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。     

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。     

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%。     

滑坡动力系统的混沌效应分析

介绍了滑坡监测位移时间序列相空间重构技术,并研究了适合于计算滑坡位移时间序列Lyapunov指数的算法.通过清江库岸茅坪滑坡的实测位移数据,计算出该滑坡系统的混沌特征量Lyapunov指数λ1＞0,因此表明该滑坡动力系统具有混沌效应.     

Volterra模型在月径流预测中的应用研究

水文过程的月均径流序列存在着较明显的低维混沌特性,利用Volterra模型可以较好的预测低维混沌序列。引入低维混沌动力系统相空间坐标重构的Volterra自适应预测模型,对多年月均径流序列采用二阶Volterra自适应滤波器进行预测。以大渡河石棉站33年的月径流量为例进行验证,预测相对误差<10%的天数为73.3%,相对误差<20%的天数为90.0%,与人工神经网络预测结果对比表明该方法具有较满意的准确率。     

基于小波分析的滑坡变形规律研究

对于有多个GPS监测点的滑坡,通常只研究个别代表性较强的点的位移,以此近似反映滑坡整体变形情况,但这种以点代面的方法与实际相差较大。现利用三峡库区某滑坡长期地表位移监测资料,根据各监测点位移对滑坡整体位移的贡献率,求得综合位移曲线,再利用小波分析等数学方法推导综合位移方程,据此分析了外界因素(降雨、库水位)对滑坡变形影响机理及周期。结果表明:该滑坡现处于潜在不稳定状态,降雨和库水位对滑坡的影响周期约为12个月。应用滑坡总位移方程进行验证性预测后显示,其预测精度达到92%,因此该方程能更真实地反映滑坡稳定性现状和发展趋势,对同类滑坡的研究具有借鉴价值。     

基于小波去噪及优化BP神经网络的滑坡变形预测研究

为提高滑坡变形预测精度,以小波去噪和优化BP神经网络为基础,构建了滑坡变形预测模型,即先利用小波去噪剔除滑坡变形序列中的误差信息,再利用BP神经网络实现滑坡变形预测,且为保证其预测精度,利用试算筛选和混沌理论优化其模型参数,以实现滑坡变形的优化预测。实例研究表明:小波函数、阈值选取方法和小波分解层数对去噪效果的影响较大,sym8小波函数、软阈值及12层分解层数组合在实例中的去噪效果相对最优;同时,隐层节点数优化和节点阈值优化能有效提高BP神经网络的预测精度,在初步预测效果评价中,SH1号监测点的相对误差均小于2%,平均相对误差仅为1.65%,并在可靠性验证中,SHZ2号和SHZ3号监测点预测结果的平均相对误差分别为1.54%和1.51%,说明该模型不仅具有较高的预测精度,还具有较好的稳定性,适用于滑坡变形预测。     

三峡库区堆积层滑坡的变形趋势判断及预测

为提高三峡库区堆积层滑坡变形趋势判断的准确性,该文以 Ｒ/S 分析和混沌优化 PSO－SVM 模型为基础,构建了滑坡变形趋势判断模型和变形预测模型,判断和预测三峡库区堆积层滑坡的变形趋势。经实例检验表明: Ｒ/S 分析模型能很好地评价滑坡的变形趋势,且累计变形序列和速率变形序列的 Hurst 指数均大于 0. 5,呈持续增加趋势,但累计变形序列的 Hurst 指数相对更大,趋势性也相对更强; 在预测过程中,混沌优化 PSO－SVM 模型的平均相对误差均小于 2%,最大相对误差也仅为 1. 83%,具较高预测精度,满足期望要求,且变形预测结果与趋势判断结果具有较好的一致性; 通过两实例的综合应用,验证了本文模型的普遍适用性。通过该文研究,相互佐证了趋势判断模型和变形预测模型在滑坡变形规律研究中的有效性,为滑坡变形规律研究提供了一种新的思路。     

小波-差分指数平滑模型在滑坡变形预测中的应用

采用小波-差分指数平滑方法对三峡库区八字门滑坡地表位移进行了预测。小波变换以其多分辨率分析的特性，广泛应用于信号分析，指数平滑方法是在移动平均法基础上发展起来的一种时间序列分析预测法，在预测分析中应用广泛。针对三峡库区八字门滑坡的GPS监测水平累积位移，采用小波变换对时间序列进行去噪预处理，并分别建立一阶差分和二阶差分指数平滑模型对其进行预测，预测得到的平均绝对误差百分比仅为1.5%和1.1%，取得了非常好的效果，该模型可以应用于实际工程。     

基于优化经验模态分解和最小二乘支持向量机的边坡位移预测

我国库岸滑坡灾害频发,采用高精度优化算法对边坡位移时间序列进行预测对防灾减灾具有重要意义。边坡位移时间序列通常表现出高度非线性特征,传统模型难以对其进行准确预测。为此,本文提出一种基于优化经验模态分解和最小二乘支持向量机的边坡位移时间序列预测模型。该模型采用基于软筛分停止准则的经验模态分解（SSSC-EMD）,可自适应地将边坡位移时间序列分解为多个本征模态分量和1 个残余分量。将残余分量定义为趋势项;通过K-means 聚类方法对分量进行聚类,将其定义为周期项和随机项。采用最小二乘法对趋势项进行预测;建立最小二乘支持向量机回归（LSSVM）模型对周期项和随机项进行预测。将各预测值累加求和,即得到累计位移预测值。以山口岩大坝为例,采用SSSCEMD-LSSVM 模型对厂址边坡位移时间序列进行预测。结果表明：模型能够有效预测位移时间序列,精度优于传统BP 神经网络和LSSVM 模型。     

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.     

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。     

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。