(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 202211236605.1 (22)申请日 2022.10.10 (71)申请人 重庆大学 地址 400044 重庆市沙坪坝区沙正 街174号 (72)发明人 王林　王鲁琦　仉文岗　章润红　 巫崇智　 (74)专利代理 机构 北京安瑞克专利代理事务所 (特殊普通 合伙) 11902 专利代理师 焦丽 (51)Int.Cl. G06Q 10/06(2012.01) G06N 20/00(2019.01) G06Q 50/26(2012.01) (54)发明名称 一种滑坡时变失效概 率评估方法及装置 (57)摘要 本发明公开了滑坡灾害防治技术领域一种 滑坡时变失效概率评估 方法及装置， 所述方法引 入极限梯度提升(XGBoo st)和轻量级梯度提升机 (LightGBM)构建机器学习模型， 利用构建的 XGBoost和LightGBM机器 学习模型预测指定时间 段内的滑坡时变失 效概率， 实现滑坡时变失效概 率的快速准确预测， 解决了库岸边坡 稳定时变可 靠度分析受制于 计算量巨大的难题。 权利要求书2页 说明书7页 附图5页 CN 115511341 A 2022.12.23 CN 115511341 A 1.一种滑坡时变失效概 率评估方法， 其特 征在于： 包括以下步骤： 确定滑坡的几何模型、 边界条件和土性 参数统计信息； 基于所确定的几何模型、 边界条件以及土性参数统计信 息建立滑坡 瞬态渗流和稳定性 分析的基准确定性模型； 获取多组土性 参数的随机样本； 依次将每组土性参数的随机样本作为输入信 息导入所述基准确定性模型， 以训练建立 新的计算模型； 基于建立的所述新的计算模型依次计算分析时间段内每一时刻下全部随机样本对应 的安全系数； 将所述分析时间段内的安全系数及相应的随机样本划分为训练集和测试集， 用于分别 构建基于极限梯度提升算法(XGBo ost)和轻量级梯度提升 机(LightGBM)的机器学习模型； 利用构建的XGBoost和LightGBM机器学习模型预测指定时间段内的滑坡时变失效概 率。 2.根据权利要求1所述的一种滑坡时变失效概 率评估方法， 其特 征在于： 所述滑坡的几何模型指滑坡的几何尺寸信息， 包括： 坡高、 坡长、 坡度； 所述边界条件 包括： 分析时间段内的库水位和降雨 量信息； 所述土性 参数统计信息包 含： 用于随机变量 生成所需的均值、 变异系数和概 率分布。 3.根据权利要求1所述的一种滑坡时变失效概率评估方法， 其特征在于： 所述获取多组 土性参数的随机样本的步骤 包括： 采用拉丁超立方抽样(LHS)方法生成所述多组土性 参数的随机样本 。 4.根据权利要求1所述的一种滑坡时变失效概率评估方法， 其特征在于： 所述将所述分 析时间段内的安全系数及相应的随机样本划分为训练集和 测试集的步骤 包括： 选取一时刻作为切分点， 利用所述切分点将完整的分析时间段按照时长比例划分为训 练集和测试集。 5.根据权利要求1所述的一种滑坡时变失效概率评估方法， 其特征在于： 利用构建的 XGBoost和LightGBM机器学习模型预测指定时间段内的滑坡时变失效概率前， 所述方法还 包括： 采用统计指标定量评估XGBo ost和LightGBM机器学习模型的预测性能。 6.根据权利要求5所述的一种滑坡时变失效概率评估方法， 其特征在于： 所述统计指标 包括： 决定系数， 绝对误差或相对误差 。 7.根据权利要求1所述的一种滑坡时变失效概率评估方法， 其特征在于： 利用构建的 XGBoost和LightGBM机器学习模型 预测指定时间段内的滑坡时变失效概 率包括： 利用构建的XGBoost和LightGBM机器学习模型预测指定时间段内每一时刻的安全系 数， 基于所述 安全系数采用阈值比较法评估滑坡时变失效概 率。 8.一种滑坡时变失效概 率评估装置， 其特 征在于： 包括： 参数确定单 元， 用于确定滑坡的几何模型、 边界条件和土性 参数统计信息； 模型确定单元， 用于基于所确定的几何模型、 边界条件以及土性参数统计信息建立滑 坡瞬态渗 流和稳定性分析的基准确定性模型； 样本获取 单元， 用于获取多组土性 参数的随机样本；权　利　要　求　书 1/2 页 2 CN 115511341 A 2计算模型训练单元， 用于依次将每组土性参数的随机样本作为输入信 息导入所述基准 确定性模型， 以训练建立 新的计算模型； 分析单元， 用于基于建立的所述新的计算模型依次计算分析时间段内每一 时刻下全部 随机样本对应的安全系数； 训练单元， 用于将所述分析时间段内的安全系数及相应的随机样本划分为训练集和测 试集， 用于分别构建基于极限梯度提升算法(XGBoost)和轻量级梯度提升机(LightGBM)的 机器学习模型； 预测单元， 用于利用构建的XGBoost和LightGBM机器学习模型预测指定时间段内的滑 坡时变失效概 率。 9.根据权利要求8所述的一种滑坡时变失效概率评估装置， 其特征在于： 所述装置还包 括： 模型评估单元， 用于采用统计指标定量评估XGBoost和LightGBM机器学习模型的预测 性能。 10.根据权利要求9所述的一种滑坡时变失效概率评估装置， 其特征在于： 所述统计指 标包括： 决定系数， 绝对误差或相对误差 。权　利　要　求　书 2/2 页 3 CN 115511341 A 3