(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 202211241465.7 (22)申请日 2022.10.11 (71)申请人 重庆地质矿产研究院 地址 401120 重庆市渝北区空港新城 兰馨 大道111号 申请人 重庆大学 (72)发明人 康燕飞　陈立川　仉文岗　徐文瀚　 徐洪　陈结　姜德义　梁丹　 任世聪　 (74)专利代理 机构 重庆强大凯创专利代理事务 所(普通合伙) 50217 专利代理师 冉剑侠 (51)Int.Cl. G06F 30/27(2020.01) G06F 119/02(2020.01)G06F 111/10(2020.01) (54)发明名称 一种基于多源监测数据的滑坡稳定性智能 动态预测方法 (57)摘要 本发明涉及地质灾害防治 方法领域， 具体涉 及一种基于多源监测数据的滑坡稳定性智能动 态预测方法， 获取地质背景条件、 物理学参数和 历史监测数据， 基于获取的数据通过数值模拟手 段建立数值模 型； 设定滑坡数值模拟过程的边界 条件进行数值分析计算， 得到目标滑坡隐患点历 史的渗流场和应力场的变化， 并结合滑坡稳定性 计算方法计算获得目标滑坡 隐患点不同时间阶 段的稳定系数； 形成供输入机器学习模 型进行训 练和验证的数据集， 对基础机器学习模型进行训 练、 验证和测试， 生成训练集和测试集； 选 取得到 集成学习的基学习器， 并得到性能最优的学习堆 叠模型， 进行稳定系数获取。 本发明实现了滑坡 稳定性实时、 高效、 准确的预测， 为滑坡灾害防治 提供支撑 。 权利要求书2页 说明书5页 附图1页 CN 115526108 A 2022.12.27 CN 115526108 A 1.一种基于多源监测数据的滑坡稳定性智能动态预测方法， 其特征在于， 包括以下步 骤： 步骤1， 获取目标滑坡隐患点 地质背景 条件和岩土体相关的物理学参数； 步骤2， 获取目标滑坡隐患点传感器的历史监测数据， 对历史监测数据进行预处理操 作， 形成目标滑坡隐患点多源监测数据集合， 所述预处理操作包括去除数据噪声、 删除异常 数据和空缺 值填补； 步骤3， 基于步骤1获取的目标滑坡隐患点地质背景条件和岩土体相关的物理学参数， 通过数值模拟手段建立数值模型； 步骤4， 获取目标滑坡隐患点的历史工况信 息， 基于步骤3建立的数值模型， 根据工况信 息设定滑坡数值模拟过程的边界条件进行数值分析计算， 得到目标滑坡隐患点历史的渗流 场和应力场的变化， 基于计算得到的目标滑坡隐患点不同时间阶段的渗流场和应力场， 结 合滑坡稳定性计算方法计算获得目标滑坡隐患点 不同时间阶段的稳定系数； 步骤5， 将步骤2中目标滑坡隐患点的多源监测数据集合与步骤4中的目标滑坡隐患点 在不同时间阶段的稳定系数根据时间一一对应， 形成供输入机器学习模型进 行训练和验证 的数据集， 其中， 步骤2中目标滑坡隐患点的多源监测数据集合作为机器学习模 型输入的特 征变量， 与之对应的步骤4中目标滑坡隐患点稳定系数作为机器学习模型的标签； 步骤6， 选取机器学习任务中广泛采用的基础机器学习模型作为集成学习框架个体学 习器的备选， 利用步骤5中机器学习模型训练和验证的数据集， 对N个基础机器学习模型进 行训练、 验证和 测试， 同时生成供后续 集成学习堆叠模型训练和 测试的训练集和 测试集； 步骤7， 从步骤6中N个基础机器学习模型中选取对稳定系数预测精度最高的M个基础机 器学习模型作为 集成学习的基学习器， 用于后续 集成学习元 学习器的融合； 步骤8， 基于集成学习堆叠策略的思想， 通过元学习器对步骤7中选取的M个基学习器进 行融合， 形成集 成学习堆叠模型， 并利用步骤6中生成的训练集和测试集对集成学习堆叠模 型进行训练和 测试， 得到性能最优的集成学习堆叠模型； 步骤9， 将目标滑坡隐患 点各个传感器的实时多源监测数据输入步骤8中训练好的集成 学习堆叠模型， 得到多源监测数据融合下目标滑坡隐患点实时的稳定系数。 