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。     

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...     

基于FEEMD-GRU-FC模型的滑坡位移预测

水库库区滑坡同时受到降雨和水库水位周期性变化的影响,这会干扰滑坡位移预测模型在该类区域的预测性能。为此,提出了一种针对环境周期性变化特点的FEEMD-GRU-FC(Fast Ensemble Empirical Mode Decomposition-Gated Recurrent Unit-Fully Connected Layer)滑坡位移预测模型。该模型充分考虑位移数据不同频率之间的噪声影响,将位移分解为不同频率的子序列分别预测,采用PCC(Pearson Correlation Coefficient)方法选择影响较大的外部环境因素,添加全连接层完善GRU模型提取环境数据中周期性变化特征的能力,模型结合三峡库区八字门滑坡的实际数据进行模拟仿真,使用不同预测模型和评价指标进行多角度对比验证。实验结果表明：所提模型在八字门滑坡的预测效果要优于其他3种模型,其拟合度达到了98.6%,3种不同误差指标均为最低,证明了该模型可以准确预测库区滑坡位移。研究成果可为防灾减灾工作提供指导。     

水库型堆积层滑坡位移方向协调性参数及其失稳判据研究

水库型堆积层边坡位移受库水位循环涨落及降雨的影响,具有波动与震荡的特点,然而其位移变化与突变多为库水位涨落及降雨所引起,并非一定缘于边坡稳定性降低。因此,运用传统单维度位移预测参数与判据分析该类滑坡稳定性时,经常会引起误判。针对传统单维度位移预测参数与失稳判据的局限性,本文根据滑坡全息论的基本原理,提出垂直位移方向率这一水库型堆积层边坡稳定性评价的位移方向协调性参数,并深入分析与确定了水库型堆积层边坡弹性压缩变形阶段和塑性失稳变形阶段该参数与其稳定性演化的定量关系。在此基础上,根据数理统计趋势位移分析原理,建立了边坡稳定性判据准则,并运用新滩边坡F系列监测点实际位移数据进行了垂直位移方向率的稳定性计算与分析。预测分析结果与该边坡实际稳定性演化阶段相吻合,说明垂直位移方向率参数在水库型堆积层滑坡稳定性评价与监测预警中具有一定的有效性。     

基于EEMD-GWO-LSTM 的滑坡位移预测

为实现滑坡位移时间序列精准预测,提出一种基于集合经验模态分解（EEMD）数据处理技术和灰狼优化（GWO）算法-长短时记忆网络（LSTM）的精细滑坡位移时序预测模型。该模型采用集合经验模态分解方法将采集得到的累计滑坡位移分解为若干个固有模态函数和1 个残余分量,将固有模态函数重构为随机性位移和周期性位移,将残余分量定义为趋势性位移。采用长短时记忆网络对随机性位移和周期性位移进行预测,引入灰狼优化算法对长短时记忆网络模型的超参数进行寻优,建立最优预测模型;依据趋势性位移发展特征,采用最小二乘法实现预测;最后,将这三类位移值进行求和即可得到累计位移预测值。以三峡库区白水河滑坡为例,验证了EEMD-GWO-LSTM 模型的可靠性。结果表明：本文提出模型的均方根误差、平均绝对误差和判定系数分别为9.82mm、8.19mm 和0.96,均优于BP 神经网络和LSTM 模型。     

水库滑坡涌浪爬坡特征试验研究

由滑坡引起的涌浪灾害不仅严重威胁航运安全,还会冲毁码头、大坝等水工建筑物并造成沿岸居民生命财产的损失。采用物理模型试验的方法对散粒体滑坡涌浪的爬坡特性开展了研究。试验结果表明：影响涌浪爬坡高度的主要因素有滑坡入水速度、滑坡体规模、滑动面倾角、水深、传播距离和爬坡角度等;当涌浪远场传播形态类似椭圆余弦波或孤立波时,涌浪爬坡高度较高,岸坡处水流紊动剧烈,涌浪对岸坡的破坏能力也最强。根据试验结果还建立了近岸坡处涌浪最大波幅计算模型,并结合经典波浪爬坡经验公式推导出了新滑坡涌浪爬坡高度计算公式。以长江新滩滑坡为例,验证了新涌浪爬坡高度计算公式的精度。研究结果能为实际工程中可能存在的滑坡涌浪爬坡灾害范围预测和涌浪避险方案制定等提供一定参考。     

基于多源时间序列的滑坡位移动态预测

位移预测在滑坡预警预报系统中有着重要地位,为了提高位移预测的精度,提出了变分模态分解和二次指数平滑法、神经网络结合的滑坡位移动态预测方法。首先对历史监测位移数据进行变分模态分解,产生多个模态分量,然后利用二次指数平滑法和极限学习机(ELM)模型进行预测。粒子群优化算法被用来优化ELM模型,最后累加各模态的预测值完成预测。以三峡库区白家包滑坡为例,将所建模型与最小二乘支持向量机(LSSVM)和卷积神经网络-门控递归单元(CNN-GRU)预测的周期项进行比较,结果表明:所用DES-PSO-ELM能够有效预测滑坡位移变化,其均方根误差、平均绝对误差、平均绝对百分误差和相关系数值分别为1.293、0.993 mm,0.008 0、0.999 8,预测误差最小。研究结果可以为滑坡预警监控系统提供技术依据。     

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。     

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...     

