[0001] 本发明属于地下水监测技术领域，尤其涉及一种滑体土层中不同深度地下水渗流实时监测设备与方法。

[0002] 山体滑坡是指山体的一部分沿着滑动面滑动，通常是由于山体底部土壤和岩石被侵蚀或者重力作用导致，在滑体土层分布广泛的地质环境下容易发生山体滑坡，而地下水
流向和流速可以影响滑动面的形成和滑动速度。山体滑坡与地下水流向流速之间存在密切
的关系，地下水在土壤和岩石中流动，会对土壤和岩石产生侵蚀和溶解作用。特别是在山体中，地下水可能会对山体的稳定性产生重大影响。如果地下水流动速度过快，可能会导致山体底部土壤和岩石的侵蚀，从而降低山体的稳定性。

[0003] 为了保护生命与财产安全，需要对山体滑坡进行一定的防控，设置地下水渗流监测设备是一种有效的方式，可以提前预警山体滑坡。这种设备可以监测土壤的湿度和地下
水的流动情况，从而预测山体的稳定性。如果地下水流动异常，说明山体可能发生滑坡。

[0004] 而山体滑坡的预警还体现在对不同深度地下水进行监测，通过对不同深度地下水进行监测，可以了解地下水的分布情况，包括地下水的存在位置、流向、流速等。这有助于评估山体的稳定性和预测可能发生的滑坡风险，帮助人们做出合理的应对措施。

[0043] 下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他
实施例，都属于本发明保护的范围。

[0044] 为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

[0045] 参照图1～4所示，本发明提供一种滑体土层中不同深度地下水渗流实时监测设备，包括：收放结构2，收放结构2通信连接有控制器1，收放结构2上绕设有缆绳204，缆绳204的活动端等间距设有若干个监测结构3；

[0046] 监测结构3包括竖直设置的连接筒303，连接筒303顶端轴接有上固定座301，连接筒303底端轴接有下固定座305，上固定座301、下固定座305的直径大于连接筒303的直径，相邻的上固定座301、下固定座305之间通过缆绳204固定连接；

[0047] 上固定座301顶端设有感测机构；

[0048] 连接筒303外侧周向等间距设有若干个丝状流速流向感测结构，若干个丝状流速流向感测结构与连接筒303轴线平行，丝状流速流向感测结构的两端分别与上固定座301、
下固定座305固定连接；

[0049] 上固定座301、下固定座305外侧分别竖直滑动连接有密封筒302，连接筒303内侧设有驱动机构，驱动机构与两个密封筒302传动连接；

[0050] 下固定座305内侧底端设有采样机构；

[0051] 上固定座301内侧顶端固定连接有控制机构，感测机构、丝状流速流向感测结构、驱动机构与控制机构电性连接，控制机构与控制器1通信连接。

[0052] 通过设置感测机构可以对是否存在地下水、地下水的PH值、压力等进行监测，通过设置采样机构还可以对不同深度水体进行采样，通过设置两个与驱动机构传动连接的密封筒302，可以让驱动机构带动两个密封筒302紧贴从而保护丝状流速流向感测结构，在上下
拉动整个监测结构3时也更加顺畅。

[0053] 通过设置丝状流速流向感测结构，当水流过若干个丝状流速流向感测结构时，由于有连接筒303的阻挡，会使得在连接筒303周侧不同位置的丝状流速流向感测结构受到不
同力度的水流的冲击，进而将读取到的数据变化，利用BP神经网络模型进行分析，得出当前位置的地下水的流向与流速情况，相较于传统的拍摄式监测，这种监测方式同样可以达到
稳定而准确地监测效果，同时也适用于较为浑浊的水质，稳定性更高，同时仅传输浮点型数据，相较于直接传输图片，本装置也更加节省电量，适合用于长时段、实时的监控与监测。

[0054] 进一步优化方案，感测机构包括PH值感测头311、压力感测头312，PH值感测头311、压力感测头312分别与上固定座301顶端固定连接，PH值感测头311、压力感测头312与控制机构电性连接。

[0055] PH值感测头311用来监测地下水的PH值，压力感测头312用以监测水压情况。

[0056] 进一步优化方案，丝状流速流向感测结构包括流向流速感测细丝304，流向流速感测细丝304与连接筒303轴线平行，流向流速感测细丝304两端分别固定连接有拉力感测元
件308，两个拉力感测元件308分别与上固定座301、下固定座305固定连接，拉力感测元件
308与控制机构电性连接。