2.根据权利要求1所述的基于多源监测数据的滑坡稳定性智能动态预测方法， 其特征 在于： 所述 步骤3中， 所述数值模拟手段为有限元、 离 散元、 物质点法中的一种。 3.根据权利要求2所述的基于多源监测数据的滑坡稳定性智能动态预测方法， 其特征 在于： 所述步骤4中， 所述滑坡稳定性计算方法为极限平衡法、 极限分析法、 强度折减法、 数 值分析法中的一种。 4.根据权利要求3所述的基于多源监测数据的滑坡稳定性智能动态预测方法， 其特征 在于： 所述步骤6中， 所述广泛采用的基础机器学习模型包括经典的回归模型和基于决策树 的回归模型， 所述经典的回归模型包括最小二乘回归、 岭回归、 核岭回归、 支持向量回归、 最 近邻回归， 所述基于决策树的回归模型包括决策树、 随机森林、 梯度提升回归树、 极限梯度 提升、 轻度梯度提升 机。 5.根据权利要求4所述的基于多源监测数据的滑坡稳定性智能动态预测方法， 其特征 在于： 所述步骤6中， 对N个基础机器学习模型进行训练、 验证和测试， 其中模型超参数的优 化采用k折交叉验证和连续减半搜索方法， 包括以下子步骤：权　利　要　求　书 1/2 页 2 CN 115526108 A 2子步骤6.1， 将步骤5 中机器学习模型训练和验证的数据集按照预设比例划分为训练集 和测试集； 子步骤6.2， 将子步骤6.1中的训练集打乱并平均分为数量相同的k组， 对于一个基础机 器学习模型， 每轮利用其中一组数据作为验证， 其余k ‑1组作为训练， 并将机器学习模型在 测试集上预测一次， 记录每轮的预设参数， 不断调整基础机器学习模 型的超参数组合， 所述 机器学习模型的超参数组合调整的调优方法为连续减半搜索； 子步骤6.3， 针对一个基础机器学习模型， 将子步骤6.2重复k次， 得到k组验证数据和k 组测试数据， 将k组验证数据纵向排列， 将k组测试数据取平均值， 在k个不同超参数的基础 机器学习模型中选择 预设参数达 到指定条件的模型作为该模型的最优； 子步骤6.4， 重复子步骤6.2和6.3直到N个基础机器学习模型全部调优完毕， 将子步骤 6.3中每个基础机器学习模型纵向排列的k组验证数据和取平均的测试数据分别横向排列， 作为元学习器新的训练集和 测试集。 6.根据权利要求5所述的基于多源监测数据的滑坡稳定性智能动态预测方法， 其特征 在于： 所述子步骤6.1 中， 所述预设比例按照数据量大小进 行确定， 所述预设比例包括7: 3和 8:2。 7.根据权利要求5所述的基于多源监测数据的滑坡稳定性智能动态预测方法， 其特征 在于： 所述子步骤6.2中， 所述预设参数包括验证集误差、 准确率或 决定系数R2， 所述验证集 误差最小即为预设参数达到指定条件， 或者所述准确 率最高即为预设参数达到指定条件， 或者所述决定系数R2最高即为预设参数达 到指定条件。 8.根据权利要求5所述的基于多源监测数据的滑坡稳定性智能动态预测方法， 其特征 在于： 所述 步骤8中， 所述元 学习器包括线性回归和多层感知回归。权　利　要　求　书 2/2 页 3 CN 115526108 A 3