边坡变形预测的灰色理论研究与应用

根据边坡位移监测信息，应用灰色系统的原理和方法，对边坡的变形发展变化进行预测是一种有效手段。但在阶段变化因素作为岩土体边坡变形影响主因时，由于监测时段与影响主因的阶段性不一致，监测数据序列不能正确反映边坡变形规律，致使边坡预测变形结果出现强度偏差；为此，提出以控制因素变化的阶段性来划分时间数据序列，建立阶段时间序列灰色预测模型，对边坡的发展变化情况进行预测。研究结果表明，采用该方法预测变形值与边坡实际发展变化一致，提高了时间序列灰色预测的准确性。     

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.     

基于卡尔曼滤波的GM模型及其在公路边坡变形预测中的应用

在公路边坡变形监测与预测中,当用GM(1,1)模型对稳定的变形数据序列进行预测时,效果较好。但是,如果变形数据中因外界因素干扰而出现异常数据,使变形曲线发生波动,此时单纯采用GM(1,1)模型进行预测,就难以取得理想的预测精度。为此,本文提出一种基于卡尔曼滤波的GM预测模型,即先用卡尔曼滤波法对原始变形监测数据进行滤波处理,而后再建立GM模型进行灰色预测。通过公路边坡变形预测的应用研究,证明基于卡尔曼滤波的GM模型可以有效地提高预测精度。     

基于不等时距GM(1,1)模型预测边坡失稳变形

对边坡的失稳变形进行预测可以有效预防灾害的发生。传统灰色GM（1,1）模型多适用于等间距序列监测数据的模拟预测,而实际情况却是由于各种原因导致所获得的监测数据出现不等时距现象。为此,在分析传统等时距GM（1,1）建模原理的基础上建立了不等时距GM（1,1）模型,并对灰参数的求解方法进行了讨论。依据渝黔高速公路某边坡B3测点的监测数据,建立了该边坡变形灰色预测模型,并且将改进灰参数求解方法与传统方法进行了对比,研究结果表明,该不等时距GM（1,1）模型预测精度较高,预测结果与实际吻合较好。     

灰色模型联合小波变换进行变形预测的研究

该文研究了基于灰色模型结合小波变换的变形预测方法。根据小波变换特点,对变形监测数据序列进行分解,对各个分解后的子序列利用灰色模型进行预测,最后重构出变形预测结果,且将该结果与灰色模型预测结果进行了比较。结果表明,该方法具有较强的预测能力,可作为变形预测的方法参考。     

时间序列分析与频谱分析联合用于变形监测分析与预报

变形监测技术和理论在不断地进步和发展,很多优秀的方法被应用到变形监测数据处理方面。本文是基于时间序列法和频谱分析法对沉降观测数据进行处理,主要研究如何使用时间序列法和频谱分析法对变形监测数据进行处理和分析,并对未来短期内的变形趋势进行预测。首先从时序分析法入手,对数据进行处理、分析以及预测;然后再将频谱分析法融入到时序...     

基于滑坡监测数据的预警判据研究

位移-时间趋势曲线是研究滑坡失稳预测十分重要的资料依据,它表明了滑坡变形程度及相对的稳定性程度。文章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。文章以德化县上涌镇桂林村马坪滑坡为例,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,采用时间序列加法得到滑坡总位移预测值。通过对已获得的滑坡隐患点的监测数据与数值模拟结果的对比分析,建立数学模型,预测滑坡未来的位移趋势,研究滑坡预警判据,最终以位移速率来概化研究区内台风暴雨型滑坡的预警判据。结果显示,该预警判据对于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。     

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。     

基于监测数据的马坪滑坡稳定性分析

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。本文以德化县马坪滑坡为例,利用位移监测数据,并结时间序列模型分析滑坡体的位移变化,在此基础上结合降雨、地下水等影响因素分析对今后滑坡的稳定性进行了预测。结果表明基于位移监测数据的时间序列模型具有较高精度,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。     

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。