阶跃型位移特征滑坡的预测预报研究

针对以往滑坡预测预报模型对于阶跃型变形特征滑坡破坏时间预测精度较低的缺点,需建立以位移作为目标函数来反映滑坡位移变化规律的预测模型。基于时间序列分析方法将滑坡位移分解为趋势项位移和波动项位移,并采用移动平均法分离趋势项位移和波动项位移。然后分别采用多项式拟合和自回归滑动平均(ARMA)模型对滑坡趋势项位移和波动项位移进行预测,最后叠加两个位移分量得到总位移预测值。将此方法应用于三峡库区某典型阶跃型变形特征滑坡,预测值曲线与总位移观测值曲线基本吻合,较好地反映了滑坡阶跃型的演化特征,表明该模型预测阶跃型变形特征滑坡位移精度较高。且该方法计算原理清晰明确,计算过程容易实现,具有较强的工程实用性。     

基于LS-SVM模型的白水河滑坡台阶状位移预测

滑坡位移是滑坡变形破坏最直观的表现,滑坡位移预测成功与否对于判别滑坡的演化趋势至关重要。滑坡位移曲线是受多种影响因素共同作用的非平稳时间序列,以三峡库区白水河滑坡为例,利用HP滤波分析方法提取滑坡位移的趋势项,趋势项位移主要是由滑坡自身特征决定的,具有较明显的非线性递增特性,采用多项式对其进行拟合预测;周期项受多种诱发因子(滑坡演化阶段、季节性降雨、库水位升降等)影响,利用最小二乘支持向量机模型(LS-SVM)对其进行训练与预测。将趋势项和周期项拟合预测结果叠加即为累计位移预测值,结果表明在监测点ZG93和XD-04的预测中,LS-SVM模型均具备较高的评价精度,在台阶状位移特征的滑坡位移预测中具有较好的适应性。     

基于外因响应的滑坡位移预测模型研究

根据滑坡位移序列的单调性和非线性,将滑坡位移分为趋势项和偏离量,建立曲线回归-BP神经网络模型对滑坡位移进行动态预测。以三峡库区树坪滑坡为例,首先通过曲线回归提取滑坡位移趋势项;然后在选取滑坡位移动态变化影响因子的基础上,建立BP神经网络模型逼近位移偏离量;最后将趋势项和偏离量预测值叠加,得到滑坡位移预测值。结果表明,该模型可更好地反映影响因子动态变化对滑坡位移发展的关键作用,预测的平均相对误差为3.3%,有效地提高了预测结果的精度。     

基于蚁群算法优化极限学习机模型的滑坡位移预测

采用高精度的优化算法对于提高滑坡位移预测模型的准确性具有重要意义,然而已有文献中很少对多种优化算法进行对比研究。以三峡库区的八字门滑坡为例,以极限学习机（ELM）理论为基础进行滑坡位移预测,同时运用多种算法对建立模型过程中的参数选择进行优化以期提高预测效果。为提高预测精度,以移动平均法为基础,将滑坡位移分解为趋势项和周期项,趋势项位移使用多项式函数进行预测,周期项位移使用MATLAB自编程序的极限学习机模型进行预测,两项预测值相加即可得到最终的累计位移预测值。计算结果表明：单一的ELM模型能够较为准确地预测具有阶跃式曲线的滑坡累计位移,预测结果的平均误差为23.5 mm,拟合优度为0.973。与粒子群算法和遗传算法相比,蚁群算法（ACO）在计算用时和优化效果上更优,蚁群算法优化极限学习机模型对位移的预测精度也最高,平均误差为10.1 mm,拟合优度为0.998,可在类似滑坡的位移预测研究中进行推广。     

指数平滑法预测滑坡变形的适用性探讨

为弄清滑坡变形预测中指数平滑法的适用情形,探讨了该法对三峡库区两种典型滑坡位移曲线--台阶型位移变形曲线和波动型位移变形曲线趋势预测的适用性。研究结果表明,对于台阶型位移变形曲线,在变形增量由大变小的转折点处,预测值曲线形成尖峰形状,使得预测值估计偏大,而其它阶段误差值相对较小;对于波动型位移变形曲线,指数平滑法具有相当的滞后性,滞后时间与选取的预测时间间隔大致一致,表现出较差的适应性。      

