面向多源异步传感器滑坡监测数据融合及稳定性分析

作     者：王来阳 

作者单位：北京建筑大学 

学位级别：硕士

导师姓名：邱冬炜;王丹

授予年度：2019年

学科分类：081803[工学-地质工程] 08[工学] 0818[工学-地质资源与地质工程] 

主      题：滑坡监测 三维地质模型 数值模拟 数据融合 卡尔曼滤波 衰减记忆卡尔曼滤波 时间序列分析 

摘      要：滑坡是一种分布较广、发生频繁的地质灾害,具有突发型、季节性、蠕变性等特征。在滑坡综合信息监测中,采用传感器种类众多,布设位置多样。传感器类型大致可分为:滑坡位移监测传感器、环境信息监测传感器,需要优化设计各种监测传感器的布设位置,将各监测传感器的作用最大化。在海量监测数据中,通过将频率、位置、深度、精度各不相同的传感器监测信息进行融合,进而反映滑坡体的整体形变综合特征。通过滑坡体监测的位移时间序列分析对滑坡体的稳定性进行评价,判断滑坡体是否安全。论文依托实际工程项目,按照“高精度模型构建——传感器优化设计——监测信息融合——稳定性分析的主线进行研究,主要研究内容及创新点如下:(1)堆积层滑坡高精度模型构建及传感器优化设计使用高精度三维激光扫描仪结合地质勘查资料对堆积层滑坡进行高精度三维地质模型的构建,赋予各地层相应的力学参数。针对传统滑坡形变监测通常采用经验方法选取监测点、线、区域的不足,本文采用数值模拟计算不同降雨工况下的形变情况,确定了滑坡体重点监测区域,优化设计滑坡监测传感器的布设位置,在滑坡监测点、监测线传感器优化设计方面实现理论方面创新。通过监测点位模拟与安全系数的分析,确定滑坡预警阈值,给滑坡体的监测预警提供了判据条件。(2)多传感器滑坡监测数据融合针对卡尔曼滤波最优状态估计需要准确已知噪声信息的缺点,引入衰减记忆因子,采用自适应衰减记忆卡尔曼滤波(AFMKF,Adaptive Fading Memory Kalman Filtering)降低噪声的影响。针对衰减记忆因子的不确定性,本文提出了一种基于高精度观测值约束的自适应衰减记忆卡尔曼滤波算法(AFMKF with HPOC,Adaptive Fading Memory Kalman Filtering with High-Precision Observation Constraints),对于含噪声的观测序列,采用周期性高精度观测值更新新息序列,并约束衰减记忆因子的更新,提高算法的滤波能力。通过仿真实验,相比于传统自适应衰减记忆卡尔曼滤波算法,附有条件约束的AFMKF算法均方根误差降低了41.31%。并针对集中式卡尔曼滤波(CKF,Centralized Kalman Filter)数据融合算法设计了基于AFMKF with HPOC数据融合算法,针对滑坡体的监测数据进行数据融合,进而整体反映滑坡体的形变特征。(3)多尺度滑坡体稳定性分析采用位移时间序列进行滑坡稳定性分析,针对传统位移时间序列分析方法不能顾及微小尺度下位移变化特征与稳定性之间的关系,本文设计了针对不同时间尺度采用不同的位移时间序列分析方法,研究了分形理论与重标度极差分析(R/S分析)法,对滑坡的阶段稳定性与整体稳定性进行判断。分析结果表明,在降雨量较大的阶段性时间尺度内,位移时间序列多重分维值谱特征与加速形变过程谱特征一致,滑坡体在该阶段稳定性较差;长尺度位移时间序列的分析结果表明了滑坡体的稳定态势将会持续下去,具有长程持续性。