(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202110376378.1 (22)申请日 2021.04.0 6 (65)同一申请的已公布的文献号 申请公布号 CN 112966425 A (43)申请公布日 2021.06.15 (73)专利权人 昆明理工大 学 地址 650093 云南省昆明市一 二一大街文 昌路68号 (72)发明人 张科　张凯　保瑞　刘享华　李娜　 (74)专利代理 机构 重庆远恒专利代理事务所 (普通合伙) 50248 专利代理师 伍伦辰 (51)Int.Cl. G06F 30/23(2020.01) G06F 30/27(2020.01) G06F 30/13(2020.01) G06N 20/20(2019.01) G06F 111/08(2020.01)G06F 119/14(2020.01) (56)对比文件 CN 112329349 A,2021.02.0 5 CN 111784070 A,2020.10.16 CN 109840 541 A,2019.0 6.04 CN 107330224 A,2017.1 1.07 肖灵 等.基 于多源信息融合的车门匹配精 度预测控制方法. 《 农业装备与车辆 工程》 .2019,29-34. 邵良杉等.基 于RF-ELM模型的边坡稳定性预 测研究. 《中国安全生产科 学技术》 .2015,(第0 3 期), 王健伟等.基 于网格搜索支持向量机的边坡 稳定性系数 预测. 《铁道建筑》 .2019,(第0 5期), Emrehan Kutlug Sahi n.Comparative Analysis of Gradient Bo osting Algorithm s for Landsl ide Susceptibi lity Mapping. 《Geocarto I nternati onal》 .2020,1- 32. 审查员 谢琳 (54)发明名称 一种边坡稳定性预测评估方法 (57)摘要 本发明公开了一种边坡稳定性预测评估方 法， 包括以下步骤： 1选择边坡 稳定性判定指标并 确定容许安全系数[K]； 2根据待预测的边坡构建 边坡模型， 利用工程仿真软件， 获得判定指标和 对应稳定性结果的数据集； 3对数据集进行最大 值和最小值归一化处理； 4根据归一化处理后的 数据集， 构建基于集成学习算法的边坡稳定性预 测模型； 5评估时， 获取待检测边坡的实际判定指 标数据， 带入边坡稳定性预测模型， 获得边坡稳 定性预测结果。 本申请能够在不破坏土体结构的 基础上实现边坡的稳定性安全预测， 具有预测可 靠性高， 精确度好的优点。 权利要求书3页 说明书10页 附图3页 CN 112966425 B 2022.06.07 CN 112966425 B 1.一种边坡稳定性预测评估方法， 其特 征在于， 包括以下步骤： 1选择边坡稳定性判定指标并确定容许安全系数[K]， 所选择判定指标分别为： 容重γ、 内聚力c、 摩擦角 边坡角Φ、 边坡高度H以及孔隙压力比ru； 2根据待预测的边坡构建边坡模型， 利用工程仿真软件， 计算获得判定指标和对应的安 全系数的数据集； 再进行稳定性判断， 如果边坡安全系 数大于或等于容许安全系 数则视为 稳定， 小于则视为失稳， 进 而获得判定指标和对应稳定性结果的数据集； 3对数据集进行最大值和最小值归一 化处理； 4根据归一 化处理后的数据集， 构建基于集成学习算法的边坡稳定性预测模型； 5评估时， 获取待检测边坡的实 际判定指标数据， 带入边坡稳定性预测模型， 获得边坡 稳定性预测结果； 步骤2具体包括以下步骤： 2.1采用Matlab软件中随机生成不低于10 0组指标参数， 得到关于判定指标的数据集 其中γ,c, Φ,H,ru分别为一维列向量； 