[0057] 当地下水以一个方向冲击流向流速感测细丝304时，位于连接筒303周侧的流向流速感测细丝304会因为水流冲击到连接筒303而产生不同的读数，位于连接筒303朝向水流
方向的一面的两侧的流向流速感测细丝304受到的水流冲击更大，读数的跳动也更加明显，而被连接筒303遮挡的流向流速感测细丝304则读数更小。通过这种数值的变化，利用BP神
经网络模型就可以准确地判断出当前位置水流的方向与流速。

[0058] 进一步优化方案，驱动机构包括两个相对设置的伸缩电机316，伸缩电机316竖直设置，伸缩电机316与连接筒303内侧固定连接，伸缩电机316的输出轴轴接有连接架309，上固定座301、下固定座305周侧均开设有滑槽310，两个连接架309与对应的滑槽310滑动连
接，两个连接架309周侧与对应的密封筒302内侧固定连接。

[0059] 当投放时，两个密封筒302紧紧相贴，可以对内侧的流向流速感测细丝304所连接的拉力感测元件308进行保护，防止拉力感测元件308被损坏。拉力感测元件308采用微小计量电子拉力计，在投放中如果直接让流向流速感测细丝304裸露有可能会拉伤拉力感测元
件308，破坏测量的准确性。

[0060] 进一步优化方案，采样机构包括开设于下固定座305内侧的储液仓306，储液仓306顶端固定连通有连通管307，连通管307下固定座305顶端开设有进液口，连通管307与进液
口固定连通，下固定座305侧面开设有出液口315，出液口315与储液仓306固定连通。

[0061] 进一步优化方案，控制机构包括蓄电池313、与蓄电池313电性连接的数据处理芯片314，蓄电池313、数据处理芯片314与上固定座301内侧固定连接，感测机构、丝状流速流向感测结构、驱动机构与数据处理芯片314电性连接。

[0062] 蓄电池313为整体装置供电，而数据处理芯片314内搭载有数据整理单元与通信单元，数据整理单元将读取到的数据以浮点数的方式进行整理归纳，将一段时间内的数据打
包后输送给通信单元，通信单元再按固定的时间间隔与外界的控制器1进行通信，从而使得数据能够被稳定准确地传输到控制器1中。

[0063] 进一步优化方案，收放结构2包括辊座，辊座顶端转动连接有缆绳收放辊201，缆绳收放辊201一侧轴接有控制电机202，控制电机202与辊座固定连接，缆绳204与缆绳收放辊201绕设，辊座上固定连接有通信器203，通信器203与控制器1通信连接。

[0064] 通信器203的设置是为了控制器1能够方便地控制控制电机202运行。

[0065] 一种滑体土层中不同深度地下水渗流实时监测设备的使用方法为：

[0066] S1、确定待监测的地点，并钻孔至合适的深度；

[0067] S2、向钻孔内投放若干个监测结构3至指定深度；

[0068] S3、通过控制器1控制驱动机构带动两个密封筒302相互远离，使丝状流速流向感测结构与水体接触；

[0069] S4、监测多个丝状流速流向感测结构的拉力数据；

[0070] S5、利用BP神经网络模型实时监测不同深度地下水的流速与流量。

[0071] 进一步优化方案，S5步骤包括：

[0072] S5.1、定义网络结构；

[0073] 第一层(fc1)：这是网络的输入层到隐藏层的部分。该层的输入大小为1，若干个拉力感测元件308两两对应，以(Index，Timescale，A，B)的方式形成若干个数组F，其中Index表示当前对应的流向流速感测细丝304序号，用以区分不同的流向流速感测细丝304，Timescale表示时间刻度，A表示位于同一流向流速感测细丝304上方的拉力感测元件308读
数，B表示位于同一流向流速感测细丝304下方的拉力感测元件308读数，若干个数组F(数组F的数量等同于流向流速感测细丝304的数量)组成一个矩阵M，矩阵M作为输入特征，计算相同时间刻度下不同位置的流向流速感测细丝304受力以及相邻时间刻度下的拉力值变化
率，从而计算水体流向与流速。

[0074] 该矩阵M有10个输出节点，也就是隐藏层的节点数。这个层的权重矩阵的大小是10x1，偏置向量的大小是10x1。ReLU激活函数在正向传播过程中将所有的负输出置为0，保留所有的正输出。