基于多源时间序列的滑坡位移动态预测

位移预测在滑坡预警预报系统中有着重要地位，为了提高位移预测的精度，提出了变分模态分解和二次指数平滑法、神经网络结合的滑坡位移动态预测方法。首先对历史监测位移数据进行变分模态分解，产生多个模态分量，然后利用二次指数平滑法和极限学习机(ELM)模型进行预测。粒子群优化算法被用来优化ELM模型，最后累加各模态的预测值完成预测。以三峡库区白家包滑坡为例，将所建模型与最小二乘支持向量机(LSSVM)和卷积神经网络-门控递归单元(CNN-GRU)预测的周期项进行比较，结果表明：所用DES-PSO-ELM能够有效预测滑坡位移变化，其均方根误差、平均绝对误差、平均绝对百分误差和相关系数值分别为1.293、0.993 mm, 0.008 0、0.999 8,预测误差最小。研究结果可以为滑坡预警监控系统提供技术依据。     

RNN与LSTM方法用于滑坡位移动态预测的研究

良好的滑坡位移预测是实施滑坡灾害预警的重要组成部分。受限于滑坡位移演化的非线性动态特性,传统的预测方法中普遍存在对历史数据遗忘,致使预测精度不高的问题。为此,提出了一种深度学习的滑坡位移预测方法,分别建立了循环神经网络(Recurrent Neural Network, RNN)和长短时记忆网络(Long Short Term Memory Network, LSTM)2种位移动态预测模型进行比对。以新滩滑坡工程为例,采用"流转训练"的方式,并选取多个监测点位移变化进行动态预测。结果表明,在误差函数满足期望精度时,LSTM模型具有更高的预测精度,且各项评价指标也表明LSTM模型的预测总体效果更优。     

基于储备池运算和分形插值的滑坡位移预测

滑坡地质灾害的预警可通过监测并预测滑坡位移实现。滑坡演化过程机制复杂,在无法得到准确机理模型的情况下,建立数据驱动的滑坡位移模型是模拟滑坡演化趋势的有效途径。针对滑坡演化的复杂非线性以及动态特性,建立基于储备池运算的动态神经网络滑坡位移预测模型。为了使储备池得到更充分的训练,进一步引入分形插值方法对滑坡位移测量序列进行扩展。预测方法用于3种不同发展趋势的典型滑坡,都得到了精确的预测结果。方法为实现具有复杂动态特性的滑坡位移短时序预测问题提供了解决方案。     

基于变分模态分解和深度置信神经网络模型的滑坡位移预测

三峡库区共有滑坡1 000余处,频繁发生的滑坡灾害极大威胁着人民生命财产安全,因此开展合理有效的滑坡位移预测对减少财产损失和拯救人民的生命具有重要的研究意义。以三峡库区白家包滑坡为例,针对当前滑坡位移预测中常用分解方法的局限,在位移时间序列的分解中引入可以控制分解模态数目的变分模态分解方法,选取不同模态参数进行对比,以提高分解模型的精度和有效性;并基于滑坡触发因子建立深度置信网络模型对位移子序列进行预测,重构所有子序列预测结果得到总的位移预测值。总位移预测均值绝对误差3.657 mm,平均绝对百分比误差为0.010%,总体预测精度高,该方法误差小,具有良好的应用指导意义。     

基于小波分析的滑坡变形规律研究

对于有多个GPS监测点的滑坡,通常只研究个别代表性较强的点的位移,以此近似反映滑坡整体变形情况,但这种以点代面的方法与实际相差较大。现利用三峡库区某滑坡长期地表位移监测资料,根据各监测点位移对滑坡整体位移的贡献率,求得综合位移曲线,再利用小波分析等数学方法推导综合位移方程,据此分析了外界因素(降雨、库水位)对滑坡变形影响机理及周期。结果表明:该滑坡现处于潜在不稳定状态,降雨和库水位对滑坡的影响周期约为12个月。应用滑坡总位移方程进行验证性预测后显示,其预测精度达到92%,因此该方程能更真实地反映滑坡稳定性现状和发展趋势,对同类滑坡的研究具有借鉴价值。     

