考虑诱发因素影响滞后性的库岸滑坡位移预测

针对诱发因素对于滑坡位移变形的滞后影响,采用平均影响值法(MIV)对不同滞后期诱发因素进行筛选,然后结合广义回归神经网络(GRNN)建立了MIV-GRNN滑坡位移混合预测模型。以三峡库区具有代表性的树坪滑坡为例,将滑坡位移时间序列分解为趋势项和周期项,运用多项式和MIV-GRNN模型分别预测趋势项和周期项位移。分析结果表明:MIV-GRNN模型可以较好地反映诱发因素对滑坡位移滞后性的影响,与传统预测模型相比最大相对误差减少了11.2%。     

基于时序AR补偿RBF模型的滑坡位移预测

为了提高复杂态势下滑坡位移预测的准确性,构建了基于时序AR补偿RBF神经网络的滑坡位移预测模型。首先采用RBF(Radial Basis Function)神经网络对滑坡位移整体趋势进行逼近,获取预测残差;然后基于时序AR构建预测残差补偿器;最终将AR预测残差值与RBF逼近值进行叠加,从而实现滑坡位移预测。以隔河岩水电站进水口滑坡38期监测数据为例,采用AR补偿RBF模型进行预测。预测结果表明:相较于单一RBF神经网络,AR补偿RBF模型的预测平均相对误差由12.718%降低至4.703%,均方误差由0.232降低到了0.032;AR补偿RBF模型对滑坡位移拐点、突变点的逼近更符合实际,且具有较高的外推预测能力。     

三角带滑坡变形特征及其影响因素分析

三峡水库蓄水运营后,地质环境发生急剧变化,古滑坡的复活和新滑坡时有发生,开展三角带滑坡变形特征和影响因素分析对滑坡治理具有重要意义。本次研究从滑坡发育史、变形特征分析三角带滑坡发育特征,结果表明滑坡仍处于缓慢蠕动状态;滑坡变形的影响因素研究结果表明,滑体中亲水性矿物的存在、低于江水位的滑床、地下水的作用是产生滑坡持续变形的主要内在因素;持续的暴雨、河岸的冲刷掏蚀、大规模的人工填土、厂区建设和后缘堆渣、未来三峡库水位及其涨落等是其主要外在因素。由此可以看出,该滑坡的发生受到多种因素的共同作用,特别是三峡库区的水位上升,使得三角带滑坡稳定性下降。     

三峡库区老蛇窝滑坡变形规律数据挖掘

三峡库区滑坡与地质环境相关,并受库水与降雨等诱发因素的影响,研究滑坡变形与诱发因素之间的关系,有助于为滑坡预测预报提供合理的判据。以老蛇窝滑坡体为例,结合该滑坡地质结构特征与监测数据,首先采用K均值方法聚类,将滑坡变形过程定性划分为3个阶段;然后通过关联规则方法研究影响因素与滑坡位移之间的关系。结果表明：滑坡所处的变形阶段与降雨特征因子和库水位变化有密切的相关性。     

GM-ENN组合模型在滑坡变形预测中的应用

针对以往滑坡变形预测模型实用性不足的情况,从系统论观点和时序分析原理出发,将滑坡位移时序分解为趋势项和偏离项。通过灰色系统模型提取位移时序的趋势项,采用进化神经网络模拟位移时序偏离项之间的复杂非线性关系,建立起GM-ENN组合模型进行滑坡变形预测研究。并将此组合模型应用于三峡库区白水河滑坡的变形预测研究中。研究结果表明：该组合模型具有较强的建模能力、较高的精度,可用于相关的工程实践之中,具有一定的理论研究与实际应用价值。     

基于非饱和蠕变模型的滑坡长期变形数值模拟

绝大多数滑坡的发生都与水直接相关,滑坡土体经常处于非饱和状态,而坡体的失稳破坏大都经历了一个时间过程,即滑坡变形具有蠕变性质。因此,绝大多数滑坡的失稳过程实质为非饱和蠕变过程,数值模拟时考虑渗流耦合蠕变效应更能符合滑坡变形的真实状态。根据前期研究成果所得的非饱和土非线性蠕变模型及其三维形式,采用试验数据对模型进行验证。由于常规商业有限元软件没有提供适合特定土体的非饱和蠕变模型,编制了基于渗流及蠕变耦合计算的有限元计算程序,并利用该程序对树坪滑坡在库水位变动下的变形过程进行了数值模拟。结果表明,计算结果与实际变形的监测值趋势比较接近,说明本文所建立的蠕变模型合理,编制的程序可靠,可用于实际滑坡的长期变形计算。     

