基于变分模态分解与GWO-MIC-SVR模型的滑坡位移预测研究

针对目前滑坡位移预测研究中存在的随机性位移无法分解与预测、支持向量机(SVR)模型中输入向量权值无差异、最优训练组合无法确定等问题,基于时序分析理论和变分模态分解(VMD),结合灰狼优化算法(GWO)、最大信息系数(MIC)和SVR,提出一种新型滑坡位移预测模型。该模型首先采用时序分析法和VMD,将滑坡实际累积位移分解为趋势性位移、周期性位移和随机性位移。然后基于滑坡对各类影响因素的响应分析,为3种位移选择合适的影响因子,并采用GWO-MIC-SVR模型对各位移分量进行多数据驱动的动态单步预测。最终基于训练数据的时效性分析,确定最优训练组合,并应用时序加法模型将最优预测值进行叠加,实现对滑坡累积位移的预测。以三峡库区典型堆积层滑坡——白水河滑坡为例,选取监测点ZG93和ZG118从2004年1月~2013年4月的数据进行研究。结果表明,与以往的研究相比,该模型不仅有效预测时间较长,且预测精度较高,具有较高的实用性和推广应用价值。     

考虑变形状态动态切换的阶跃型滑坡位移区间预测方法

为解决传统阶跃型滑坡位移预测模型研究中存在的突变状态预测结果滞后和结果可靠性不明确等典型问题,提出一种新型滑坡位移区间预测改进方法。首先,采用SOM网络和K均值聚类相结合的方法,将阶跃型滑坡的变形状态划分为变形稳定状态与变形突变状态两类。然后,在综合运用工程地质类比法和自适应综合采样算法扩展突变状态样本的基础上,采用随机森林算法建立能够自动识别滑坡变形状态的集合分类器。最终,基于Bootstrap-KELM-BPNN模型,构建考虑滑坡变形状态动态转换的位移区间预测框架,实现滑坡位移的动态区间预测。以三峡库区内典型阶跃型滑坡——白水河滑坡为例,选取XD01监测点在2006年6月～2016年12月期间的数据进行研究,验证该方法的有效性、准确性和可靠性。     

基于时间序列与长短时记忆网络的滑坡位移动态预测模型

针对滑坡演化的动态特性和传统静态预测模型的不足,提出一种基于时间序列与长短时记忆网络(long and short term memory neural network,LSTM)的滑坡位移动态预测模型。该模型首先采用移动平均法将滑坡累积位移分解为趋势项位移和周期项位移。然后采用多项式函数预测趋势项位移;基于滑坡变形特征与诱发因素的响应分析,建立LSTM模型进行周期项位移预测。最后将各分项位移叠加,即实现滑坡累积位移的预测。以三峡库区典型阶跃型滑坡——白水河滑坡为例,并与支持向量机模型(support vector machine,SVM)进行对比分析。结果表明,与静态模型SVM相比,动态模型LSTM的预测精度较高,在阶跃式变形期的预测优势尤为突出,且不依赖于训练数据时效性的分析。该模型为三峡库区阶跃型滑坡位移预测提供了新的思路和探索。     

多监测点滑坡变形预测的似乎不相关模型研究

采用似乎不相关模型(SUR),可有效地考虑滑坡多个监测点的之间的关联性,对多个监测点的累计位移数据同步处理,更精确地实现滑坡的变形预测。以白水河滑坡为例,取ZG93和ZG118两个监测点,建立2个监测点的累计位移回归方程,根据两步回归法计算得到2个方程的误差协方差矩阵。由于误差协方差矩阵为非对角矩阵,所以2个监测点的回归方程实际上是相互联系的,满足似乎不相关模型的条件,可以建立2个监测点联立的似乎不相关模型,实现对ZG93和ZG118两个监测点的同步变形预测。与传统的普通最小二乘法(OLS)比较,似乎不相关的估计参数比普通最小二乘估计更接近真实值,SUR模型平均相对误差均小于OLS模型平均相对误差,显示SUR模型的预测精度要高于OLS模型。     

