留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于时空聚类挖掘的库岸边坡位移监测数据约简

陈波 詹明强 黄梓莘

陈波,詹明强,黄梓莘. 基于时空聚类挖掘的库岸边坡位移监测数据约简[J]. 水利水运工程学报,2022. doi:  10.12170/20210728002
引用本文: 陈波,詹明强,黄梓莘. 基于时空聚类挖掘的库岸边坡位移监测数据约简[J]. 水利水运工程学报,2022. doi:  10.12170/20210728002
(CHEN Bo, ZHAN Mingqiang, HUANG Zishen. Reduction of multi-point displacement monitoring data of reservoir bank slope based on spatio-temporal clustering mining[J]. Hydro-Science and Engineering, 2022(in Chinese)) doi:  10.12170/20210728002
Citation: (CHEN Bo, ZHAN Mingqiang, HUANG Zishen. Reduction of multi-point displacement monitoring data of reservoir bank slope based on spatio-temporal clustering mining[J]. Hydro-Science and Engineering, 2022(in Chinese)) doi:  10.12170/20210728002

基于时空聚类挖掘的库岸边坡位移监测数据约简

doi: 10.12170/20210728002
基金项目: 国家重点研发计划课题资助项目(2018YFC0407104);国家自然科学基金面上项目(52079049);中央高校基本科研业务费资助项目(B200202160)
详细信息
    作者简介:

    陈 波(1986—),男,浙江绍兴人,青年教授,博士,主要从事大坝安全监控研究。E-mail: chenbo@hhu.edu.cn

  • 中图分类号: TV698.1

Reduction of multi-point displacement monitoring data of reservoir bank slope based on spatio-temporal clustering mining

  • 摘要: 库岸边坡失稳会对工程自身效益和周边安全造成巨大损失,而位移监测数据可以直接表征库岸边坡安全状况。传统变形位移分析一般仅考虑单个监测点,不同监测点之间位移的相似性和关联性有待挖掘。基于时空数据挖掘领域的聚类方法,综合考虑测点属性和空间特征,采用K-means算法度量测点间的相似程度,实现变形区域划分;在变形区域划分基础上,采用遗传算法优化的投影聚类算法,将高维数据向低维空间映射,通过提取测点数据特征,筛选得到重点关注的测点和压缩数据量。结合实例工程数据表明,时空聚类挖掘方法便捷、有效,逐步实现了边坡位移监测数据约简,可用于类似库岸边坡的监测数据挖掘。
  • 图  1  边坡地理位置示意

    Figure  1.  Schematic diagram of slope geographical position

    图  2  测点分区结果对比

    Figure  2.  Comparison of zoning results of measuring points

    图  3  遗传算法改进的投影聚类计算过程(均值)

    Figure  3.  Improved projection clustering calculation process diagram of genetic algorithm (mean value)

    图  4  遗传算法改进的投影聚类计算过程(极值)

    Figure  4.  Improved projection clustering calculation process diagram of genetic algorithm(extreme value)

    图  5  基于遗传算法的位移测点投影聚类结果

    Figure  5.  Projection clustering results of displacement measuring points based on genetic algorithm

    图  6  典型测点位移过程

    Figure  6.  Typical displacement measuring point measuring process line

    表  1  基于遗传算法的分区位移测点投影聚类结果

    Table  1.   Projection clustering results of subarea displacement measurement points based on genetic algorithm (mean value)

