авторефераты диссертаций БЕСПЛАТНАЯ РОССИЙСКАЯ БИБЛИОТЕКА - WWW.DISLIB.RU

АВТОРЕФЕРАТЫ, ДИССЕРТАЦИИ, МОНОГРАФИИ, НАУЧНЫЕ СТАТЬИ, КНИГИ

 
<< ГЛАВНАЯ
АГРОИНЖЕНЕРИЯ
АСТРОНОМИЯ
БЕЗОПАСНОСТЬ
БИОЛОГИЯ
ЗЕМЛЯ
ИНФОРМАТИКА
ИСКУССТВОВЕДЕНИЕ
ИСТОРИЯ
КУЛЬТУРОЛОГИЯ
МАШИНОСТРОЕНИЕ
МЕДИЦИНА
МЕТАЛЛУРГИЯ
МЕХАНИКА
ПЕДАГОГИКА
ПОЛИТИКА
ПРИБОРОСТРОЕНИЕ
ПРОДОВОЛЬСТВИЕ
ПСИХОЛОГИЯ
РАДИОТЕХНИКА
СЕЛЬСКОЕ ХОЗЯЙСТВО
СОЦИОЛОГИЯ
СТРОИТЕЛЬСТВО
ТЕХНИЧЕСКИЕ НАУКИ
ТРАНСПОРТ
ФАРМАЦЕВТИКА
ФИЗИКА
ФИЗИОЛОГИЯ
ФИЛОЛОГИЯ
ФИЛОСОФИЯ
ХИМИЯ
ЭКОНОМИКА
ЭЛЕКТРОТЕХНИКА
ЭНЕРГЕТИКА
ЮРИСПРУДЕНЦИЯ
ЯЗЫКОЗНАНИЕ
РАЗНОЕ
КОНТАКТЫ


Pages:     | 1 || 3 |

Разработка геоинформационной технологии исследования оползневых процессов

-- [ Страница 2 ] --

Во второй главе «Цифровое моделирование оползневых процессов» раскрыта сущность и механизм взаимного использования физического, аналитического, имитационного, логико-лингвистического моделирования в геоинформационном исследовании оползневых процессов.

Анализ методов аналитического моделирования оползневых процессов дан обзорно с целью определения условий его адекватного применения и выделения проблем диссертационного исследования.

Предложены формализованные методы существующих классификаций оползневых территорий: умеренно-опасные территории (УОТ), опасные территории (ОТ), весьма опасные территории (ВОТ), чрезвычайно опасные территории (ЧОТ). Для этой цели введен ряд признаков, характеризующих оползневую ситуацию: х1 – степень поражённости территории, %; х2 – объем оползня, м3; х3 – глубина смещения, м; х4 – среднегодовые величины горизонтального смещения, м/год.

Разрабатываемый аппарат допускает расширение перечня учитываемых признаков.

Результаты наблюдений за признаками обучающего набора оползней сведены в соответствующую таблицу. Все переменные приведены к безразмерному и легко сравниваемому виду по следующей формуле масштабирования переменных:

= (u – min u)/(max u – min u). (1)

В каждом классе находится эталон – наиболее типичный представитель класса. Например, средние значения признаков:

хjэк = (хi)/p. (2)

В формуле (2) обозначено: хjэк – среднее значение j - го признака к - го эталона, р – число ситуаций, принадлежащих к-му классу в общей совокупности данных.

Определяются расстояния от исследуемой точки - ситуации до всех эталонов выделенных классов. Минимальное из этих расстояний и определяет класс, к которому принадлежит исследуемая ситуация.

Адекватная мера сравнения ситуаций определяется с помощью следующей процедуры.

  1. На основе весов принадлежности оползневых ситуаций к заданному классу формируем совокупность точек обучающей последовательности. Веса задаются в табличном виде (см. таблицу 1). Это точки (объекты), информация о которых экспертам известна и служит для расчета неизвестных параметров искомой меры. К ним предъявляются требования типичности и репрезентативности.

Таблица 1. - Фрагмент двумерной функции принадлежности оползня к классу УОТ, заданной с помощью таблицы

х2 х1 20 40 60 80
0 1 0,8 0,6 0,3
2 0,7 0,5 0,3
3 0,4 0,3
4 0,2
  1. Определяем пары сравниваемых объектов и находим «расстояние» между ними по формуле

. (3)

  1. Записываем выражение (4) для через неизвестные параметры меры i при соответствующих значениях х1 и х2.

. (4)

  1. На основании сравнения пунктов 2 и 3 алгоритма формируется система уравнений относительно неизвестных i. Т.к. исходные данные формируются экспертным путем и характеризуются наличием нечеткости и ошибок наблюдений необходимо, чтобы число уравнений было значительно больше числа неизвестных. Это позволит использовать статистические методы решения систем линейных алгебраических уравнений, компенсирующих ошибки данных.
  2. Находим обобщенное решение полученной системы уравнений, минимизируя сумму квадратов отклонений левых и правых частей уравнений.
  3. Подставляя найденные коэффициенты i в (4), получим искомую зависимость.

Данная процедура была реализована при классификации территорий правобережья Нижнего Дона. Рассмотрим конкретный пример. Используя данные таблицы 1, выберем три точки А(0, 20), В(2, 60), С(3, 40). Для этих точек потенциалы соответственно равны: А =1, В =0,3 и С =0,3. Реализуя (3) соответственно для АВ, АС и ВС, составим исходную систему в общем несовместных уравнений:

АВ: 41 + 16002 = 0,49. АС: 91 + 4002 = 0,49. ВС: 1 + 4002 = 0, которая с помощью процедуры минимизации среднеквадратического отклонения левых и правых частей этой системы уравнений преобразуется к виду:

981 + 7400 2 = 6,5;

16101 + 6408002 = 200,5.