库水位波动下三峡库区典型堆积层滑坡位移特征及预测

以重庆奉节县某滑坡作为典型堆积层滑坡,基于地质条件及位移监测资料分析,总结了该滑坡的位移特征及主控因素。提出了基于库水运行工况概化,通过有限元渗流计算程序获取各工况下的滑坡渗流场,并将其依次导入有限差分程序,获取滑坡位移场的位移预测方法。该方法考虑了滑坡稳定性主控因素,能得到滑坡变形破坏全过程特征,且无需校核计算时步与真实时间的关系。数值计算结果表明,滑坡计算位移与实测位移较为吻合,预测效果较好,表明提出的滑坡位移预测方法是可行、可靠的。     

Verhulst模型在黄茨滑坡临滑预测中的应用

以黄茨滑坡的预测为例,通过对滑坡的地质背景、滑坡的成因、发生与发展过程的分析,结合监测资料,简述采用Verhulst模型对滑坡进行预测的条件及方法.     

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。     

基于非线性动力学的滑坡位移预测

利用非线性动力学的宏观研究方法对清江库岸茅坪滑坡的位移时间序列进行了分析,发现滑坡系统在演变过程中存在混沌。在此基础上,介绍了一种混沌的平均零阶局域预测法,对滑坡位移进行了预测计算,第1个月的相对误差仅为 0.66%,并且前3个月的相对误差都控制在5%以内,初步计算结果令人满意。
     

基于有效降雨量的滑坡位移-降雨相关性研究

为揭示滑坡裂缝位移与降雨量之间的相关关系,探究衰减系数取值与滑坡位移的相关性,以典型降雨诱发滑坡小岩头滑坡为研究对象,采用Pearson方法对滑坡裂缝位移与日降雨量、前期降雨量和有效降雨量进行相关性分析,再基于线性拟合的Logistic回归模型,针对小岩头滑坡“阶跃”时间段的数据集进行拟合,建立不同衰减系数下滑坡位移-相关系数的逻辑回归方程。结果表明：(1)滑坡降雨有效作用期t最长为7 d,当有效降雨量达到116.9 mm时,其“阶跃”现象出现。(2)滑坡各阶段位移-降雨的相关系数r都随降雨衰减系数α_i取值的增大而增大。当滑坡衰减系数取0.7时,位移随衰减系数增减而产生的变化最明显。(3)当相关系数在“斜率最大拐点”处的产生突变时,可根据衰减系数和相关系数的变化判定滑坡是否进入加速变形破坏阶段,可使雨量监测预警模型的精确度提高。     

基于蚁群算法优化极限学习机模型的滑坡位移预测

采用高精度的优化算法对于提高滑坡位移预测模型的准确性具有重要意义,然而已有文献中很少对多种优化算法进行对比研究。以三峡库区的八字门滑坡为例,以极限学习机（ELM）理论为基础进行滑坡位移预测,同时运用多种算法对建立模型过程中的参数选择进行优化以期提高预测效果。为提高预测精度,以移动平均法为基础,将滑坡位移分解为趋势项和周期项,趋势项位移使用多项式函数进行预测,周期项位移使用MATLAB自编程序的极限学习机模型进行预测,两项预测值相加即可得到最终的累计位移预测值。计算结果表明：单一的ELM模型能够较为准确地预测具有阶跃式曲线的滑坡累计位移,预测结果的平均误差为23.5 mm,拟合优度为0.973。与粒子群算法和遗传算法相比,蚁群算法（ACO）在计算用时和优化效果上更优,蚁群算法优化极限学习机模型对位移的预测精度也最高,平均误差为10.1 mm,拟合优度为0.998,可在类似滑坡的位移预测研究中进行推广。     

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。     

基于Shapley值的西安市生活需水量组合预测研究

利用等维灰数递补法、非线性回归、广义回归神经网络等3种方法进行了西安市生活需水量预测,比较了不同方法的预测误差,然后根据各种方法对总预测值的信息贡献能力形成Shapley值组合需水量预测方法,计算了不同预测方法的Shapley值及其组合权重,形成组合预测需水量模型。预测结果表明:组合方法误差曲线平缓、平均误差值较小,具有一定的预测精度,适用于需水量的中短期预测。     

台子上滑坡深部位移监测及成因研究

分析了台子上滑坡深部位移监测成果和滑坡影响因素的敏感性,在此基础上探讨了滑坡成因。分析认为：滑坡发育的基本条件有软硬相间的有利地层结构、有利的地质构造条件等;滑坡发育的诱发因素有降雨、前缘江水的冲蚀及人类活动等。     

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。     

基于灰色关联分析联合VMD-SES-BP模型的滑坡位移预测

针对三峡地区滑坡位移具有的"阶梯状"的问题,结合变分模态分解(VMD)、二次指数平滑(SES)、BP神经网络(BPNN),提出了一种新的滑坡位移时序预测模型:VMD-SES-BP预测模型.利用该模型对三峡白水河滑坡GPS监测位移数据进行变分模态分解得到趋势分量和其他子序列分量.选择二次指数平滑对趋势分量进行滚动预测,采...