GIS支持下基于层次分析法的汶川地震区滑坡易发性评价

 2008年5月12日14时28分,四川汶川发生了Ms8.0级大地震,地震诱发了数以万计的滑坡灾害。在大约48 678 km2的区域内,采用震后遥感影像解译并结合野外调查的方法,共解译出48 007个滑坡。应用GIS技术,建立了汶川地震诱发滑坡灾害及相关地形、地质空间数据库,分析了断层、岩性、高程、坡度、坡向、河流、公路等7个因素与滑坡分布的关系,应用滑坡面积百分比这一标准来分别衡量每个因素中各个级别对滑坡的影响程度;然后使用层次分析法对这7个参数进行权重分析;在GIS平台下对这些参数进行综合分析,通过分析结果将研究区内滑坡按易发程度分为极高易发区、高易发区、中易发区、低易发区与极低易发区5类,极高易发区与高易发区面积约8 211 km2,占研究区总面积的16.9%;最后,使用汶川地震滑坡数据库对研究结果进行检验,检验曲线表明分区效果良好,其中极高易发区与高易发区内实际发生滑坡面积为430 km2,占滑坡总面积的60.5%。     

基于GIS和信息量的滑坡灾害易发性评价——以三峡库区万州区为例

 以滑坡灾害发育较多的三峡库区万州区为研究区,基于指标因素状态分级和因素相关性分析结果,选取坡度、坡向、坡体结构、地层岩性、地质构造、水的作用以及土地利用7项影响因素,以全区700多个滑坡灾害点为样本数据,依据各因素状态下发生的滑坡频率曲线和信息量曲线的突变点为等级划分的临界值来确定因素状态,并在此基础上建立易发性评价指标体系。基于GIS的栅格数据模型,应用信息量理论开展研究区易发性评价,研究结果表明：易发性高和较高的区域主要分布在土地利用总体规划中的建设用地、侏罗系中统上沙溪庙组第二、三段(J2s2,J2s3)、库水变动带和河网影响带以及万州城区。统计结果表明,处在高易发和较高易发区面积为1 210 km2,其中高易发区和较高易发区分别占研究区总面积的9.71%和25.9%,研究区易发性评价精度高达87%。本文完整的论述了县域滑坡灾害易发性评价的理论方法和技术路线,并以三峡库区万州区为例开展滑坡灾害易发性评价、结果分析以及预测精度评价等,为该区域滑坡灾害防治规划与预测预报提供技术支持,为全国范围内县域滑坡灾害易发性评价提供理论指导和技术参考。     

滑坡位移预测的支持向量机模型参数选择研究

支持向量机(Support Vector Machine, SVM)已被广泛应用到滑坡位移预测,但在具体使用时,SVM的惩罚系数C、核函数参数δ及松弛系数ζ这三个重要参数的取值选择成为影响预测精度的关键。为有效分析SVM三参数取值对滑坡位移预测精度的影响规律,以三峡库区浮托减重和动水压力型两类典型水库滑坡为代表的连续6年地表位移、降雨及库水位监测数据为研究对象,首先,采用移动平均法将位移数据分解为趋势项和周期波动项,并区分训练集和检验集;再结合对滑坡变形机理及影响因素的分析,选择相应预测变量分别建立趋势项和波动项位移预测SVM模型;然后,在固定两参数情形下,通过改变另一参数的取值大小以获得SVM训练集与检验集的预测精度变化规律;最后,建立起典型水库滑坡SVM位移分解预测的参数取值推荐范围。该取值范围可以作为滑坡位移预测SVM模型的参数寻优初始搜索范围,可以在保证预测精度的前提下大大提高搜索效率。     

