(19)中华 人民共和国 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 202111616171.3 (22)申请日 2021.12.27 (71)申请人 武汉大学 地址 430072 湖北省武汉市武昌区珞珈山 武汉大学 (72)发明人 李典庆　田华明　曹子君　 (74)专利代理 机构 武汉科皓知识产权代理事务 所(特殊普通 合伙) 42222 代理人 罗敏清 (51)Int.Cl. G06F 30/27(2020.01) G06N 20/10(2019.01) G06F 111/06(2020.01) G06F 111/08(2020.01) G06F 119/02(2020.01) (54)发明名称 边坡监测设计优化方法 (57)摘要 本发明提供一种边坡监测设计优化方法， 包 括： 确定边坡随机参数及其统计量， 建立边坡响 应分析模型并选择候选监测变量； 建立边坡监测 设计决策树； 产生样本空间Z*并对其每一组样本 进行模拟； 基于Z*计算给定监测变量组合op条件 下不同监测可能值的发生概率； 执行先验可靠度 分析以计算先验失效概率， 产生服从F的候选样 本空间ΩF并对其每一组样本进行模拟； 基于ΩF 计算给定op条件下不同监测可 能值的条件概率； 计算给定op条件下不同监测可能值对应的边坡 条件失稳概率； 根据决策树信息特征量化op的预 期信息价值； 重复执行步骤4、 6、 7和8， 直至完成 所有监测组合合集的预期信息价值计算； 最大化 预期信息价值。 本发明解决了边坡监测优化设计 中的计算 瓶颈。 权利要求书2页 说明书9页 附图6页 CN 114417708 A 2022.04.29 CN 114417708 A 1.一种边坡监测设计优化方法， 其特 征在于， 包括如下步骤： 步骤1： 确定边坡随机参数及其统计量， 建立 边坡响应分析模型， 并选择候选监测变量； 步骤2： 建立基于信息价 值分析的边坡监测设计决策树， 确定该决策树特 征信息； 步骤3： 利用基于结构可靠度的贝叶斯更新方法产生样本空间Z*， 并对Z*的每一组样本 进行候选监测变量模拟； 步骤4： 基于样本空间Z*， 计算给定监测变量组合op条件下不同监测可能值yl的发生概 率P(yl|op)， l＝1， 2， ...， NY； 步骤5： 执行先验可靠度分析以计算先验失效概率P(F)， 产生服从F的候选样本空间ΩF， 并对候选样本空间ΩF的每一组样本进行候选监测变量模拟； 步骤6： 基于候选样本空间ΩF， 计算给定监测变量组合op条件下不同监测可 能值yl的条 件概率P(yl|F， op)， l＝1， 2， ...， NY； 步骤7： 计算给定监测变量组合op条件下不同监测可能值yl对应的边坡条件失稳概率P (F|yl， op)， l＝1， 2， ...， NY； 步骤8： 根据步骤2决策树的信息特 征量化监测变量组合 op的预期信息价 值； 步骤9： 重复执行步骤4、 6、 7和8， 直至完成所有监测变量组合合集O的预期信息价值计 算； 步骤10： 最大化预期信息价 值， 以识别最优的监测设计方案或变量组合。 2.根据权利要求1所述的边坡监测设计优化方法， 其特征在于， 步骤1随机参数的统计 量包括但不限于均值、 标准差、 分布类型， 候选监测变量选择边坡不同位置、 不同类型 的监 测变量， 边坡响应分析模型用于模拟所选的候选监测变量并且评估边坡的稳定性。 3.根据权利要求1所述的边坡监测设计优化方法， 其特征在于， 步骤2中， 决策树特征信 息包括但不限于候选监测方案或监测变 量组合合集O＝{op， p＝1， 2， ...， No}、 每种监测变 量 组合op的监测可能值yl、 边坡安全或失效状态、 后果费用， 其中， l ＝1， 2， ...， NY。 4.根据权利要求1所述的边坡监测设计优化方法， 其特征在于， 步骤3采用贝叶斯更新 方法产生样本空间Z*， 基于贝叶斯更新 方法的样本空 间Z*的建立采用可靠度分析方 法， 该方 法通过建立辅助失效事件将贝叶斯更新问题转换为可靠度评估问题， 其中， 基于可靠度的 贝叶斯更新方法且考虑yl的辅助失效事 件Ωl表示为： Ωl＝{w‑c1·L( θ|yl)≤0}； 式中， w为服从标准均匀分布的随机变量； c1为常量且非负的似然乘子， 满足c1·L( θ| yl)≤1； L( θ|yl)为似然函数， 其描述了随机参数θ、 边坡响应预测模型、 监测可能值yl、 模型 误差等之间的概 率关系。 5.根据权利要求1所述的边坡监测设计优化方法， 其特征在于， 步骤4中， 给定监测变量 组合op条件下不同yl的发生概率P(yl|op)的计算过程如下， 其中， l ＝1， 2， ...， NY： 式中， 为给定子空间 时事件Ωl的条件概率； 为子空间 的发生概 率； 为基于子集模拟划分的m+1个 独立且穷尽的样本 子空间， 即 6.根据权利要求1所述的边坡监测设计优化方法， 其特征在于， 步骤5中， 先验失效概率权　利　要　求　书 1/2 页 2 CN 114417708 A 2P(F)计算 为： 式中， 子集模拟SuS在第M层到达失效域F， 即F＝{FS＜1}， 每层的样本数目和条件概率 分别为N和p0； nM为第M层满足F的随机样本数目； 第M层满足F的随机样本作为种子并利用马 尔科夫链蒙特卡洛模拟产生 Nfai1组满足F的随机样本， 形成候选样本空间ΩF。 7.根据权利要求1所述的边坡监测设计优化方法， 其特征在于， 步骤6中， 在监测变量组 合op条件下yl的条件概 率P(yl|F， op)计算为： 式中， 为指示函数， 即当候选样本空间ΩF的第t组样本满足失效事件Ω ′l时， 否则为0； Ω ′l可定义为： Ω′l＝{w‑c2·L( θ′|yl)≤0}； 式中， θ′为落入失效域F的样本； 相应地， L( θ ′|yl)为似然函数以表 征给定θ′时yl的发生 概率； c2为常量， 计算 为1/max(L( θ ′yl))。 8.根据权利要求1所述的边坡监测设计优化方法， 其特征在于， 步骤7中， 监测变量组合 op条件下考虑yl的边坡条件失稳概 率P(F|yl， op)可利用贝叶斯公式计算 为： 式中， P(F)为先验失效概 率， P(yl|op)为给定op条件下不同yl的发生概率。 9.根据权利要求1所述的边坡监测设计优化方法， 其特征在于， 步骤8中， 根据步骤2决 策树的信息特征量化监测变量组合op的预期信息价值EV I(op)； 监测组合op的预期信息价值 EVI(op)计算为： 式中， v代表监测变量的数目； PT为边坡目标失效概率； αC为边坡失效费用与单测点监测 费用的比值； 基于候选监测变量组合 合集O的最优监测组合 oopt可计算为： 最优监测组合 oopt对应的信息价 值记为EVI(oopt)。权　利　要　求　书 2/2 页 3 CN 114417708 A 3