基于RBF多变量时间序列的滑坡位移预测研究

斜坡是一个受到多种因素影响的混沌动力系统,斜坡位移是其内部力学现象的宏观表现,具有很强的不确定性,从而导致难以建立斜坡位移的确定性方程。滑坡是斜坡的一种成因类型,具有相同的系统特性。滑坡经过防治后,其位移的主要外在动力因素除地下水外同时还受到防治设施的控制。滑坡位移及其影响因素所构成的混沌时间序列能够反映滑坡位移动力系统的历史行为。根据观测获得的多变量时间序列重构原滑坡位移动力系统,采用RBF神经网络实现变量间的映射关系,对滑坡位移进行了预测。预测结果对比分析表明:采用多变量时间序列预测模型能对滑坡位移进行有效预测,取得比单变量时间序列预测模型更好的预测效果;多变量时间序列预测模型具有更明确的物理力学意义,更能反映滑坡演化变形的实质特征。     

多元非平稳时间序列分析的滑坡变形预测研究

目前滑坡变形预测的时间序列模型为单变量模型,仅考虑时间-位移关系,未能考虑诱发因素对滑坡位移的影响,因此,建立多变量的时间序列模型十分必要。应用多元非平稳时间序列分析方法,建立了滑坡变形趋势的误差修正模型(ECM),实现了滑坡诱发因素和位移动态变化的综合分析。以三峡库区秭归县白水河滑坡为例,取监测点ZG93为代表,建立了基于多元时间序列分析的误差修正预测模型,并计算预测误差,结果显示,除个别数据点之外,预测误差均在±2.3%以内。     

基于位移时间序列Fourier分析的滑坡预警研究

滑坡灾害的发生是多种致灾因子共同作用的结果,滑坡位移-时间变化曲线蕴含了造成斜坡滑动位移的各影响因素的内在的趋势性及周期性变化的特征。将Fourier分析理论引入到位移-时间序列分析中,从频率域上来分析位移-时间序列在时间域上突变部分的频域特征,提出了滑坡预警频率域阈值的概念,建立了基于位移-时间序列Fourier分析的滑坡预警分级方法。该研究从频域的角度改进滑坡预警预报方法,从而达到更准确的预测预警效果。     

基于优化经验模态分解和最小二乘支持向量机的边坡位移预测

我国库岸滑坡灾害频发,采用高精度优化算法对边坡位移时间序列进行预测对防灾减灾具有重要意义。边坡位移时间序列通常表现出高度非线性特征,传统模型难以对其进行准确预测。为此,本文提出一种基于优化经验模态分解和最小二乘支持向量机的边坡位移时间序列预测模型。该模型采用基于软筛分停止准则的经验模态分解（SSSC-EMD）,可自适应地将边坡位移时间序列分解为多个本征模态分量和1 个残余分量。将残余分量定义为趋势项;通过K-means 聚类方法对分量进行聚类,将其定义为周期项和随机项。采用最小二乘法对趋势项进行预测;建立最小二乘支持向量机回归（LSSVM）模型对周期项和随机项进行预测。将各预测值累加求和,即得到累计位移预测值。以山口岩大坝为例,采用SSSCEMD-LSSVM 模型对厂址边坡位移时间序列进行预测。结果表明：模型能够有效预测位移时间序列,精度优于传统BP 神经网络和LSSVM 模型。     

大华滑坡位移预测模型研究

针对传统滑坡位移预测过程中的不足,提出了一种基于最小二乘支持向量机(LSSVM)的滑坡位移预测方法。以某流域大华滑坡为例,基于时序分析和集合经验模态分解法(EEMD)将原始序列重构为趋势项和波动项,趋势项位移受滑坡内部因素影响,采用最小二乘法与多项式方程进行拟合预测;波动项位移受库水位、降雨、地下水位等周期性因素影响,结合灰色关联度法和核主成分分析法(KPCA)对输入因子进行筛选与降维,并用粒子群算法-最小二乘支持向量机耦合模型(PSO-LSSVM)进行建模预测。最后将趋势项与周期项预测位移相加得到累计预测位移,并对模型预测精度进行定量分析。结果表明,建立的EEMD-KPCA-PSO-LSSVM组合模型预测效果良好,较传统BP神经网络、LSSVM等单一模型有着更高的预测精度,可为同类型滑坡位移预测提供新的思路。     

