一种基于LSTM算法的滑坡稳定性评价方法

一种基于lstm算法的滑坡稳定性评价方法
技术领域
1.本发明涉及地质灾害防治技术领域，尤其涉及一种基于lstm算法的滑坡稳定性评价方法。


背景技术：

2.滑坡是一种自然现象，频繁的滑坡往往造成轻微的人员伤亡、财产损失、基础设施破坏和环境退化。因此，准确可靠的滑坡稳定性评价方法对预防和减少滑坡造成的损失具有重要意义。传统的滑坡的稳定性评价通常是通过稳定系数判断滑坡的稳定状态。但是由于地质环境参数的复杂性，滑坡可以一种非线性的不确定性较大的情况，这种非线性的关系很难用数学的方法非常精确地呈现，而且在构建评价模型时，会对数据的选择进行简化与不合理筛选，导致在实际的评价中得到的结果可靠性不高。


技术实现要素：

3.本发明的目的在于提供一种基于lstm算法的滑坡稳定性评价方法，提高滑坡稳定性评价的可靠性。
4.为实现上述目的，本发明提供了一种基于lstm算法的滑坡稳定性评价方法，包括以下步骤：
5.获取多个滑坡基本参数，并对所有的所述滑坡基本参数进行归一化处理；
6.将归一化后的所述滑坡基本参数划分为训练集和测试集，并分别对构建的lstm模型进行训练和验证；
7.将重新获取的所述滑坡基本参数输入验证合格的所述lstm模型，得到对应的滑坡稳定性状态。
8.其中，将归一化后的所述滑坡基本参数划分为训练集和测试集，并分别对构建的lstm模型进行训练和验证之前，所述方法还包括：
9.将输入层与隐藏层连接，将输出层与所述隐藏层连接；
10.将所述隐藏层中的多个节点相互连接，并对应赋值权重后，得到所述lstm模型。
11.其中，将归一化后的所述滑坡基本参数划分为训练集和测试集，并分别对构建的lstm模型进行训练和验证，包括：
12.将归一化后的所述滑坡基本参数划分为训练集和测试集；
13.将所述训练集输入所述lstm模型中进行前向和反向的迭代计算，直至循环迭代至达到设定次数或误差和值小于设定值，完成训练；
14.将所述测试集输入训练后的所述lstm模型中，并将得到的多个模型预测结果与实际结果进行比较，完成验证。
15.其中，将所述训练集输入所述lstm模型中进行前向和反向的迭代计算，直至循环迭代至达到设定次数或误差和值小于设定值，完成训练，包括：
16.将所述训练集中的多个输入数据所述lstm模型中，计算出当前时刻对应的遗忘
门、输入门、输出门、输出数据、单元状态和单位备选状态；
17.计算所述实际数据与所述输出数据的差值并求和，得到所述误差和值；
18.利用所述lstm模型对所述训练集进行反向的迭代计算；
19.直至循环迭代至达到设定次数或误差和值小于设定值，完成训练。
20.其中，利用所述lstm模型对所述训练集进行反向的迭代计算，包括：
21.计算所述实际数据与所述输出数据的差值并求和，得到所述误差和值；
22.利用所述误差和值分别对对应的权重和偏置进行求导，并利用得到的导数减去所述导数与学习率的乘积，获得新的所述权重和偏置，其中，所述权重和偏置包括遗忘门权重、输入门权重、输出门权重、备选权重、遗忘门偏置、输入门偏置、输出门偏置、备选偏置。
23.本发明的一种基于lstm算法的滑坡稳定性评价方法，获取多个滑坡基本参数，并对所有的所述滑坡基本参数进行归一化处理；将归一化后的所述滑坡基本参数划分为训练集和测试集，并分别对构建的lstm模型进行训练和验证；将重新获取的所述滑坡基本参数输入验证合格的所述lstm模型，得到对应的滑坡稳定性状态，解决了以往滑坡稳定性评价方法中选取的评价因素不多、没有过多考虑已有滑坡相关数据以及由于地质环境复杂导致很难进行线性数学分析这几类问题，提高滑坡稳定性评价的可靠性。
附图说明
24.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
25.图1是本发明提供的一种基于lstm算法的滑坡稳定性评价方法的步骤示意图。
26.图2是本发明提供的一种基于lstm算法的滑坡稳定性评价方法的流程示意图。
27.图3是本发明提供的lstm模型结构示意图。
28.图4是本发明提供的lstm预测与实际结果对比图。
具体实施方式
29.下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
30.在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
31.请参阅图1和图2，本发明提供一种基于lstm算法的滑坡稳定性评价方法，包括以下步骤：
32.s101、获取多个滑坡基本参数，并对所有的所述滑坡基本参数进行归一化处理。
33.具体的，通过38个滑坡编录或者人工测量计算等方式得到坡高、坡角、内聚力、内摩擦角、容重、孔隙比力压、稳定系数和滑坡稳定状态等滑坡的相关数据，并对所有滑坡基本参数进行归一化。
34.归一化过程：y
i
＝(x
i
‑
x
min
)/(x
max
‑
x
min
)，x
i
为第i个原始数据，x
min
为x数据中最小值，x
max
为x数据中最大值。将坡高、坡角、内聚力、内摩擦角、容重、孔隙比力压、稳定系数数
据先归一化，使得数据较为稳定，提高模型的评估性能。