Ее решение дает искомые значения коэффициентов:

1 = 0,0507, 2 = 0,0019. (5)

Они определяют искомую меру введенного пространства:

d(A, B) = (0,0507 (х1А - х1В )2 + 0,0019 (х2А –х2В )2)0,5. (6)

Полученные значения учитывают размерность, важность и масштаб переменных х1 и х2.

Опираясь на понятие расстояния между ситуациями (точками признакового пространства) можно ввести понятие расстояния между точкой и классом. В частности, соотношение (2) использует эталон как представителя класса. В случае пограничных ситуаций, находящихся на пересечении классов, целесообразнее использовать иные постановки, например, в качестве расстояния между точкой X и классом Vj может также служить соотношение:

(7)

где кj – число точек j-го класса среди К ближайших к X точек обучающей последовательности.

В работе приведен полный перечень аналитических соотношений, описывающих расстояние между текущей и выделенными эталонными классами ситуаций.

Целью второй главы было показать возможности формализованных методов анализа. Эталоны типов территорий хранятся в базе данных системы мониторинга. Текущее состояние определяется из показаний датчиков установленных на склоне (результатов измерений). Машина рассчитывает расстояния, сравнивает их между собой и оперативно сообщает ЛПР об изменении или сохранении степени опасности развития оползня.

Введя анализируемые данные в компьютерную модель, можно «проигрывать» различные варианты развития оползня, имитируя те или иные возмущающие воздействия. Для этих расчетов необходима информация о свойствах задействованных в сползании грунтов, которую можно получить с помощью физического моделирования.

Физическое моделирование призвано обеспечить аналитические и имитационные модели необходимой информацией о свойствах грунтов. Рассмотрим некоторые полученные модели.

1. По образцам грунта, взятым с объектов исследования, в лабораторных условиях определены зависимости сцепления, угла внутреннего трения от влажности грунта. По результатам экспериментальных замеров построены соответствующие регрессионные модели.

Реализованы однофакторные модели вида:

k = f(w). (8)

Полученные модели аппроксимируются отрезками убывающих квадратичных и/или экспоненциальных зависимостей. При накоплении данных о свойствах различных грунтов возможна постановка задачи построения многофакторной модели, отражающей зависимость устойчивости склона не только от влажности, но и от иных факторов (состава грунта, внешних нагрузок и т.д.).

k = f(w, x, z, …). (9)

2. Для осуществления предварительной обработки измеряемой величины были построены регрессионные модели по результатам показаний датчиков и реально измеряемой физической величины - влажности грунтов оползневых склонов. Полученные результаты используются в расчетной модели устойчивости склона.

Создание постоянно функционирующей динамической геоинформационной модели объекта при постоянном сборе и анализе информации об изменении свойств грунтов с помощью датчиков установленных на склоне позволит вносить управленческие решения по стабилизации природно-технического объекта в зависимости от степени опасности и риска развития оползневого процесса.

Имитационным моделированием оползневых процессов определяются граничные условия устойчивости оползневых и оползнеопасных склонов, что дает возможность предвосхитить оползнеобразование на склонах различного функционального использования. Разработанные на основе результатов исследований предложения позволяют получить цельное представление об оползневой обстановке на описываемой территории, и повысить рациональность и эффективность принимаемых проектных решений по противооползневым мероприятиям, а следовательно – снизить стоимость и повысить эффективность последних.

Применяемый аппарат корреляционного анализа позволил разработать механизм расстановки датчиков на «поле» мониторинга с учетом требования – рациональное согласование различных критериев: максимизация точности собираемой информации, минимизация затрат на техническое оборудование мониторинга.

Были выделены две различные технологические задачи.

  1. Восстановление сигнала (степени обводнения территории с заданной точностью).
  2. Прогноз степени увлажнения грунтов.

Для решения первой поставленной задачи задается пороговое значение коэффициента корреляции Rз, определяющее требуемую точность восстановления сигнала. Если между экспериментально установленными точками коэффициент корреляции меньше Rз, то точки установки датчиков сдвигаются, если коэффициент корреляции больше Rз, то точки разводят.

Для решения второй задачи - прогноз степени увлажнения грунтов рассмотрим точки, последовательно расположенные по склону, например, А и Е. Фиксируем в этих точках с помощью датчиков через заданные промежутки времени степень увлажнения грунта, таблица 2.

Таблица 2. Результаты натурных наблюдений за изменением влажности грунта

i 1 2 3 4 5 6 7 8 9 10 11
wA 0,1 0,2 0,1 0,3 0,4 0,5 0,4 0,6 0,9 0,7 0,1
wE 0,15 0,25 0,4 0,5 0,43 0,57 0,9 0,75 0,9 0,9 0,95


Pages:     | 1 || 3 |
 





 
© 2013 www.dislib.ru - «Авторефераты диссертаций - бесплатно»

Материалы этого сайта размещены для ознакомления, все права принадлежат их авторам.
Если Вы не согласны с тем, что Ваш материал размещён на этом сайте, пожалуйста, напишите нам, мы в течении 1-2 рабочих дней удалим его.