基于灰色理论的某露天矿边坡稳定性预报

以某露天矿GPS位移监测数据为依据,建立边坡稳定性灰色预报方案,对比监测值表明,通过灰色理论建立GM(1,1)模型,得出时间响应函数进行位移预测是可行的.由此编写相应预报软件,便于根据监测数据预测边坡稳定性,对现阶段位移数据预测表明,边坡稳定性较好,后期应加强监测和预报,对矿山安全生产和施工具有一定指导意义.     

基于改进遗传神经网络的抚顺西露天矿边坡位移预测

通过改进遗传算法对边坡位移预测精度进行预测。使用抚顺西露天南帮边坡的雷达位移监测数据对BP神经网络、未改进的遗传神经网络、改进后的遗传神经网络进行训练,得出预测数据,并作对比分析。结果表明:与真实测得的位移数据相比,改进后的遗传神经网络的位移预测误差最小,预测结果精度最大。     

边坡雷达在露天矿山边坡滑坡预警的应用研究

露天矿山边坡位移监测是矿山边坡稳定性监测的主要内容之一,通过位移监测可以掌握露天矿山边坡体的变形规律,及时了解边坡动态并对边坡进行管理。边坡雷达可以通过持续监测边坡表面位移预测边坡变形失稳,并依据岩体变形破坏规律,预测预报滑坡发生的可能性与滑坡时间,通过对乌拉根锌矿2020年12月15日边坡橙色预警信息及监测数据分析,结果表明:边坡雷达可有效实现对露天矿山边坡滑坡提前预警,通过优化预警参数,可使预警信息更加精准。     

基于系统聚类-加权马尔科夫耦合模型滑坡预警方法研究与应用

滑坡的非线性运动规律及演化过程中表现出的随机性态一直是滑坡灾害预测研究的难点之一。针对现有滑坡预警理论与方法仍存在的可信度较低、错误率高及预警不及时等问题,基于马尔科夫链理论和系统聚类基本思想,视滑坡过程中的位移速度演变为马尔科夫过程,运用聚类分析将GPS速度观测信号转换为状态信号,从随机过程角度对滑坡位移加速度a0这一滑坡判据进行了新的描述。认为当监测获得的前日、当日位移速度以及预测获得的次日位移速度状态均为"异常",且动态样本的位移速度均值和标准差持续增大时,预示着滑坡即将发生;在兼顾应规避滑坡预警滞后性的同时,还考虑了预警模型的降噪能力及可信度等3方面需求,提出了以预警区域敏感度、预警正确率与预测共识率为评估函数来检验滑坡预警模型的正确性和有效性,进而提出了系统聚类-加权马尔科夫链耦合滑坡预警方法;结合平庄西露天煤矿顶帮"4·17"滑坡工程实例,以GPS表面位移监测数据为训练集和测试集,对该滑坡预警方法的合理性进行了验证。研究表明:采用该滑坡预警方法,不仅可及时、准确的确定滑坡预警时刻,还可体现滑坡启动、发生、发展在区域上的动态演变过程;对于平庄西露天煤矿的"4·17"滑坡,最佳样本容量为20,此时的平均7 d预警敏感度为84%,对全部监测点的期望预警正确率为93%,平均预测共识率为76%,能够满足工程需要。     

动态修正偏移度阈值的灰色模型及其应用

边坡系统是一个开放的、多因素的动态系统,建立高精度的灰色预测模型,对分析边坡位移演变规律、评价边坡稳定性极为重要。考虑蓄水边坡岩石水致弱化的影响,引入水致弱化系数,通过岩石水致弱化参量及应力-应变关系,推导与饱水-失水循环次数有关的水致弱化总演化方程。结合水致弱化系数,对位移增量偏移度的常规阈值进行修正,得到在边坡不同变形阶段下的偏移度阈值。以位移增量偏移度修正阈值为识别指标,对监测数据异点进行识别平差,建立考虑水致弱化影响的动态修正偏移度阈值的灰色预测模型,并将该模型应用于三山岛仓上露天坑尾矿库边坡工程中。实例分析表明：该模型预测结果与实测数据较为接近,具有较高的精度,能够描述边坡在水位反复升降动态循环过程中的位移变化趋势,对研究边坡的动态稳定性具有重要意义。     