35.s102、将归一化后的所述滑坡基本参数划分为训练集和测试集，并分别对构建的lstm模型进行训练和验证。
36.具体的，lstm是一种典型的神经网络模型，有输入层、隐藏层、输出层，输入层连接隐藏层，隐藏层连接输出层，如图3所示，隐藏层内部有n个节点，这n个节点间也相互连接，每个连接都有其权重；输入数据分为训练集、验证集、测试集，训练集从输入层输入，用来训练lstm模型，使得模型更优，训练模型后使用验证集进行交叉验证，使得模型最优，输出层把预测结果输出，预测结果与测试集比较，得到模型的评估准确率。
37.lstm的内部参数分别是：x
t
表示第t个输入数据(环境数据)、f
t
表示t时刻的遗忘门、i
t
表示t时刻的输入门、o
t
表示t时刻的输出门、h
t
表示t时刻的输出数据、y
t
表示第t个实际数据(位移数据或者说是归一化后的数据)、c
t
表示t时刻的单元状态、w
f
表示遗忘门的权重、w
o
表示输出门的权重、w
i
表示输入门的权重、w
c
表示备选权重、b
f
表示遗忘门的偏置、b
i
表示输入门的偏置、b
o
表示输出门的偏置、b
c
表示备选偏置、σ表示sigmoid函数、tanh表示tanh函数、表示t时刻的单位备选状态，表示模型学习率。其中[]表示两个向量相连，
·
表示矩阵的乘积。
[0038]
f
t
＝σ(w
f
·
[h
t
‑1,x
t
]+b
f
)
[0039]
i
t
＝σ(w
i
·
[h
t
‑1,x
t
]+b
i
)
[0040]
o
t
＝σ(w
o
·
[h
t
‑1,x
t
]+b
o
)
[0041][0042]
h
t
＝o
t
·
tanh(c
t
)
[0043][0044]
将所述滑坡基本参数中的32组作为训练集训练lstm模型，6组作为测试集测试lstm模型。将w
f
、w
o
、w
i
、w
c
、b
f
、b
o
、b
i
、b
c
置为预设值0，学习率置为预设值0.05。将坡高、坡角、内聚力、内摩擦角、容重、孔隙比力压、稳定系数数据作为lstm的x
t
，将滑坡稳定状态作为lstm的y
t
，输入到lstm中。
[0045]
迭代设置的1000次迭代次数，lstm有两个方向的计算传播，分别是前向传播和反向传播。每一次迭代，前向传播计算f
t
、i
t
、o
t
、o
t
、c
t
、的数值，反向传播计算y
t
与h
t
的差值并求和，得到误差项的和，也就是误差和值，误差项的和分别对w
f
、w
o
、w
i
、w
c
、b
f
、b
o
、b
i
、b
c
求导得到误差项的和对每个权重的导数w
f
、w
o
、w
i
、w
c
、b
f
、b
o
、b
i
、b
c
减去所得导数与学习率的乘积，成为新的w
f
、w
o
、w
i
、w
c
、b
f
、b
o
、b
i
、b
c
。
[0046]
循环迭代至设定次数或者误差项的和小于设定值，模型训练完成。
[0047]
将测试集的数据依次作为lstm的x
t
输入到已经训练完成的lstm中，会得到模型预测结果，从而会得到6个模型预测结果。将模型预测结果与测试集实际结果进行比较，采用(评价成功个数/测试集数据个数)作为准确度，评估模型，得到在这6组测试集数据中，模型的评价准确度为100％，一般是大于设定的测试阈值就可，测试阈值一般为85％，此时模型验证完成，如图4所示。
[0048]
s103、将重新获取的所述滑坡基本参数输入验证合格的所述lstm模型，得到对应
的滑坡稳定性状态。
[0049]
具体的，在得到lstm模型之后，对模型输入需要评价的滑坡的相关数据，比如说坡高、破角、内聚力、内摩擦角和稳定系数等滑坡信息，输出得到滑坡的稳定性状态，滑坡稳定性评价完成。
[0050]
有益效果
[0051]
1、本方法考虑了滑坡是由多种不同因素导致的，提高了滑坡稳定性评价的可靠性
[0052]
2、本方法考虑了已有的滑坡相关数据，提高了滑坡稳定性评价的可靠性
[0053]
3、本方法在一定程度上避开了地质环境复杂导致滑坡稳定性评价很难进行线性数学分析，导致评价效果不佳的缺点，从历史数据的角度进行滑坡稳定性评价，提高了滑坡稳定性评价的可靠性，减少了滑坡稳定性评价的难度
[0054]
4、lstm适合滑坡稳定性评价这种小量样本、高维和非线性数据的情况，提高了滑坡稳定性评价的可靠性，减少了滑坡稳定性评价的难度
[0055]
5、使用了lstm人工智能算法，使得本方法随着数据量的提高会不断自动优化
[0056]
本发明的一种基于lstm算法的滑坡稳定性评价方法，获取多个滑坡基本参数，并对所有的所述滑坡基本参数进行归一化处理；将归一化后的所述滑坡基本参数划分为训练集和测试集，并分别对构建的lstm模型进行训练和验证；将重新获取的所述滑坡基本参数输入验证合格的所述lstm模型，得到对应的滑坡稳定性状态，解决了以往滑坡稳定性评价方法中选取的评价因素不多、没有过多考虑已有滑坡相关数据以及由于地质环境复杂导致很难进行线性数学分析这几类问题，提高滑坡稳定性评价的可靠性。
[0057]
以上所揭露的仅为本发明一种较佳实施例而已，当然不能以此来限定本发明之权利范围，本领域普通技术人员可以理解实现上述实施例的全部或部分流程，并依本发明权利要求所作的等同变化，仍属于发明所涵盖的范围。