[0075] 第二层(fc2)：这是网络的隐藏层到输出层的部分。该层的输入大小为10，因为我们的隐藏层有10个节点。它有2个输出节点，因为我们预测的是水流方向和速度两个特征。
这个层的权重矩阵的大小是2x10，偏置向量的大小是2x1。ReLU激活函数在正向传播过程中将所有的负输出置为0，保留所有的正输出。

[0076] S5.2、创建数据集；

[0077] 具体包括，数据收集：收集拉力感测元件308的拉力数据，利用公式推算出实际的水流冲击力数据，并将同一时间内的多组拉力感测元件308的拉力数据统计整理为若干个
数组F，将这个数组F组成一个矩阵M。这些数据可以通过探测器进行收集。

[0078] 数据预处理：对数据进行预处理，包括标准化、归一化或去除异常值操作，对矩阵M进行处理后，得到一个更加规范化的矩阵N。

[0079] 创建数据集：将测试后获得的样本数据分为输入数据和输出数据。输入数据是若干个流向流速感测细丝304所受到的水流冲击力，输出数据是水流方向和速度，这个水流方向和速度为已知数据。将这些数据转换为PyTorch张量，然后输入到BP神经网络中进行训
练。

[0080] S5.3、创建模型；

[0081] S5.4、定义损失函数和优化器；

[0082] 在水流流速与方向的神经网络模型中，损失函数和优化器都是非常重要的部分，它们分别负责衡量模型的性能和调整模型的参数：

[0083] 具体来说，对于每一个观测(也就是一个数据点)，损失函数都会计算模型预测的水流流向与流速与实际情况之间的差距。这个差距是基于概率的(交叉熵损失)，交叉熵损
失函数用于二分类问题。在这个循环神经BP神经模型中，它用于评估模型预测的概率与实
际标签之间的差距。该函数会尽可能地使得预测的概率接近于实际的标签，从而优化模型
的表现。理想情况下，损失函数的值越低，说明模型的预测越准确。

[0084] 优化器：优化器在神经网络中的作用是调整模型参数，包括权重、偏置，以最小化损失函数。优化器会根据当前模型的损失函数值来决定如何改变参数，以使得损失函数值尽可能地降低。本循环模型采用随机梯度下降(SGD)的优化器。

[0085] 随机梯度下降(SGD)的基本思想是在每次迭代中，随机选择一个样本来计算损失函数的梯度(也就是损失函数关于模型参数的导数)，然后按照这个梯度来更新参数。

[0086] 具体来说，使用随机梯度下降的算法训练本循环神经BP神经网络需要进行以下步骤：

[0087] 初始化：为神经网络的权重和偏差初始化一些值。这些值通常是随机选择的，目的是打破对称性并帮助网络学习。

[0088] 前向传播：使用这些初始参数值来计算网络对每个输入的预测输出。这涉及到按照网络的结构和参数(权重和偏差)进行的一系列数学运算。

[0089] 计算损失：得到预测输出后，对该模型计算交叉熵损失，即预测输出和实际输出之间的差异。

[0090] 反向传播：计算损失函数相对于每个参数的梯度。通过反向传播算法完成的，该算法从输出层开始，逐步向输入层反向计算梯度。

[0091] 更新参数：使用这些梯度来更新网络的参数。通过减去学习率乘以梯度来完成。学习率是一个超参数，它决定了参数更新的步长大小。在SGD中，每次只用一个样本来更新参数，而不是使用整个数据集。

[0092] 迭代：以上步骤在一个数据批次(batch)上重复进行，直到达到预设的迭代次数，或者满足其他停止准则。在每次迭代中，使用新的数据批次来更新网络的参数。

[0093] S5.5、训练模型；训练模型时，可以基于已有数据重复上述的步骤，对错误与偏差进行纠正后得出一个相对优良的模型，以提高整体的准确率。除此之外，也可以利用流体模拟软件进行模拟预测，并将模拟预测的结果导入到该模型中进行训练。

[0094] S5.6、将实时监测到的多个丝状流速流向感测结构的拉力数据导入模型进行评估；

[0095] S5.7、利用实时监测到的多个丝状流速流向感测结构的拉力数据计算出地下水流向与流速。

[0096] 在本发明的描述中，需要理解的是，术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

[0097] 以上所述的实施例仅是对本发明的优选方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出
的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。