基于影响因子的GM(1,1)-BP模型在八字门滑坡变形预测中的应用

滑坡的预测预报是世界性难题,特别是如何把外界影响因素定量计入到滑坡中长期预报模型中。在滑坡中长期预报模型适用性分析的基础上,提出了基于影响因子的GM(1,1)-BP模型,该模型能考虑库水位、降雨等外界影响因素。以三峡库区八字门滑坡为例,在八字门滑坡工程地质条件的基础上,通过对位移、库水位、降雨等监测资料的分析,系统研究了八字门滑坡的变形特征、影响因素和变形破坏模式。在确定八字门滑坡影响因子的基础上,分别采用本文模型、GM(1,1)模型和不考虑影响因子的BP神经网络对滑坡位移进行了预测研究,发现本文模型预测精度较高。     

三峡库区万州金金子滑坡动态变形规律分析

万州区金金子滑坡是三峡水库右岸涉水覆盖层滑坡,在降雨、人工活动等诱发因素影响下,局部发生了较大的变形破坏。该滑坡于1996年发现变形迹象,2003年库区大坝蓄水后仍存在变形,滑坡近20 a来变形持续,2016年滑坡体局部发生了变形破坏。在深入分析滑坡变形特征基础之上,充分利用现场监测数据,从地质因素和环境因素两方面对滑坡成因及变形破坏规律展开研究。通过地质调查发现,斜坡区大量松散崩坡积物堆积于下伏近水平粉砂泥岩上,斜坡形态呈阶梯状,其上冲沟发育,大片覆盖人工种植苗木。滑坡监测数据显示,位移变形曲线存在突变,突变后趋于平缓,在突变前期研究区内有明显的降雨过程。分析认为：滑坡整体仍存在持续变形,局部区域变形失稳后趋于平缓;阶梯状斜坡上覆的松散堆积体和下伏的软弱地层为滑坡变形的地质基础;降雨以及人类工程活动则为该滑坡的主要诱发因素。     

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。     

离散卡尔曼滤波法在滑坡变形预测中的应用

讨论了树坪滑坡的基本特征及其形成机制,介绍该滑坡的监测系统。变形监测表明树坪滑坡的变形主要与滑坡体的地形地貌及土层结构有关,而大气降雨及三峡水库库水位的影响是导致树坪滑坡产生变形的外界因素。使用泰勒级数建立滑坡变形与时间的函数关系,并将泰勒级数的余项及时间变化的2次方及3次方的系数变化量看作数学期望为零的动态噪声,建立卡尔曼滤波模型,应用于滑坡变形的预测预报。算例计算结果表明卡尔曼滤波模型的拟合效果和预测效果良好。     

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。     

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。     

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。     

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。     

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。     

基于时间序列分析的滑坡变形动态预测研究

针对以往变形预测模型实用性不足的缺点,基于时间序列分析原理,结合系统论和岩土体流变理论,在深入研究影响滑坡变形的外界主控环境变量的基础上,采用移动平均法和多项式函数对位移时序的趋势项进行抽取和建模,用支持向量机建立起环境主控变量与位移偏离项之间的非线性关系,并根据变形对外界环境响应情况建立起动态预测模型。将此预测思路和方法应用于三峡库区某滑坡,通过实例研究表明：该预测思路和方法合理可行,不但具有较强的建模能力、且有较高的精度,可用于相关的工程实践之中。     

滑坡体监测数据的改进变维分形-人工神经网络耦合预测模型

滑坡体变形预测对滑坡灾害治理具有重要的意义。根据边坡的演化特性,在研究得到滑坡是一个非线性动态系统,其监测数据具有分形特征的基础上,利用改进变维分形预测模型对滑坡体的监测数据时间序列趋势项进行预测,并引入人工神经网络对时间序列的偏离项进行纠偏优化,从而建立滑坡体监测数据的改进变维分形-人工神经网络（IVDF ANN）耦合模型,并以茅坪滑坡体的实测位移为例进行预测。预测结果证明,该模型充分利用分形理论的自相似性和人工神经网络的自学习能力,具有良好的抗噪性,对小数据量的监测数据能够达到较高的预测精度和较好的预测长度,为滑坡体安全监控预测提供了新的参考方法。     

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。     

滑坡位移监测动态预报时间序列分析技术研究

采用三次样条函数插值法处理非等距时间序列,运用时序分析方法建立了滑坡位移动态预报的ARIMA模型和CAR模型,并将其应用于茅坪滑坡,取得了良好的实际成果,为判断茅坪滑坡的动态特征提供了可靠的理论依据.