三峡库区万州区滑坡灾害易发性评价研究

 滑坡灾害易发性研究在滑坡灾害风险管理与城市规划等方面具有非常重要的现实意义。以往的研究中,鲜有对指标因子状态划分作有关深入分析和讨论的。鉴于此,以滑坡灾害频发的三峡库区万州区为研究对象：首先,选取影响滑坡发生的7个致灾因子(地层岩性、地质构造、水系分布、坡度、坡向、坡体结构及土地利用)作为滑坡易发性的评价指标,依据各指标条件下滑坡累计发生频率曲线斜率的变化,并结合滑坡面积比和分级面积比曲线对指标因子的状态进行分级;其次,根据全区655个历史滑坡数据,分别运用信息量模型和逻辑回归模型建立各自的滑坡易发性评价体系;再则,采用快速聚类法(K-means cluster)对以上2种方法所得到的易发性结果进行分级,并基于GIS平台,得到全区滑坡易发性区划图;最后,从模型结果、精度、适用条件等方面对2个模型进行讨论和比较,研究结果表明：信息量模型和逻辑回归模型的预测精度分别为73.0%和54.9%,前者预测能力要优于后者。     

镇康县滑坡易发性评价模型对比研究

准确的滑坡易发性评价结果是滑坡风险评价的关键,对防灾减灾意义重大.为了提高滑坡易发性评价精度,基于地理信息系统(GIS)平台,将镇康县境内150个滑坡灾害点转换为栅格数据作为评价样本,选取高程、坡度、坡向、起伏度、地形曲率、剖面曲率、地层、断层、年均降雨量、河流、土地利用类型、道路12项评价因子,并通过独立性检验,构建...     

九寨沟地震滑坡易发性评价因子组合选取研究

滑坡易发性区域评价作为危险性和风险评价的基础,如何科学、合理地进行因子选取是已有研究的薄弱部分.以2017年8月8日九寨沟Mw 6.5地震重灾区——九寨沟国家地质公园内的1022处地震滑坡点为样本数据,选取地震参数、地形地貌、地质条件、水文条件、人类工程活动等共16个滑坡控制和影响因素,在对指标因子进行共线性诊断的基础...     

边坡工程可靠性的支持向量机估计

针对边坡工程可靠性分析中存在的问题以及边坡工程地质条件、岩土体参数和力学上的不确定性,基于支持向量机的结构简单、学习性能出色和有较强的推广性等优点,提出了用支持向量机来估计边坡工程的可靠性。结果分析表明,该方法具有一定的工程参考和使用价值。     

基于支持向量机的边坡可靠性分析

将支持向量机与一阶二次矩方法结合,提出了边坡可靠性分析的支持向量机方法。利用极限平衡分析构造学习样本,通过支持向量机学习,建立安全系数与随机变量之间映射关系的支持向量机表达,进而实现边坡极限状态函数及其偏导数的显式表达,从而计算边坡的可靠性指标。该方法避免了传统可靠性分析的缺点。利用一个算例进行了分析,结果表明:该方法计算效率高,结果可靠,对含有大量随机变量的复杂岩土工程可靠性分析具有很大的潜力,具有广泛的应用前景和工程价值。     

基于支持向量机的泥石流危险性评价

采用支持向量机的计算方法,对云南省7个样本集的评价指标数据和目标值进行了分组训练和测试,建立了泥石流危险性评价模型,达到了较明显效果,指出该方法在泥石流危险度划分中具有较好的利用价值。     

基于支持向量机的抗滑桩加固边坡可靠度分析

文中采用可靠度指标来评价抗滑桩加固边坡的稳定性,提出了基于支持向量机模型的一阶可靠度分析方法。使用支持向量机来构建描述边坡安全系数等输出响应量与边坡土体参数等输入响应量间定量函数关系的模型,来代替真实的数值计算,并从边坡安全性与桩身安全性两个方面展开桩加固边坡的一阶可靠度分析。通过一实际的抗滑桩加固边坡的案例验证了该方法的有效性。结果表明,以边坡安全系数的可靠度来评价抗滑桩加固边坡的稳定性是不全面的,应同时考虑抗滑桩弯矩的可靠度。     

基于支持向量机的建筑物空调负荷预测模型

建立了基于支持向量机(SVM)理论的建筑物空调负荷预测模型.对广州地区某办公楼夏季不同月份的逐时空调负荷,分别用SVM模型和BP神经网络模型进行了训练和预测.仿真结果表明,SVM模型具有更高的预测精度和更好的泛化能力,是建筑物空调负荷预测的一种有效方法.     

