灰色神经网络组合模型及在滑坡预测中的应用

提出将灰色GM(1,1)预测模型与神经网络预测模型结合起来,建立灰色神经网络预测模型,对滑坡变形位移进行预测.此方法为串联型灰色神经网络组合模型,是指用神经网络识别灰色GM(1,1)所得的预测值和实测值之间的未知关系,去修正灰色系统所得的预测值.实例表明:此种预测模型预测精度高、所需样本少、有效以及在滑坡预测中有着良好的应用前景.     

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。     

基于滑坡监测数据的时间序列位移预测

滑坡位移变形的产生及演变 ,对于滑坡安全稳定性的评价至关重要.以德化县美湖乡上际村桥亭头滑坡为例 ,将边坡失稳时的总位移分解成位移的趋势项和位移的周期项 ,通过时间序列方法对滑坡位移进行预测 ,在监测数据的模糊离散性与随机性的基础上以及变形参数所呈现的相关规律 ,通过GM(1 ,1)的灰色模型获得位移的趋势项 ,采用了时间序列的方法对其进行拟合 ,并通过自回归(AR)模型使得非平缓时序转化为平缓时序.最终再通过时间序列加法得到滑坡总位移预测值.结果显示具有较高精度 ,对了解边坡位移的发展趋势以及研究边坡的动态稳定性是有效可行的.     

混沌序列GA-SVM模型在滑坡监测中的应用

滑坡位移系统的发展演化过程同时包含确定性和随机性,是一个复杂的非线性系统,而混沌理论将确定性分析和随机性分析结合起来,能有效体现滑坡位移系统的非线性特征。在对滑坡位移序列进行混沌分析的基础上,采用预测性能较好的支持向量机(SVM)模型对其位移值进行预测。同时针对SVM模型参数选取困难的缺点,用具有强大全局搜索能力的遗传算法(GA)对其参数进行优化,提出GA-SVM耦合预测模型。最后对实测滑坡位移数据进行分析,并与单独SVM模型和GA-BP模型进行比较,结果表明运用GA-SVM模型进行滑坡位移时间序列预测是可行的,且具有较高的精度。     

基于时间序列和GRU的滑坡位移预测

近些年随着深度学习的兴起,长短时间记忆网络(LSTM)常应用于滑坡位移的预测.GRU(Gated Recur-rent Unit)是LSTM的一种改良,为此提出了一种联合时间序列和GRU神经网络来预测滑坡位移的方法.采用移动平均法将滑坡总位移曲线分解为趋势项位移和周期项位移,灰色Verhulst模型描述趋势项变化;考虑...     

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。     

黄腊石滑坡深部位移分析及其趋势预测

滑坡体深部位移监测资料分析结果表明,黄腊石滑坡群中西部的大石板和东部的石榴树包两处滑坡是位移正在发展的滑坡,滑动面部位明确,位移速率均缓慢。东部的石榴树包滑坡前部,在长江出现特大洪水并快速消落的情况下,滑坡体的稳定性降低。每年雨季,特别是暴(久)雨期,滑坡体位移明显增大。地表排水是降低滑坡体位移速率的有效措施。用灰色预报GM(1.1)模型对滑坡位移进行预测的结果表明,位移的预测值与实测值吻合较好,并预测滑坡未来位移呈增长趋势。     

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ARIMA时间序列模型的滑坡位移预测预报——以三峡库区王家坡滑坡为例

为深入研究滑坡的位移特性,以三峡库区王家坡滑坡为例,基于简单移动平均法及时间序列的减法模型分解滑坡位移的趋势项位移和周期项位移,对趋势项位移采取多项式拟合处理,对周期项位移进行一阶差分处理,并分析其自相关函数ACF及偏自相关函数PACF,然后根据模型的识别规则,建立了ARIMA(1,1,1)模型。根据时间序列的加法模型,将两部分预测位移相加即为滑坡位移预测的总位移。模型与实测结果对比表明,该预测预报模型效果较好,基本反映了滑坡位移的整体趋势,且实现了对滑坡累积位移的滚动预测,在滑坡累积位移短期预测预报中具有一定的适用性。     

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。     

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。     

灰色模型在滑坡时间预测中的应用

滑坡地质灾害的控制及影响因素往往是随机变量,具有相当的模糊性和灰色不确定性。本文构造了滑坡时间预测的灰色模型通过对某一滑坡实例的监测资料的分析研究说明了对观测数据进行灰色处理运用GM11模型进行预报能取得较为精确的结果。     

茅坪滑坡位移预测的BP网络方法应用研究

滑坡行为表现为复杂的、开放的和耗散的非线性动力学演化特征.各种环境量因素对滑坡体的性态变化影响很大,初步探讨了非线性理论人工神经网络方法在茅坪滑坡位移预测中的应用.建立了茅坪滑坡位移预测的BP网络模型,对位移趋势作了预测,模型拟合精度高,预测效果达到了中、短期预报的目的.     

基于经验模态分解和LSTM模型的滑坡位移预测

建立高精度的位移预测模型对滑坡的提前预报具有重要意义,然而以往的研究多是选用静态预测模型,无法满足滑坡的动态特性。鉴于此,以三峡库区新滩滑坡为例,选用了近期较为流行的长短时记忆网络(LSTM)模型来对滑坡滑动前的累积位移进行动态预测。首先选用经验模态分解法(EMD)将滑坡累积位移分解成趋势项和周期项,然后利用多项式函数预测趋势项位移;再利用动态LSTM模型预测周期项位移;最后将各分量位移累加得到最终的模型计算值。结果表明:LSTM模型预测结果的均方根误差为17.07 mm,相关性系数达0.999,具有较高的预测精度,为"阶梯状"滑坡位移的预测提供了一种可行的思路。     

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。     

灰色系统模型在坝基位移预测中的应用

本文应用灰色系统理论对坝基位移观测数据序旬进行了分析，提出了等维新息模型存在着最佳维数区这一观点，建立了位移预测灰色模型，并将其成功地应用于千亩岙土坝沉降和侧向位移的预测，文中还讨论了位移预测灰色模型成功建模的条件及其应用于大坝安全监控的可能性。     

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。     

基于CEEMDAN-BA-SVR-Adaboost模型的白水河滑坡位移预测

为提高白水河滑坡位移预测精度,提出一种新的预测模型,即基于自适应噪声完全集合经验模态分解(CEEMDAN)-蝙蝠算法(BA)-支持向量回归机(SVR)-自适应提升算法(Adaboost)的模型。以该滑坡为研究对象,利用CEEMDAN将滑坡位移分解为趋势项以及由IMF分项构成的波动项。首先采用BP神经网络对趋势项位移进行预测,随后利用CEEMDAN-BA-SVR-Adaboost模型对波动项进行预测,并将预测结果与CEEMDAN-PSO-SVR-Adaboost、CEEMDAN-BA-BP-Adaboost、CEEMADAN-BA-SVR、BA-SVR-Adaboost模型预测结果进行对比分析,验证本模型在位移预测方面的优越性。此外,利用CEEMDAN-BA-SVR-Adaboost模型对ZG118波动项位移进行预测,同时计算ZG93监测点最终累计预测位移。结果表明,对白水河滑坡位移进行预测时,CEEMDAN-BA-SVR-Adaboost模型具有较高的准确性和适用性。