土岩滑坡变形成因及地质灾害预测方法研究

由于当前已有方法未能对滑坡变形监测数据进行滤波融合处理，导致预测结果准确性较低。提出一种土岩滑坡变形成因及地质灾害预测方法，对土质滑坡地质情况以及区域概况进行分析，结合前期勘察以及野外地质调查结果，构建滑坡地质概化模型，进一步分析导致土岩发生滑坡变形的主要原因。采用Kalman滤波方法对各个区域的位移监测数据进行滤波融合处理，同时通过EMD信号分解方法以及支持向量机预测方法对滑坡的变形过程进行预测，进而构建地质灾害预测模型，使用模型进行灾害预测。仿真实验结果表明，所提方法可以获取更加精准的地质灾害预测结果。     

基于Verhulst模型改进的"斋藤法"变形趋势预报研究

根据现场监测数据和“斋藤法”蠕变理论，提出了岩体边坡临近滑坡但未滑落部位边坡变形改进的“斋藤法”曲线和变形发展四阶段，推导了改进的“斋藤法”变形、速率、加速度曲线方程及滑坡预报时间模型，建立了基于位移信息的Verhulst灰色模型以确定滑坡预报时间模型中的参数。最后，以水厂铁矿北区采场上盘复杂岩体边坡滑坡监测数据为研究背景，验证了改进的“斋藤法”可靠性及精度。     

基于多变量自优化动态神经网络的“阶跃型”滑坡变形预测

传统累计变形预测方法在曲线结构分解和表征模型选择上具有多样性,由此引起了工作量大、预测精度低以及预测方法适用对象较局限等问题,为此考虑降雨量、库水位、库水位变化对滑坡累计变形的影响,基于非线性自回归模型建立了多变量自优化动态神经网络,并将其应用在三峡库区典型的“阶跃型”滑坡——白家包滑坡累计位移预测中。通过对滑坡变形累计曲线时间序列的分析,采用神经网络方法对全曲线模型进行求解,形成了非线性自回归神经网络模型,利用多种群遗传算法对神经网络的参数和结构进行优化训练,并将适应度函数均方误差作为预测模型误差偏离标准。结果表明:所提出的自优化动态神经网络对滑坡多个测点的累计位移拟合精度高,误差可控制在1%左右,预测过程减少了主观因素引起的误差,考虑了滑坡发展过程的动态性,可为“阶跃型”滑坡累计位移的实时预测提供参考。     

动态灰色时序神经网络组合模型在地铁运营期沉降预测效果分析

为了提高在变形监测中数据预测的精度以及它的可靠性,该文提出了基于动态灰色时序模型与神经网络组合的预测方法。根据已有的地铁沉降数据,对地铁隧道结构变形进行数据分析与预测,并与动态灰色模型、动态灰色时序模型进行精度对比。实例证明,该组合模型在地铁隧道结构变形预测中的精度较高。     

露天矿边坡监测中的小波滤噪与BPANN预测

针对边坡变形量预测难的问题, 将小波分析与BP神经网络预测相结合, 采用小波变换对边坡变形监测数据进行信噪分离, 进而消除观测误差, 通过BP神经网络预测模型BPANN对处理后数据进行再处理, 对边坡变形量以及变形趋势进行预测。进而提出了一种基于小波变换和BPANN模型对露天矿边坡变形监测数据进行处理分析的方法, 并在鞍山某露天矿进行了实际应用。实例结果表明: 利用小波去噪与BPANN模型预测的监测点精度达到3 mm, 满足二等变形监测的要求, 数据处理简便, 在露天矿边坡变形监测数据的消噪与预测中具有实际应用价值。     

小波神经网络在露天矿边坡变形预测中的应用

为了提高边坡位移变形监测数据预测的精度和可靠性,建立了基于改进BP算法的小波神经网络预测模型。以水厂铁矿GPS边坡监测数据为样本,通过编制Matlab小波神经网络程序进行训练和预测。结果表明,小波神经网络预测模型有良好的函数逼近能力及容错能力。因此,该预测模型在非线性时间序列预测中,具有高精度性和可靠性。     

铜黄公路川口滑坡安全监测研究

针对铜黄公路某滑坡的变形破坏特点,建立了地表及坡体变形的监测体系.根据监测数据,对该滑坡进行安全预测.计算结果表明,该滑坡治理后是稳定的.     