Reliability analysis of tunnel using least square support vector machine

In the reliability analysis of tunnels, the limited state function is implicit and nonlinear, and is difficult to apply based on the traditional reliability method, especially for large-scale projects. Least squares support vector machines (LS-SVM) are capable of approximating the limited state function without the need for additional assumptions regarding the function form, in comparison to traditional polynomial response surfaces. In the present work, the LS-SVM method was adapted to obtain the limited state function. An LS-SVM-based response surface method (RSM), combined with the first-order reliability method (FORM), is proposed for use in tunnel reliability analysis and implementation of the method is described. The reliability index obtained from the proposed method applied to particular tunnel configurations under different conditions shows excellent agreement with Low and Tang’s (2007) method and traditional RSM results, and indicates that the LS-SVM-based RSM is an efficient and effective approach for reliability analysis in tunnel engineering.     

基于最小二乘支持向量机的大坝力学参数反演

针对大坝力学参数和坝体位移间复杂的非线性关系,将最小二乘支持向量机应用于大坝力学参数的位移反演中。首先利用有限元模型得到最小二乘支持向量机的训练样本,建立坝体位移水压分量相对值和力学参数间复杂的非线性关系,同时利用偏最小二乘回归模型分离出实测坝体位移的水压分量相对值,并将其输入到训练好的最小二乘支持向量机模型,即可得到大坝力学参数的反演值。以某混凝土重力拱坝为例,采用最小二乘支持向量机反演了坝体弹性模量、岩体变形模量以及主要断层的弹性模量,经过比较分析发现,该方法是可行的。     

岩爆基于支持向量机预测的智能模型

根据岩爆预测的特性,引入了支持向量机SVM的新方法,研究了支持向量机的基本原理及其在岩爆预测中的模型建立,通过某工程的实际应用证明：支持向量机在岩爆预测中取得了较好的效果。     

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。     

采用支持向量机方法对框架结构的损伤识别

将支持向量机方法用于框架结构的损伤检测,并通过一个算例对该方法进行了损伤识别效果的测试,试验表明支持向量机适用于单损伤的检测,对于损伤位置的判断,有很好的精确性,而且对损伤程度的预测也有很好的精度。     

支持向量机在隧洞超挖预测中的应用

介绍了支持向量机算法及围岩破坏模式识别的支持向量机算法,利用支持向量法分类算法对隧道围岩超挖块体的大小进行了分类,并建立了预测模型,计算结果表明用支持向量机能较好地预测超挖块体的大小。     

Modeling of bentonite/sepiolite plastic concrete compressive strength using artificial neural network and support vector machine

Plastic concrete is an engineering material, which is commonly used for construction of cut-off walls to prevent water seepage under the dam. This paper aims to explore two machine learning algorithms including artificial neural network (ANN) and support vector machine (SVM) to predict the compressive strength of bentonite/sepiolite plastic concretes. For this purpose, two unique sets of 72 data for compressive strength of bentonite and sepiolite plastic concrete samples (totally 144 data) were prepared by conducting an experimental study. The results confirm the ability of ANN and SVM models in prediction processes. Also, Sensitivity analysis of the best obtained model indicated that cement and silty clay have the maximum and minimum influences on the compressive strength, respectively. In addition, investigation of the effect of measurement error of input variables showed that change in the sand content (amount) and curing time will have the maximum and minimum effects on the output mean absolute percent error (MAPE) of model, respectively. Finally, the influence of different variables on the plastic concrete compressive strength values was evaluated by conducting parametric studies.