连续因子进行离散化；

采用最大期望算法确定所述丢失数据的最大似然估计值，以形成新的完整的边坡稳定性数据集；

以边坡实际的稳定状况作为分类标准，利用朴素贝叶斯分类器对所述边坡稳定性数据集的至少部分数据进行训练，确定各所述特征因素分别在边坡各种稳定状况下的条件概率，得到朴素贝叶斯分类模型。

本发明的目的及解决其技术问题还可采用以下技术措施进一步实现。

所述特征因素包括：边坡高度，坡角(α)，内聚力(c)，摩擦角度(φ)，单位重量(γ)和孔隙压力比率(ru)，其中孔隙压力比率简称孔压比(ru)，定义为孔隙压力与上覆压力之比。采用上述因素作为特征因素，能全面反映影响边坡稳定的主要因素；此外，通过相关性分析发现，上述各因素之间各自独立，符合朴素贝叶斯分类器的条件独立假设，非常适合采用此方法。

所述对特征因素中的连续因子进行离散化包括采用等宽合并算法和/或等频合并算法。前一种算法用于将整个范围划分为具有相同“宽度”的多个区间，而后一个用于将整个范围划分成几个区间，每个区间包含大致相同数量的历史案例。

所述采用最大期望算法包括采用期望最大化EM算法，相比于常用的梯度下降(Gradient Descent)算法，EM算法不仅具有更快的运算速度，而且能够有效的处理历史案例中的不完整数据。。