基于诱发因素响应与支持向量机的阶跃式滑坡位移预测

受库水位周期性调度和降雨的影响,三峡库区部分滑坡的位移变形呈台阶状。针对滑坡的这种变形特征,提出一种基于诱发因素响应分析的进化支持向量机位移预测模型:应用移动平均法将滑坡总位移分解为趋势项位移和周期项位移,趋势项位移变化受坡体地质条件控制,应用多项式函数进行预测;周期性位移变化受诱发因素联合控制,选取变形主导因素作为影响因子建立进化支持向量机模型进行预测;将分项位移预测值叠加即为总位移预测值。以库区典型阶跃式滑坡——八字门滑坡为例,应用进化支持向量机模型进行预测研究。结果表明:诱发因素响应分析是滑坡位移预测的关键;基于诱发因素响应的进化支持向量机耦合模型在阶跃式变形期有较好的预测效果,是一种行之有效的阶跃式滑坡位移预测方法。     

滑坡位移预测的支持向量机模型参数选择研究

支持向量机(Support Vector Machine, SVM)已被广泛应用到滑坡位移预测,但在具体使用时,SVM的惩罚系数C、核函数参数δ及松弛系数ζ这三个重要参数的取值选择成为影响预测精度的关键。为有效分析SVM三参数取值对滑坡位移预测精度的影响规律,以三峡库区浮托减重和动水压力型两类典型水库滑坡为代表的连续6年地表位移、降雨及库水位监测数据为研究对象,首先,采用移动平均法将位移数据分解为趋势项和周期波动项,并区分训练集和检验集;再结合对滑坡变形机理及影响因素的分析,选择相应预测变量分别建立趋势项和波动项位移预测SVM模型;然后,在固定两参数情形下,通过改变另一参数的取值大小以获得SVM训练集与检验集的预测精度变化规律;最后,建立起典型水库滑坡SVM位移分解预测的参数取值推荐范围。该取值范围可以作为滑坡位移预测SVM模型的参数寻优初始搜索范围,可以在保证预测精度的前提下大大提高搜索效率。     

滑坡速度倒数法预测模型加速开始点识别及临滑时间预测研究

对矿山或自然土质和岩质边坡而言,大多数滑坡预报都是基于边坡变形三阶段蠕变理论,并根据临滑前加速变形阶段即开始加速点(onset of acceleration,OOA)之后的位移进行滑坡时间预测研究。在分析S-SAR型边坡雷达连续监测的位移后,发现以OOA作为速度倒数法(inverse velocity method,INV)分析的开始点(starting point,SP),所预测的滑坡时间具有一定滞后性。基于变形速度随机变量在斜坡处于匀速变形阶段时服从正态分布特征,提出一种应用正态分布置信区间来动态识别SP位置的方法。通过将S-t坐标系统一量纲后转换成T-t坐标系,建立一种T-lgt的滑坡时间预测模型,此模型应用SP位置后的位移数据可以效提高滑坡预测时间准确性。     

基于时间序列分析法的滑坡变形特征研究

应用时间序列分析方法建立滑坡位移ARIMA预报模型。采用差分平稳,自回归AR模型和移动平均MA模型对滑坡位移进行预测,得到了该滑坡监测点TP1的预报模型为ARIMA(2,2,1),然后分析对比实测与预测位移–时间曲线之间的关系。计算结果能够较好地体现出滑坡在外界诱发因素作用下位移的发展变化趋势,说明所建滑坡位移预测预报模型效果较好,在滑坡位移预测中是有效可行的。     

基于时间序列分析法的滑坡变形特征研究

应用时间序列分析方法建立滑坡位移ARIMA预报模型。采用差分平稳,自回归AR模型和移动平均MA模型对滑坡位移进行预测,得到了该滑坡监测点TP1的预报模型为ARIMA(2,2,1),然后分析对比实测与预测位移–时间曲线之间的关系。计算结果能够较好地体现出滑坡在外界诱发因素作用下位移的发展变化趋势,说明所建滑坡位移预测预报模型效果较好,在滑坡位移预测中是有效可行的。     

