边坡非线性位移的神经网络-时间序列分析

边坡的变形表现出复杂的非线性演化特征，大量的工程实践表明利用部分实测的边坡位移时间序列来预测未来边坡的位移更为准确。以神经网络和时间序列分析方法为基础，使用零均值化和标准偏差预处理方法，以及规则化能量函数法和贝叶斯规则化方法进行BP神经网络建模，利用BP网络对边坡位移非平稳时序进行趋势项提取，使非平稳监测时序转化为平稳时序以进行常规ARMA时序分析。结合滚动预测方法，建立了适合岩土体位移预测的神经网络-时间序列分析联合模型，以隔河岩水电站进水口边坡变形和水布垭水电站大岩淌滑坡位移为例进行预测分析。研究结果表明：新模型的预测精度高、实时可靠，可应用于实际工程。     

边坡非线性位移的神经网络–时间序列分析

边坡的变形表现出复杂的非线性演化特征，大量的工程实践表明利用部分实测的边坡位移时间序列来预测未来边坡的位移更为准确。以神经网络和时间序列分析方法为基础，使用零均值化和标准偏差预处理方法，以及规则化能量函数法和贝叶斯规则化方法进行BP神经网络建模，利用BP网络对边坡位移非平稳时序进行趋势项提取，使非平稳监测时序转化为平稳时序以进行常规ARMA时序分析。结合滚动预测方法，建立了适合岩土体位移预测的神经网络–时间序列分析联合模型，以隔河岩水电站进水口边坡变形和水布垭水电站大岩淌滑坡位移为例进行预测分析。研究结果表明：新模型的预测精度高、实时可靠，可应用于实际工程。     

边坡位移预测的神经网络模型研究

了解边坡位移的发展趋势对于预测边坡失稳时间具有重要的意义,而导致边坡产生位移的因素是极其复杂的,采用具有非线性映射功能的神经网络模型,运用历史位移数据训练神经网络,并在Matlab环境下编程实现,与实测值相比较,神经网络模型具有很高的预测精度.     

基于时间序列的神经网络建模及边坡位移预测

边坡系统是一个影响因素众多、非常复杂的非线性系统,使得作为边坡内部力学现象外部表现的边坡变形同样具有很强的非线性特征,而神经网络所具有的高度鲁棒性、学习和联想记忆功能及数据挖掘等特性,对诸如存在内在联系的单时间序列的边坡位移预测有着较大的优势.以此为出发点,通过对单时间序列特点的分析,构造了基于单时间序列的神经网络预测模型,并以渝黔高速公路某边坡位移实际监测数据为例进行了计算.研究结果表明,通过挖掘边坡位移序列中的隐含信息,运用单时间序列BP神经网络进行边坡位移预测是完全可行的,预测平均误差仅为2.72%,预测结果与实际情况吻合度较高.最后通过与传统灰色理论预测方法进行对比发现,该方法预测效果明显提高,预测误差平均降低了近8倍.     

堆积层边坡表层位移矢量角及其在稳定性预测中的作用与意义

根据边坡不同稳定性的位移矢量角的形成机制以及对新滩边坡实际资料的分析，发现堆积层边坡的表层位移矢量角是描述和评价边坡整体稳定性的基本参数之一。它有明确的物理意义与预测预报标准，且受局部或随机因素影响较小，同时反映了边坡的变形受力条件与整体稳定性状态，在滑坡预测预报中有着位移或位移速率不可替代的作用。在此基础上，重点对边坡塑性滑移阶段的位移矢量角及其与稳定性的关系进行了系统的分析。运用数理统计趋势位移分析原理建立了边坡位移矢量角和位移速率双参数统计预测预报判据，克服了传统位移时序分析法单一参数预测理论的不足，并运用新滩边坡F系列监控点实际资料进行了双参数的后验稳定性验算与判别。预测结果与边坡的实际失稳时间与规律相吻合，说明该理论判据具有一定的精度和实用性。     

位移时序预测的APSO-WLSSVM模型及应用研究

引入改进的粒子群算法对小波核函数最小二乘支持向量机进行优化,提出了位移时间序列预测的改进粒子群优化小波最小二乘支持向量机预测模型(APSO-WLSSVM)。该模型具有小波变换的良好时、频域分辨能力和支持向量机的非线性学习能力;同时利用粒子群算法优化小波最小二乘支持向量机的参数,避免了人为选择参数的盲目性,从而提高了模型的预测精度。为证明该模型的优越性,将该模型与传统的高斯核函数支持向量机模型的预测结果作了对比,结果表明该模型较传统方法预测精度有了明显提高。最后将该模型用于锦屏一级水电站左岸边坡和导流洞进行变形预测,预测结果表明该方法科学可靠,在岩土体位移时序预测中具有良好的实际应用价值。     