    分区结果交 点位移方向分区结果交 点位移方向
    顺河顺坡垂直顺河顺坡垂直
    Ⅰ区 交4 0.331/0.348 0.463/0.119 0/0 Ⅱ区 交21 0.371/0.382 0.172/0.147 0.142/0.108
    交9 0.177/0.197 0.468/0.460 0.171/0.118 交22 0.398/0.435 0.052/0.066 0.102/0.062
    交13 0.437/0.485 0.359/0.334 0.178/0.132 交24 0.380/0.420 0.040/0.048 0.112/0.077
    交16 0.423/0.482 0.237/ 0.220/0.175 Ⅲ区 交6 0.266/0.325 0.893/0.891 0.526/0.476
    D03 0.368/0.417 0/0 0.090/0.054 交7 0/0.003 0.301/0.291 0.254/0.206
    Ⅱ区 交5 0.596/0.652 0.479/0.468 0.223/0.183 交12 0.382/0.411 0.322/0.314 0.206/0.153
    交8 0.288/0.318 0.394/0.378 0.213/0.159 交15 0.034/0 0.371/0.349 0.292/0.231
    交10 0.460/0.494 0.352/0.342 0.260/0.213 交19 0.282/0.286 0.201/0.166 0.084/0.039
    交11 1.000/1.000 0.330/0.322 1.000/1.000 交20 0.438/0.498 0.525/0.507 0.285/0.286
    交14 0.388/0.439 0.332/0.314 0.154/0.096 交23 0.371/0.406 0.037/0.038 0.106/0.066
    交17 0.540/0.601 0.172/0.152 0.267/0.210 D01 0.341/0.360 0.530/0.520 0.223/0.239
    交18 0.177/0.160 0.274/0.245 0.300/0.242 Ⅱ03 0.460/0.647 1.000/1.000 0.457/0.409
      注:“/”前为均值,后为极值。
    下载: 导出CSV
  • [1] 王述红, 任艺鹏, 陈俊智, 等. 一种改进鱼群聚类算法在结构面分组中的应用[J]. 东北大学学报(自然科学版),2019,40(3):420-424 doi:  10.12068/j.issn.1005-3026.2019.03.022

    WANG Shuhong, REN Yipeng, CHEN Junzhi, et al. An improved fish swarm clustering algorithm for structural grouping[J]. Journal of Northeastern University (Natural Science), 2019, 40(3): 420-424. (in Chinese) doi:  10.12068/j.issn.1005-3026.2019.03.022
    [2] 秦雨樵, 汤华, 冯振洋, 等. 基于聚类分析的边坡稳定性研究[J]. 岩土力学,2018,39(8):2977-2983, 2990

    QIN Yuqiao, TANG Hua, FENG Zhenyang, et al. Slope stability evaluation by clustering analysis[J]. Rock and Soil Mechanics, 2018, 39(8): 2977-2983, 2990. (in Chinese)
    [3] 李佳伟, 李婷, 顾中明, 等. 基于投影寻踪聚类方法的边坡稳定性分析[J]. 水电与新能源,2019,33(6):27-30

    LI Jiawei, LI Ting, GU Zhongming, et al. Slope stability analysis based on projection pursuit clustering method[J]. Hydropower and New Energy, 2019, 33(6): 27-30. (in Chinese)
    [4] 徐哲, 胡焕校, 邓超. K-means聚类神经网络在边坡稳定性评价中的应用探究[J]. 水资源与水工程学报,2017,28(3):198-204

    XU Zhe, HU Huanxiao, DENG Chao. Study on the application of K-means clustering algorithm and neural network in slope stability evaluation[J]. Journal of Water Resources and Water Engineering, 2017, 28(3): 198-204. (in Chinese)
    [5] 王俊杰, 冯登, 柴贺军, 等. 基于赤平极射投影和K-均值聚类算法的优势结构面分析[J]. 岩土工程学报,2018,40(1):74-81 doi:  10.11779/CJGE201801006

    WANG Junjie, FENG Deng, CHAI Hejun, et al. Dominant discontinuities based on stereographic projection and K-means clustering algorithm[J]. Chinese Journal of Geotechnical Engineering, 2018, 40(1): 74-81. (in Chinese) doi:  10.11779/CJGE201801006
    [6] 王卓, 许强, 魏勇, 等. 基于统计和聚类分析的黄土台塬塬边裂缝危险性分级[J]. 安全与环境工程,2020,27(1):62-68, 74

    WANG Zhuo, XU Qiang, WEI Yong, et al. Risk classification of cracks in the loess platform edge based on statistics and cluster analysis[J]. Safety and Environmental Engineering, 2020, 27(1): 62-68, 74. (in Chinese)
    [7] WANG Y K, HUANG J S, TANG H M. Automatic identification of the critical slip surface of slopes[J]. Engineering Geology, 2020, 273: 105672. doi:  10.1016/j.enggeo.2020.105672
    [8] 金永强, 苏怀智, 李子阳. 基于和声搜索的边坡稳定性投影寻踪聚类分析[J]. 水利学报, 2007, 38(增刊1): 682-686.