基于地表监测数据和非线性时间序列组合模型的滑坡位移预测

针对滑坡位移–时间曲线的非线性特征和以往预测模型的不足,提出基于地表监测数据和非线性时间序列分析的组合模型预测滑坡位移。以新滩滑坡和三舟溪滑坡为例,通过对位移、降雨、库水位等资料的分析,研究滑坡的变形特征及影响因素。在利用逆序法和小波分析检验滑坡位移的趋势特征和周期特征的基础上,采用非线性组合模型进行预测,包括利用多项式拟合并预测趋势项位移;用一种基于小波分析的三角函数法(WA-TF)对周期项位移进行预测;遗传算法优化选参的BP神经网络(GA-BP)对波动项位移进行预测。最终将各位移分量累加得到滑坡的累积位移预测值,并与监测值进行对比分析。结果表明非线性组合模型的预测精度高且具有较好的通用性,为滑坡位移定量预测提供了一种可行的思路。     

基于优选组合模型的崩滑体变形预测

单一的预测模型无法准确地预测崩滑体的变形发展趋势,为解决这一问题进行了崩滑体位移的多模型预测及综合评判,从而优选最佳的模型.以三峡库区黄土坡滑坡区的临江1号崩滑堆积体为地质模型,运用灰色理论、神经网络、指数平滑法等基本预测方法组成的优选组合预测模型对崩滑体的变形进行预测,使预测系统更加完善,为崩滑体灾害的预测预报提供理...     

滑坡位移预测的SVR-MIV变量筛选方法研究

支持向量回归机(Support Vector Regression, SVR)在滑坡位移预测研究中已得到广泛应用,但SVR具有模型可解释性差的缺陷,即无法直接获得并筛选最佳预测变量,从而影响预测精度。为此,将较广泛应用于评价神经网络模型变量影响大小的平均影响值(Mean Impact Value, MIV)方法与SVR模型相结合,实现基于SVR-MIV的变量筛选,该方法不但能对所有预测模型初始变量影响大小进行排序,还可以进一步结合反向逐变量剔除分析实现变量筛选。为验证该方法的有效性,选择三峡库区两类典型水库滑坡代表的累积位移监测数据,在采用移动平均法将位移分解为趋势项和波动项的基础上,重点针对波动项位移,选择包括降雨及库水位变动特征在内的12项初始变量,采用SVR-MIV方法进行变量筛选分析。结果表明,该方法筛选出的变量理论上符合对应滑坡变形影响机理分析结论,且可以提高滑坡位移实际预测精度。     

基于滑坡监测数据的预警判据研究

位移-时间趋势曲线是研究滑坡失稳预测十分重要的资料依据,它表明了滑坡变形程度及相对的稳定性程度。文章将边坡失稳时的总位移分解成位移的趋势项和位移的周期项,通过时间序列方法对滑坡位移进行预测。文章以德化县上涌镇桂林村马坪滑坡为例,在监测数据的模糊离散性与随机性的基础上以及变形参数所呈现的相关规律,通过GM(1,1)的灰色模型获得位移的趋势项,采用时间序列加法得到滑坡总位移预测值。通过对已获得的滑坡隐患点的监测数据与数值模拟结果的对比分析,建立数学模型,预测滑坡未来的位移趋势,研究滑坡预警判据,最终以位移速率来概化研究区内台风暴雨型滑坡的预警判据。结果显示,该预警判据对于了解边坡位移的发展趋势以及研究边坡的动态稳定性是有效可行的。     

灰色-神经网络模型在滑坡变形预测中的应用

根据滑坡位移时间序列的单调增长的特殊性和非线性,运用响应成分模型将滑坡位移量分解成具有确定性的趋势项和具有不确定性的随机项,建立灰色-神经网络模型对趋势项和随机项进行预测。将该模型应用于基于实测位移资料的茅坪滑坡变形短期预测,证明该模型的有效性及可行性。     

灰色–神经网络模型在滑坡变形预测中的应用

根据滑坡位移时间序列的单调增长的特殊性和非线性，运用响应成分模型将滑坡位移量分解成具有确定性的趋势项和具有不确定性的随机项，建立灰色–神经网络模型对趋势项和随机项进行预测。将该模型应用于基于实测位移资料的茅坪滑坡变形短期预测，证明该模型的有效性及可行性。     