露天矿高陡边坡变形预报的最优LMBP算法研究

为提高BP神经网络在露天矿高陡边坡变形监测数据预测的精度与可靠性,建立了基于LM算法改进的LMBP神经网络预测模型。以某露天矿边坡监测数据为样本,构建了LMBP最优网络拓扑结构,通过MATLAB编制程序进行了网络训练和预测,应用结果表明:LMBP神经网络具有良好的函数逼近能力及较快的网络收敛能力,且该模型计算结果较为精确,预测精度较高。     

孙家庄滑坡失稳机制分析

根据兴山孙家庄滑坡的地质资料,阐述该滑坡物质组成及结构特征。基于宏观变形特征,结合监测数据对孙家庄滑坡的变形机制进行分析,并对其稳定性进行计算,预测滑坡的变形趋势。分析表明孙家庄滑坡的变形主要与库水的软化、浮托作用和降雨作用有关,但库水的影响明显小于降雨的影响,可将该滑坡归结为水库—降雨型滑坡;通过稳定性计算,也表明影响滑坡稳定性主要为降雨因素,综合评价该滑坡的发展趋势为不稳定。     

基于优化GM(1,1)在基坑变形预测中的应用研究

传统GM(1,1)模型以数据序列背景值边界均值预测基坑沉降变形,精度低、残值大。基于灰色理论应用对数法与二次插值法分别对传统模型进行改进与优化,结合基坑沉降变形监测数据,采用三种模型分别预测对比分析,研究结果表明:改进的两种预测模型精度优于传统模型;预测值与监测值在基坑沉降变形趋势一致。     

灰色系统分析在沉降监测中的应用

文章对在沉降监测中如何利用灰色系统理论进行数据分析与预测做简要阐述,同时研究影响GM(1,1)预测模型预测精度的因素,探索如何提高模型预测精度,进而更好完成变形监测工作。     

红旗铁矿改进Knothe时间函数开采沉陷预计模型

针对Knothe时间函数模型对开采沉陷过程的预计结果与沉陷实际发生过程不完全符合的问题,分析了该模型的缺陷,提出了改进的Knothe时间函数开采沉陷预计模型。结合河北省武安市红旗铁矿6300综放工作面地表沉陷实测数据,构建了改进的Knothe时间函数开采沉陷预计模型,并进行了模型精度分析。研究表明:经过累计387 d观测,改进的Knothe时间函数开采沉陷预计模型的预计值与实测值的误差为0.2~73.6 mm,平均误差为35.2 mm,优于BP神经网络模型(误差为8.1~143 mm,平均为49.9 mm)、SVM模型(误差为0.7~105.1 mm,平均为35.8 mm)以及概率积分法模型(误差为18.2~180.5 mm,平均为102.6 mm),对于高精度预计该矿开采沉陷具有一定的作用。     

综合GPS技术与灰色模型的西郝庄铁矿开采沉陷预计

矿区开采产生的空区易引发地表沉陷、塌陷等一系列地质灾害问题,严重威胁矿区及周边生态环境。以西郝庄铁矿为例,在分析矿区地质特征的基础上,基于GPS监测技术原理,构建了西郝庄铁矿地表沉陷监测网;然后采用该GPS沉陷监测网获取的监测数据,基于灰色理论构建了G（1,1）沉陷预计模型,给出了监测点的沉陷预计公式;最后通过Matlab软件构建了矿区数字高程模型,并对矿区地表沉陷较严重的部位进行了预计。研究表明：①矿区大部分区域的累计沉陷值基本小于40 mm,发生地面塌陷的可能性较小,CD3#、CD4#、CD5#、CD6#点附近沉陷值较大,约60 mm;②G（1,1）模型的预计值与实测值的误差分别为1.38%（CD3#点）、0.56%（CD9#点）,预计值和实测值构建的矿区数字高程模型基本一致,表明G（1,1）模型对于矿区开采沉陷的预计有一定的精度。     

曲线拟合与插值模型在矿区变形预测中的应用

本文针对某矿井下开采地表移动变形数据,运用MATLAB编程技术分别建立了地表变形三次样条插值模型与最小二乘曲线拟合模型,并对两种模型的预测精度进行了比较分析,由实测数据通过计算得出结果。结果表明,这两种模型在相对平稳的变形中基本都能满足变形预测的要求,三次样条插值模型的预测精度要比最小二乘曲线拟合模型高,其中在选定的三种最小二乘曲线拟合模型中,四次曲线拟合模型的预测精度最高。     