基于Matlab的边坡位移及稳定性预测的神经网络系统

边坡位移的产生及发展对边坡的稳定性是极为重要的，然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理论，在Matlab环境下编程，建立了位移及稳定性预测的BP神经网络模型，运用历史位移数据训练神经网络并进行测试，将训练好的网络模型用于预测边坡位移的发展，进而预测边坡的稳定性。最后将该预测系统用于山东省莱州市仓上金矿北帮边坡工程，预测结果与已有的监测数据相比误差很小，说明效果良好。该系统对了解边坡位移的发展趋势以及研究边坡的动态稳定性具有一定的意义。     

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。     

露天矿边坡位移监测GIS可视化分析研究

以某大型露天矿边坡作为研究背景,针对该边坡位移监测所得的大量监测数据,提出了应用地理信息系统（GIS）技术手段开展边坡位移监测数据分析的研究思路,建立了包括属性数据和图形数据的GIS基础数据库。依托ArcGIS操作平台,实现了露天矿边坡位移监测数据GIS可视化研究分析。结果表明,该边坡下部区域稳定性较好,西帮边坡部分区域及东北角边坡顶部位移较大,稳定性较差。同时,应用GIS技术开展边坡位移监测数据分析,能够更加直观准确地表达边坡稳定性状况,提高了工作效率和信息化水平。     

基于纵向数据与突变理论的边坡滑坡预测新方法及其应用

基于边坡位移监测数据满足纵向数据部分线性模型的假定,采用广义最小二乘法求得回归系数和回归函数,应用B样条法对坡表水平位移和观测时间进行回归分析,得到纵向数据部分线性模型函数.然后将该函数依泰勒级数展开并截取部分函数项,通过变量代换转换成尖点突变模型形式,由突变判据进行边坡滑移危险性识别及边坡滑坡预测.该新方法的提出丰富了滑坡预报理论,并得到了现场实测数据的验证.     

基于GM(1,1)模型的老鹰嘴边坡位移变形预测

边坡的位移变形反映了边坡所处的稳定性状态,因而有效地预测边坡位移可以作为避灾防灾的依据,从而降低地质灾害造成的经济损失。以四川黄山石灰石矿山老鹰嘴边坡位移监测数据为样本,基于GM(1,1)模型建立了老鹰嘴边坡位移预测模型。研究表明,初始预测模型精度较低,通过残差修正,模型等级从Ⅳ级提升到Ⅱ级及以上,得到的位移预测值与实测值的变化趋势更加相近;模型预测序列长度对预测结果也具有影响,通过模型优化研究,得出模型的最佳序列长度为20。     

水厂铁矿边坡变形GPS监测及数据处理

结合水厂铁矿边坡变形GPS监测,围绕监测系统配置、监测点布设、监测网的设计以及卫星预测、坐标转换、数据处理等进行论述。并以3个监测点的5次变形监测结果为依据,结合现场情况及监测经验,对监测结果进行简要分析,证明GPS完全能达到矿山变形监测的精度和要求。结果显示水平方向总位移量和位移运动速度最大值均出现在G3点,分别为23．0和8．4mm／月(7月),这与现场状况相吻合。最后概括出GPS相对其它常规仪器在矿山变形监测应用中的优势。     

基于SSA-BP的露天矿山边坡位移变形预测

针对传统的BP神经网络在预测露天矿山边坡位移变形时存在的局限性,构造了一种基于麻雀搜索算法（SSA）和BP神经网络相结合的边坡位移变形预测模型,先利用麻雀搜索算法对传统的BP神经网络进行权值与阈值的优化,再将麻雀搜索算法优化后的BP神经网络算法（SSA-BP）运用于露天矿山边坡位移的预测。为了验证算法的可行性,将SSA-BP预测模型与WOA-BP、BP以及Elman预测模型针对露天矿山边坡位移变形量的预测结果进行比较。实验结果表明：SSA-BP预测模型针对露天矿山边坡位移变形量的预测相比其他三种模型,其迭代速度块,寻优能力强;通过预测精度评价指标来看,SSA-BP算法的R^2、RMSE、MAPE、MAE、MSE明显优于另外三组算法。为露天矿山边坡位移变形预测提供了一种新的思路和方法。     