水库型堆积层滑坡位移方向协调性参数及其失稳判据研究

水库型堆积层边坡位移受库水位循环涨落及降雨的影响,具有波动与震荡的特点,然而其位移变化与突变多为库水位涨落及降雨所引起,并非一定缘于边坡稳定性降低。因此,运用传统单维度位移预测参数与判据分析该类滑坡稳定性时,经常会引起误判。针对传统单维度位移预测参数与失稳判据的局限性,本文根据滑坡全息论的基本原理,提出垂直位移方向率这一水库型堆积层边坡稳定性评价的位移方向协调性参数,并深入分析与确定了水库型堆积层边坡弹性压缩变形阶段和塑性失稳变形阶段该参数与其稳定性演化的定量关系。在此基础上,根据数理统计趋势位移分析原理,建立了边坡稳定性判据准则,并运用新滩边坡F系列监测点实际位移数据进行了垂直位移方向率的稳定性计算与分析。预测分析结果与该边坡实际稳定性演化阶段相吻合,说明垂直位移方向率参数在水库型堆积层滑坡稳定性评价与监测预警中具有一定的有效性。     

基于EMD-TAR组合模型的滑坡位移预测研究

针对非线性波动性发展的滑坡,为了提高其位移变化的预测精度,以经验模态分解(Empirical Mode Decomposition)方法对滑坡监测地表位移的时间序列进行处理,将不规律变化的位移序列转化为存在一定规律变化的模态分量,得到不同频率的位移分量,对每一分量单独预测,避免误差相互影响,通过预测所有分量的变化趋势来综合预测位移序列的变化趋势,利用改进门限自回归模型(Threshold Auto Regressive)对非稳态谐波描述性较好的优势预测滑坡位移分量,最后模态叠加得到最终预测位移,建立了基于经验模态分解和门限自回归模型的组合预测模型,结合白水河滑坡实例数据验证该模型的预测精度,通过与BP神经网络模型、长短时间记忆网络模型进行预测对比,提出的组合模型预测精度较高,为滑坡位移的预测提供了一种新的方法。     

阶跃型滑坡综合变形预测及监测预警方法研究

大型库岸滑坡的长期变形在汛期降雨作用下呈现明显的周期性“阶跃式”陡增特征。针对阶跃型滑坡的变形特征，本文提出了一种多源数据“融合-预测-预警”的三步式滑坡监测预警方法：(1)“融合”,即基于经验模态分解法将多点位移监测数据分别分解为趋势项和周期项，采用加权值法分别融合不同监测点的趋势项和周期项位移得到融合趋势项和融合周期项序列，并将两者叠加得到滑坡体的现状综合变形时间序列；(2)“预测”,即引入“一个预测周期”概念，采用滑动多项式拟合法和随机森林算法分别对融合趋势项和融合周期项进行预测并叠加得到滑坡体的预测综合变形时间序列；(3)“预警”,即基于斜率变点分析方法搜索综合变形曲线的“稳定点”和“跃迁点”,确定稳定变形和加速变形区间的斜率，建立阶跃型滑坡的四级递进式分级预警模型，基于该预警模型对滑坡现状进行预警。以向家坝水库某滑坡体自动化位移监测数据为研究对象，采用本文所提方法对该滑坡进行了综合变形预测和监测预警，结果表明：综合变形时间序列可以整体反映滑坡的变形演化规律，且预测结果可靠，根据分级预警模型判断此滑坡体当前处于稳定变形阶段(Ⅰ级预警)。     

基于诱发因素作用特征的滑坡变形时序模型

降雨、库水位变化是滑坡发生的主要外在诱发因素,降雨和库水位变化的滞后性和周期性是滑坡变形的重要作用特征。考虑降雨及库水位变化的滞后性和周期性对滑坡累积位移的影响,直接将降雨和库水位变化作为滑坡变形位移预测的影响变量,建立多元时序模型。以三峡库区秭归县白水河滑坡为例,首先用灰色模型提取趋势项位移,然后利用滞后的降雨量和滞后的库水位的变化量预测当期的周期项位移,最后将趋势项位移与周期项位移叠加,得到滑坡累积位移的预测值。结果显示,此方法能够很好地反映滑坡诱发因素对滑坡变形的动态影响,预测的平均绝对误差为1.97%,预测精度较高。     

滑坡变形的回归-神经网络预测模型研究

受多种因素影响,滑坡变形具有趋势性和随机性的特点。从滑坡变形监测数据着手,将监测数据分离成趋势值和随机值,建立了滑坡变形的回归-神经网络预测模型。该模型采用逐步回归方法对滑坡变形的趋势值进行预测,用BP神经网络预测方法对滑坡变形的随机值进行预测。利用金沙江乌东德坝址区金坪子滑坡TP06点高程位移变化实测数据,对该模型进行了验证。结果表明:预测误差不超过11%,具有较高的预测精度。