    JIN Yongqiang, SU Huaizhi, LI Ziyang. Slope stability projection pursuit clustering analysis based on harmony search[J]. Journal of Hydraulic Engineering, 2007, 38(Suppl 1): 682-686. (in Chinese)
    [9] DYSON A P, TOLOOIYAN A. Prediction and classification for finite element slope stability analysis by random field comparison[J]. Computers and Geotechnics, 2019, 109: 117-129. doi:  10.1016/j.compgeo.2019.01.026
    [10] 王振武. 数据挖掘算法原理与实现[M]. 2版. 北京: 清华大学出版社, 2017.

    WANG Zhenwu. Principle and implementation of data mining algorithm[M]. 2nd Edition. Beijing: Tsinghua University Press, 2017. (in Chinese)
    [11] 司俊燕, 郭海庆, 徐飞, 等. PSO-PP模型在岩石高边坡稳定性评价中的应用[J]. 水电能源科学,2011,29(1):79-82 doi:  10.3969/j.issn.1000-7709.2011.01.025

    SI Junyan, GUO Haiqing, XU Fei, et al. PSO-PP model for high rock slope stability evaluation and its application[J]. Water Resources and Power, 2011, 29(1): 79-82. (in Chinese) doi:  10.3969/j.issn.1000-7709.2011.01.025
    [12] GOLDBERG D E. Genetic algorithms in search, optimization and machine learning[M]. Boston: Addison-Wesley Publisher, 1989.
  • [1] 高树飞, 冯云芬, 贡金鑫.  基于等效单自由度模型的高桩码头地震位移需求分析 . 水利水运工程学报, doi: 10.16198/j.cnki.1009-640X.2018.05.005
    [2] 李文轩, 曹永勇.  海上筒型基础的筒壁土压力计算 . 水利水运工程学报, doi: 10.16198/j.cnki.1009-640X.2018.03.009
    [3] 唐修生, 郑凌月, 陈健.  低能耗高保坍型聚羧酸系减水剂的合成及性能 . 水利水运工程学报, doi: 10.16198/j.cnki.1009-640X.2017.02.005
    [4] 任杰, 苏怀智, 杨孟, 周志杰.  边坡位移预警指标的实时估计与诊断 . 水利水运工程学报,
    [5] 孙鹏明, 杨建慧, 杨启功, 徐微, 周雨薇.  大坝空间变形监控指标的拟定 . 水利水运工程学报,
    [6] 王雪红.  优化BP神经网络的位移预测模型 . 水利水运工程学报,
    [7] 韩石, 贡金鑫, 张艳青.  地震作用下重力式码头地基液化及变形 . 水利水运工程学报,
    [8] 赵明阶,谢鑫,汪魁.  基于边坡锚固荷载监测数据的反分析 . 水利水运工程学报,
    [9] 黄耀英,沈振中,田斌,周宜红.  地基水荷载对混凝土坝位移影响研究 . 水利水运工程学报,
    [10] 李士林,徐光明.  单锚板桩结构码头离心模型试验研究 . 水利水运工程学报,
    [11] 黄耀英,沈振中,吴中如,王德信,王建.  混凝土坝及坝基分析中截取边界的影响 . 水利水运工程学报,
    [12] 焦爱萍,刘宪亮,许新勇.  宝泉浆砌石重力坝三维有限元动力分析 . 水利水运工程学报,
    [13] 龙智飞,王仁钟,李雷.  大坝工程地质数据库的开发和应用 . 水利水运工程学报,
    [14] 李宗利,任青文.  岩石混凝土类材料单裂纹水力劈裂研究述评 . 水利水运工程学报,
    [15] 徐连民,王兴然.  等向硬化类弹塑性本构模型的隐式应力积分算法 . 水利水运工程学报,
    [16] 黄勇,周志芳,王锦国.  基于BP神经网络的模糊聚类法分析地下水质成因 . 水利水运工程学报,
    [17] 魏延文.  Access数据库在基层科研管理工作中的应用 . 水利水运工程学报,
    [18] 张建宁,张启岳.  NDCY—1型电测水平位移计的研制 . 水利水运工程学报,
    [19] 王年香,魏汝龙.  软粘土工程性质数据库的初步建立 . 水利水运工程学报,
    [20] 林宝玉,曾瑞玉,卢安琪.  用于水工建筑物的三类树脂砂浆的初步研究 . 水利水运工程学报,
  • 加载中
图(6) / 表 (1)
计量
  • 文章访问数:  29
  • HTML全文浏览量:  42
  • PDF下载量:  6
  • 被引次数: 0
出版历程
  • 收稿日期:  2021-07-28
  • 网络出版日期:  2022-09-22

/

返回文章
返回