基于GNSS技术的排土场边坡监测及稳定性研究

本文介绍了边坡工程监测技术和方法,并以大孤山铁矿废弃排土场边坡监测项目为例,运用GNSS在线监测技术,综合分析边坡变形监测数据,对大孤山排土场边坡的安全状态及稳定性进行评价。研究表明:①大孤山铁矿废弃排土场边坡各监测区域内沉降位移普遍要大于水平位移,且沉降位移的波动趋势显著高于水平位移,可知大孤山排土场边坡变形主要由沉降导致;②各监测区域的沉降位移曲线在2017年7～9月及2017年12月～2018年2月波动显著,呈现先下降后上升的趋势,与监测区域受夏季降雨影响处于活跃期以及冬季冰雪冻胀影响的情况相符,其中,降雨对监测区域变形的影响大于冰雪冻胀的影响;③球团厂、黄岭子村以及滑坡区监测区域的下部变形普遍大于上部变形,邻近滑坡区的尾矿库监测点水平位移及沉降位移要略高于尾矿库其他监测点,由于边坡底部紧邻厂区或居民生活区,应重点关注边坡底部变形,加强监测力度,确保该区域边坡稳定及安全;④综合分析可知,大孤山铁矿废弃排土场边坡划分的四个监测区域中,球团厂变形最大,黄岭子村及滑坡区次之,尾矿库稳定性良好。研究成果对同类矿山边坡工程的监测及预警具有重要借鉴意义。     

基于VMD和BSA-KELM的高陡边坡位移预测模型研究

边坡位移的时间序列曲线存在复杂的非线性特性,传统的预测模型精度不足以满足预测要求。为此提出了基于变分模态分解的鸟群优化-核极限学习机的预测模型,并用于河北省某水泥厂的边坡位移预测。该方法首先采用VMD把边坡位移序列分解为一系列的有限带宽的子序列,再对各子序列分别采用相空间重构并用核极限学习机预测,采用鸟群算法优化相空间重构的嵌入维度和KELM中惩罚系数和核参数三个数值,以取得最优预测模型。最后将各个子序列预测值叠加,得到边坡位移的最终预测值。结果表明：和KELM、BSA-KELM、EEMD-BSA-KELM模型相比,基于VMD的BSA-KELM预测精度更高,为边坡位移的预测提供一种有效的方法。     

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。     

基于EMD-RBFNN的稀土原地浸矿边坡位移预测

受温差、冰霜、扰动等因素影响,原地浸矿在线监测系统采集的数据含有大量噪声和干扰信号,利用系统自带的温度补偿模块难以达到预定数据精度,使得后续预测预警工作出现误差。为此,对原始信号进行处理,EMD分解后,IMF分量可实现自由重构,去掉高频分量,能够较好地去除环境因素对在线监测位移数据的影响,低频分量能更好地反映实际位移值。借助EMD技术的自适应分解特性,提取真实监测数据,并利用RBFNN的最佳逼近效果,建立在线监测数据EMD-RBFNN预测模型。根据某稀土矿实测地表位移数据,进行预测检验,结果表明,EMD-RBFNN模型的地表位移预测数据相对误差仅0.12%,具有较好可靠性和预测精度。     

普通数码相机的坡面位移监测适用性研究

利用近景摄影软件PhotoModeler Scanner设计了一套简单的坡面位移观测方法。使用标定后的普通数码相机快速获取坡面位移监测点的多角度图像,图像经过增强处理后导入软件,利用相关功能模块进行处理后,导出各位移监测点的X、Y、Z三分量坐标。在长期多次测量后,得到坡面各监测点的各位移分量曲线。在每次进行摄影测量的同时,利用0.5′高精度全站仪获得各点的三维坐标作为真实值。待坡面位移基本稳定结束观测后,整理数据,以摄影测量值对比真实值计算出均值平方根（Root Mean Square Error,RMSE）,以评估近景摄影法的精度。结果显示,除部分点误差较大外,多数点测值RMSE值在±2.0 mm左右,三分量总RMSE值为±2.8 mm。说明该研究提出的基于PhotoModeler Scanner的近景摄影测量方法满足一般坡面工程的位移监测要求,可运用于坡面安全状态的评定。