滑坡位移分形参数Hurst指数及其在堆积层滑坡预报中的应用

 在系统分析堆积层滑坡的物质组成和位移失稳规律的基础上,根据分形理论基本原理,对该类滑坡的位移失稳过程所具有的非线性、突变性和分形降维特性进行较为深入的分析与研究。运用分形理论R/S分析法,确定滑坡位移时序分形动力学参数位移Hurst指数,并分别以三峡库区典型堆积层滑坡——新滩滑坡和黄蜡石滑坡为例,计算滑坡位移失稳过程的Hurst指数。分析和评价位移Hurst指数与边坡稳定性的关系,发现Hurst指数随着边坡由稳定向失稳的演化出现明显降维突变规律,且降维时间与滑坡整体失稳时间相吻合。这表明位移Hurst指数是堆积层边坡稳定性评价的一种有效非线性分形动力学参数,可以运用这个非线性分形参数对该类滑坡失稳演化趋势与规律进行非线性动力学评价与预测。     

应用混合核PSO-KELM模型预测边坡位移

针对边坡位移预报的复杂性,提出一种预测边坡位移的混合核PSO-KELM模型:将极限学习机(ELM)方法用于对边坡位移时序预测的研究,按多核学习的思想,构造由径向基核函数和多项式核函数经加权而成的混合核函数,对新构成的混合核函数,综合了径向基核函数和多项式核函数的优点,并通过粒子群算法(PSO)对模型的参数进行优选,避免了人工操作的繁琐性。工程应用表明,在单步滚动预报时混合核PSO-KELM模型所得结果远优于标准SVM模型,较混合核PSO-LSSVM模型也有一定的提升;在多步滚动预报时,混合核PSO-KELM模型也可得到较满意的精度。     

边坡位移多层递阶回归预测模型研究

根据边坡安全监测数据,分析边坡位移影响因子及影响模式,对边坡地表位移进行回归分析。结合回归模型和多层递阶模型的优点,对回归模型中回归参数固定的缺点进行改进,建立了多层递阶回归预测模型,模型具有较高预测精度,适合于中长期位移预测,对边坡稳定性预测具有参考意义。     

基于边坡位移监测数据的进化支持向量机预测模型研究

支持向量机方法是基于统计学习理论和结构风险最小化原则的学习方法,在回归预测方面具有良好外推能力,并且适合小样本的统计学习问题。建立支持向量机预测模型,对边坡位移进行预测计算,将预测值和实测值对比分析,验证了支持向量机预测模型较强的外推能力和预测计算的有效性。通过对边坡位移初始时序位移数据进行灰色理论的累加生成和累减生成处理,形成新的时间序列数据,在此基础上,计算出预测值,并与基于初始时间序列的支持向量机预测结果对比分析,基于新生成的时间序列数据进行预测计算结果精度明显提高。基于边坡位移监测数据构建训练样本数据集,研究了训练样本数据集的选取对预测结果的影响。对支持向量机预测模型的关键参数进行敏感度分析,并采用进化算法–微粒群算法对支持向量机模型参数加以优化,提高了预测精度。     

边坡位移预测的RBF神经网络方法

利用边坡实测位移序列来预测边坡未来时间的位移,可以有效地判断边坡的稳定性。由于神经网络可以通过对样本的反复学习来反映边坡复杂的非线性演化关系,其预测效果要优于传统的预测方法。RBF神经网络作为一种性能良好的前馈网络,具有更好的逼近能力和全局最优特性。以边坡位移时间序列为基础,采用RBF神经网络建立边坡位移预测模型,通过最近邻聚类学习算法实现边坡位移预测,具有结构简单、学习速度快、预测精度高的特点,网络的外推能力也较强。通过2个工程实例说明边坡位移预测的RBF神经网络方法的有效性。     

非线性位移时间序列预测的进化-支持向量机方法及应用

提出了一种新的岩土结构位移预测的进化支持向量机方法,用遗传算法来搜索支持向量机的参数和核函数,避免了人为选择参数的盲目性,同时提高了支持向量机的推广预测能力;利用这种非线性智能预测方法,滚动预测施工位移变形量,以便及时调整和优化施工步序,维护岩土结构的稳定性。将该方法用于卧龙寺边坡变形、三峡永船闸边坡变形预测,结果表明,该方法具有科学可靠、实时性的优点,具有广泛的应用前景。     

基于汶川地震强震动记录的边坡永久位移预测模型

边坡的永久位移为边坡工程的抗震设计和坡体稳定性判识提供了可靠的依据。利用汶川地震时记录到的大量强震动记录,建立了基于临界加速度比、 Arias 强度和地震剩余强度的永久位移预测模型。通过能量法将实测边坡位移转换为无支护结构的边坡永久位移,并利用其检验了模型的有效性。文中提出的 3 种位移模型与回归数据具有良好的相关性,基于地震剩余强度的模型拟合效果最佳,说明永久位移与地震剩余强度具有强相关性;以临界加速度比为参数的模型简单实用;以 Arias 强度为参数的模型判定系数和预测精度均较差。研究结果表明,由于记录台站的当地效应,基于强震动记录回归的永久位移模型具有区域相关性。文中提出的模型可为四川及其邻近省份的西部山区区域地震滑坡风险评价、震后滑坡灾势评估以及具体边坡工程地震稳定性的快速预估提供依据。     