2.2根据待预测的边坡构建边坡模型， 利用工程仿真软件， 输入随机生成的指标参数， 采用强度折减法对每组指标参数对应的安全系数 K进行求解； 2.3将计算得到 的安全系数K与容许安全系数[K]进行比较， 若K≥[K]认为稳定， 用0表 示， K＜[K]认为失稳， 用1表示； 得到判定指标和对应稳定性结果的数据集 R∈{0,1}， 且为1 维列向量； 步骤2.2具体为， 先在CAD软件中建立待检测边坡的模型， 输出为工程仿真软件能识别 的格式文件， 接着将格式文件导入工程仿真软件； 然后在工程仿真软件中首先进行网格划 分， 确定边界条件， 边界条件将左右两侧水平约束， 下部固定， 上部为自由边界； 初始 地应力 选择为自重地应力场； 再输入随机生成的指标参数， 即γ,c, Φ,H,ru， 采用强度折减法对 安全系数 K进行求解； 工程仿真软件 采用Optum G2软件实现； 步骤2具体还包括以下步骤： 2.4对数据集T1进行Pearson相关性分析， 得到相关系数矩 阵， 若相关性小于等于预设值， 说明所选用指标和生成数据合理； 否则应重新 生成数据。 2.如权利要求1所述的边坡稳定性预测评估方法， 其特征在于， 边坡容许安全系数[K] 设定为1.3， 边坡安全系数 大于或等于1.3则视为稳定， 小于1.3则视为失稳。 3.如权利要求1所述的边坡稳定性预测评估方法， 其特征在于， 步骤3具体包括： 对数据 集进行最大值最小值归一化处理， 以减小量纲对预测结果的影响， 其中映射区间为[0,1]； 具体公式如下： 式中： z为原本的特征值， zmax和zmin分别为该特征最大值和最小值， z*为该特征归 一化后 的取值。 4.如权利要求1所述的边坡稳定性预测评估方法， 其特征在于： 步骤4具体包括以下步 骤： 4.0将归一化处理后的数据集T1划分为训练集A和测试集B， 其中训练集A的长度大于测权　利　要　求　书 1/3 页 2 CN 112966425 B 2试集B； 4.1利用训练集A的样本构建基于XGBo ost集成学习算法的边坡稳定倾向性预测模型： 4.2采用网格搜索算法和5折交叉验证对基于XGBoost集成学习算法的边坡稳定倾向性 预测模型的主 要参数进行优化： 4.3利用测试集B中样本对优化参数后的模型进行预测结果测试， 如果误差率低于阈值 视为测试通过。 5.如权利要求4所述的边坡稳定性预测评估方法， 其特征在于， 步骤4.1中， 基于 XGBoost集成学习算法的边坡稳定倾向性预测模型的表达式为： 式中： yr为模型中第 r个样本的预测值， fk为第k个分类回归树的基函数， K为分类回归树 总数量， xr为第r个输入样本， F为 假设空间； 其中， 对于每一个分类回归树， 其目标函数L表示 为： 式中： M为样本总数量， l( ·)表示损失函数， yi和 分别为实际值和预测值， Ω( ·)为正 则项； 其中， 基于XGBo ost集成学习算法的边坡稳定倾向性预测模型的输入： A中的 其中， 基于XGBoost集成学习算法的边坡稳定倾向性预测模型的输出： 利用XGBoost算 法中的softmax作为目标函数， 最后返回预测的类别， 即判断是0还是1； 其中， 基于XGBoost集成学习算法的边坡稳定倾向性预测模型的损失函数： 采用默认的 二分类错 误率。 6.如权利要求4所述的边坡稳定性预测评估方法， 其特征在于， 步骤4还包括步骤4.4： 构建混淆矩阵来对 模型的泛化能力进行判定； 具体过程 为： 混淆矩阵建立如表3所示， 预测为稳定的样本中， 实际稳定的样本数为TP， 实际为失稳 的样本数为FP； 预测为失稳的样本中， 实际为稳定的样本数为FN， 实际为失稳的样本数为 TN； 表3混淆矩阵 提出4类指标对预测结果进行综合评价： 准确率： 精确率： 权　利　要　求　书 2/3 页 3 CN 112966425 B 3