地基真实孔径雷达精度验证方法与实验研究

常规形变监测手段受限于数据精度、监测范围、适用环境等因素,严重制约滑坡、坍塌灾害的预警预报工作。基于差分干涉技术的微波遥感方法是进行非接触表面微小位移高精度监测的先进技术在应急救援、防灾减灾、矿山安全生产、边坡稳定性评估等方面均有有效应用。本文应用自研的地基真实孔径雷达系统,在分析信号模型的基础上,归纳了强散射特性目标回波数据处理流程,提出了适用于验证该类型雷达系统形变监测精度的方法。据此开展了基于三角板角反射器的点目标静止与位移实验,通过雷达回波幅值分析与点云数据拟合,判别预设目标空间位置并确定目标位移标准值,证明了所提方法的有效性和系统0.1 mm监测精度。在内蒙古黑岱沟露天煤矿进行边坡监测实验,结合若干点目标形变数据说明了系统良好的实用性。     

基于随机权重法改进PSO-ELM的露天矿边坡稳定性分析

为提高极限学习机(ELM)模型在弓长岭露天矿边坡稳定性预测中的精度,有效解决ELM模型在训练过程中随机产生的连接权值和隐含层阈值而导致模型稳定性差的问题,引入基于随机权重法改进的粒子群算法(IPSO)进行优化,提出了改进粒子群算法优化极限学习(IPSO-ELM)模型,将该模型应用到弓长岭露天矿边坡监测的数据中,把预测结果与ELM模型和PSO-ELM模型的预测值进行对比分析,结果表明：IPSO-ELM模型预测值接近于实测值,预测精度高、预测速度快,模型构建合理,在露天矿边坡预测中具有较高的可行性,可作为露天矿边坡预测的一种参考方法。     

融合自注意力机制的 Conv-LSTM 边坡位移预测方法

露天矿边坡的稳定性直接影响到矿山的安全生产，边坡位移监测数据是表征边坡变形发展过程的重要参量，通过对监测数据进行分析研究，有助于实现滑坡预警。以河北金隅鼎鑫水泥有限公司某开采中的矿山边坡为例，基于监测点采集的边坡位移数据，建立了基于卷积—长短期记忆网络(Conv-LSTM)的多因素边坡位移预测模型。利用长短期记忆网络（Long Short-term Memory，LSTM）提取位移时间序列中的时序信息，通过卷积层提取位移序列中隐藏的深层特征。针对卷积层对于数据之间内部特征提取不充分的问题，引入自注意力机制(Self-attention Mechanism)充分提取边坡位移数据之间的关系特征。试验结果表明：融合自注意力机制的Conv-LSTM边坡位移预测模型的预测准确率较高，与原始位移序列的相关性较好，能更真实地反映边坡变形规律。     

基于叠加马尔科夫链的边坡位移预测研究

针对边坡监测数据的时效性问题,运用叠加马尔科夫链对边坡位移增量进行预测,选取符合马尔科夫链数据要求的位移增量作为预测依据,采用均值-方差法将数据划分为3个状态分级数据区间,并对2019年11月1日至2019年12月30日的60个数据进行分级,得到了不同步长的转移矩阵和均值向量,预测了2019年12月31日、2020年1月1日和2020年1月2日的位移增量分别为2.88、2.84和2.73,预测精度可达到97.3%、89.08%和89.75%,预测精度高、效果好,为边坡位移监测数据发挥预警作用提供了案例支撑,对处理矿山边坡监测数据具有参考意义。     

利用卡尔曼滤波综合算法构建开采沉陷预测模型

为提高矿区地表沉陷预测精度,提出了基于自回归综合移动平均模型（Autoregressive Integrated Moving Average,ARIMA）的卡尔曼滤波模型与Elman神经网络相结合的综合预测模型。首先,针对沉陷监测序列的非平稳性与复杂性特点,ARIMA模型能够将原始数列平稳化,构建地表下沉预测模型,并作为卡尔曼滤波的状态方程;然后将Elman神经网络的沉陷预测结果作为观测值引入卡尔曼滤波观测方程中,建立综合预测模型;最后针对噪声方差Q与R选取的问题,统计出ARIMA模型与Elman神经网络模型的误差特性,从而计算出噪声Q与R的取值。分别将综合预测模型与BP神经网络模型、Elman神经网络模型以及卡尔曼滤波模型进行了预测精度对比,4种模型预测值与实测值的均方根误差分别为2.06、5.857 8、2.926 9、3.688 9 mm,相对误差分别为1.170 4％、3.050 2％、1.432 6％、1.908 4％,绝对误差平均值分别为1.886 7、10.703 9、2.329 4、2.807 6 mm。研究表明：综合预测模型能够有效减小单一预测机制造成的同一性质误差累积,其预测精度明显优于其余3种模型,对于大幅提升矿区地表沉陷的预测精度有一定的参考价值。