动荷载下边坡滑动的试验研究

为了较为真实地反映边坡在地震作用下的真实行为，本文对岩石边坡问题作了简化模型的振动台动力试验。对于模型的夹层效应，空间作用，荷载的频幅特性与历时特性等都作了较为全面的试验研究。提出了边坡动力残余位移的累积计算公式。将试验结果与本文提出的本构预测相比较，表明二者是一致的。     

基于RBF神经网络的边坡稳定性预测

RBF神经网络具有极强的非线性映射能力,精度高。本文基于RBF神经网络原理,采用自组织选取中心法,建立基于RBF神经网络的边坡稳定性预测模型,并选取大量边坡工程数据作为学习训练和预测样本,利用该模型进行学习和预测。研究结果表明,在处理边坡稳定性预测问题中,该方法具有很好的适应性和较高的精度。     

基于剪切位移的层状岩质边坡稳定性预测预报模型

在阐述了层状岩质边坡的工程特性和控稳因素后，揭示了层状岩质边坡内地下水的分布特征。针对包气带裂隙水对边坡稳定性的重要影响，提出了将其概化为经水力折减后的面力的模拟方法，并将包气带水力折减系数作为反演参数，采用三维非线性有限元法和可变容差优化方法，建立了基于潜在滑裂面剪切位移实测值的边坡稳定性预测预报模型，该模型在江阴大桥等工程实践中取得了满意的效果。     

边坡位移时间序列分析预测

将边坡位移看成是一系列时刻t1,t2,t3,…,tn得到的时间序列,采用时间序列AR模型,对其进行模型识别、参数估计、位移预报。预测结果表明：AR模型实时建模的分析方法能较好地反映边坡位移变形的动态变化规律,准确预报出边坡位移的发展趋势。     

基于相空间重构的BP神经网络对边坡的位移预测研究

边坡的位移预测对其稳定性的预报具有十分重要的意义,从基于相空间重构的BP神经网络预测方法对位移时间序列进行了分析,对相空间重构的参数延迟量以及嵌入维数进行了论述,将预测结果与传统的BP神经网络模型的预测结果进行了比较。结果表明,基于相空间重构的BP神经网络具有更高的精度,是一种优秀的预测方法。     

蠕滑型边坡动态稳定性系数实时监测及其位移预警判据研究

 滑坡的蠕滑位移过程本质上就是滑坡岩土体的损伤变形演化过程。因此,在系统分析蠕滑型边坡不同蠕滑变形阶段的变形演化特征与损伤破坏机制基础上,运用损伤力学基本原理,探索和揭示边坡蠕滑变形与其稳定性系数的相互内在联系,确定边坡的蠕滑位移与其坡体损伤变量及其稳定性系数的定量关系,并依此建立基于边坡蠕滑位移参数确定其动态稳定性系数的方法;同时,依据位移–时序曲线切线角速率和加速率参数变化规律,研究和确定基于安全系数的边坡稳定性位移监测预警判据 和边坡安全稳定预警时间 。最后,以典型鸡鸣寺滑坡为例,运用蠕滑型边坡动态稳定性系数与位移监测预警判据,对该滑坡的稳定性演化过程进行后验分析与评价,并同时与斋藤迪孝法预测结果进行对比,其分析评价结果与该滑坡实际稳定演化规律基本吻合,表明所提出和确定的有关位移监测预警判据参数,在蠕滑型边坡的稳定性评价与预测中具有一定的实用性和有效性。     

用于边坡变形分析与预测的PSO-Prophet模型

针对边坡变形分析与预测中周期项提取方法不确定性大和组合预测模型复杂度高的问题,构造一种基于PSO-Prophet的边坡变形分析与预测模型。将兼具时序分解与组合预测功能的Prophet模型引入到边坡变形信号处理中,并利用PSO算法优化Prophet的模型参数,以提高其适用性和预测精度。对某边坡监测点进行预测,在原始非等间隔时序中,PSO-Prophet模型的预测精度较Prophet模型提高了46%;在内插后等间隔时序中,PSO-Prophet模型、S-GSSVR模型、HP-ARIMA-LSTM模型和SSA-Verhulst-FS模型组合预测值的均方根误差分别为4.7,9.6,13.2和12.0 mm。实验结果表明,PSO-Prophet模型处理流程简洁,对受周期项影响较大的边坡变形时序具有较高的预测精度。