基于时间序列分析的滑坡位移预测模型研究

 结合滑坡位移监测数据,从分析滑坡位移演变规律的角度出发,将滑坡位移分解为受其自身基础地质条件控制的趋势项位移以及由外界因素如降雨、库水位变动等影响的周期项位移,应用时间序列分析方法建立滑坡位移预报模型。采用二次移动平均法分离滑坡位移的趋势项和周期项,在此基础上分别采用GM(1,1)灰色模型和自回归AR模型分别对滑坡趋势项位移和周期项位移进行预测,将计算得到的各分项位移预测值叠加即得到总位移预测值。以三峡库区八字门滑坡位移为例,分析对比实测与预测位移–时间曲线之间的关系。计算结果能够较好地体现出滑坡在外界诱发因素作用下位移的发展变化趋势,说明所建滑坡位移预测预报模型效果较好,在滑坡位移预测中是有效可行的。     

海底开采岩层变形混沌时序重构与安全预警系统研究

对海底金矿床开采过程中不同高度岩层位移进行了监测,对岩层变形时间序列重构相空间,用混沌理论揭示了不同高度岩层位移在相空间中的相点距离演变规律。用神经网络建立了岩层变形相空间相点距离演化预测模型,预测了新立矿区海底开采岩层变形,并建立了海底开采岩层变形安全预警系统。采用梯度下降法与混沌优化方法相结合方法训练神经网络,使神经网络预测模型实现快速训练的同时,避免陷入局部极小,同时提高了模型计算精度。研究表明,岩层变形表现出混沌特征,对其相空间重构后,岩层变形的细微变化特征被放大,其内在规律能得到充分展示,为建立海下开采安全预警系统提供了基础。     

三峡库区典型滑坡的稳定分析及预测研究

以三峡库区某典型滑坡为例,介绍了滑坡基本特征,结合Morgenstern-Prince法对滑坡进行了稳定性计算,分别计算出各个监测点水平位移17种预测模型的5年预测数据,分析了预测数据变化趋势和滑坡变形趋势。     

降雨诱发堆积层滑坡失稳的位移动力评价预测模型研究

在系统分析持续堆积层滑坡位移与降雨变化规律及其相互作用关系的基础上,运用弹塑性理论与损伤力学的基本原理,提出以持续降雨增载量作为滑坡的加载动力参数,以相应滑坡位移速率或位移加速度变化作为稳定性位移响应量参数的方法,以此建立和确定降雨动力增载位移响应比评价参数与预测模型;此外,运用损伤力学的损伤变量参数与动力增载位移响应比参数的定量关系,建立该类滑坡的位移稳定性判据。并以新滩滑坡为例,运用该降雨动力增载位移响应比模型对其位移失稳规律进行深入的研究,重点对该滑坡的关键变形部位监测点的持续降雨增载过程与位移响应特征与规律进行系统分析与评价,发现监测点的动力增载位移响应比时序曲线均在滑坡失稳前发生突变,且突变时间与滑坡实际失稳时间基本相吻合。研究表明,降雨动力增载位移响应比是该类滑坡一种有效的位移动力监测评价参数,可运用该参数对降雨型堆积层滑坡进行稳定性评价与预测预报。     

堆积层滑坡卸加载响应比基本原理及其应用

在系统分析降雨型堆积层滑坡位移与失稳动因与机制的基础上,首次提出卸加载响应比理论的基本原理.将降雨量的变化作为滑坡的卸加载参数,相应平均位移速率的变化值为卸加载响应参数,由此确定的位移卸加载响应比作为位移动力学参数,根据堆积层滑坡位移动力学规律论证了该位移动力学参数在滑坡预测预报的可行性和有效性,建立卸加载响应比预测模型.以新滩滑坡分析为例,运用卸加载响应比预测模型对新滩滑坡关键部位监测点A3、B3进行了卸加载响应比计算,发现这两点的卸加载响应比时序曲线均在失稳前发生突变,其突变时间与边坡实际失稳时间完全吻合.上述研究结果证明了卸加载响应比理论是可以应用于堆积层滑坡中短期预测预报的一种有效方法.