阶跃型滑坡综合变形预测及监测预警方法研究

大型库岸滑坡的长期变形在汛期降雨作用下呈现明显的周期性“阶跃式”陡增特征。针对阶跃型滑坡的变形特征，本文提出了一种多源数据“融合-预测-预警”的三步式滑坡监测预警方法：(1)“融合”,即基于经验模态分解法将多点位移监测数据分别分解为趋势项和周期项，采用加权值法分别融合不同监测点的趋势项和周期项位移得到融合趋势项和融合周期项序列，并将两者叠加得到滑坡体的现状综合变形时间序列；(2)“预测”,即引入“一个预测周期”概念，采用滑动多项式拟合法和随机森林算法分别对融合趋势项和融合周期项进行预测并叠加得到滑坡体的预测综合变形时间序列；(3)“预警”,即基于斜率变点分析方法搜索综合变形曲线的“稳定点”和“跃迁点”,确定稳定变形和加速变形区间的斜率，建立阶跃型滑坡的四级递进式分级预警模型，基于该预警模型对滑坡现状进行预警。以向家坝水库某滑坡体自动化位移监测数据为研究对象，采用本文所提方法对该滑坡进行了综合变形预测和监测预警，结果表明：综合变形时间序列可以整体反映滑坡的变形演化规律，且预测结果可靠，根据分级预警模型判断此滑坡体当前处于稳定变形阶段(Ⅰ级预警)。     

应用不同去噪方法及分形理论判断滑坡变形趋势

为达到准确判断滑坡变形趋势的目的,首先采用多种去噪方法对滑坡变形数据进行去噪处理,分离滑坡变形的趋势项和误差项数据,并采用分形理论对各序列的变形趋势进行判断和对比研究;然后,再利用神经网络对滑坡变形进行预测以验证滑坡变形趋势判断的准确性。结果表明:不同去噪方法的去噪效果具有较大的差异,其中半参数卡尔曼滤波的去噪效果最优,且滑坡具有变形加剧,稳定性减弱的趋势;同时,对比趋势判断变形预测结果,两者的一致性较好,证明了滑坡变形趋势判断的准确性。研究成果可为滑坡的变形趋势判断提供一种新思路。     

阶跃型位移特征滑坡的预测预报研究

针对以往滑坡预测预报模型对于阶跃型变形特征滑坡破坏时间预测精度较低的缺点,需建立以位移作为目标函数来反映滑坡位移变化规律的预测模型。基于时间序列分析方法将滑坡位移分解为趋势项位移和波动项位移,并采用移动平均法分离趋势项位移和波动项位移。然后分别采用多项式拟合和自回归滑动平均(ARMA)模型对滑坡趋势项位移和波动项位移进行预测,最后叠加两个位移分量得到总位移预测值。将此方法应用于三峡库区某典型阶跃型变形特征滑坡,预测值曲线与总位移观测值曲线基本吻合,较好地反映了滑坡阶跃型的演化特征,表明该模型预测阶跃型变形特征滑坡位移精度较高。且该方法计算原理清晰明确,计算过程容易实现,具有较强的工程实用性。     

综合图形权值法在滑坡变形预测中的应用研究

为提高滑坡变形的预测精度,首先采用卡尔曼滤波对滑坡的变形数据进行去噪处理,分离出趋势项和误差项,再利用多种单项预测模型对趋势项进行预测,最后利用综合图形法确定组合权值,实现趋势项的组合预测;其次,利用神经网络模型对误差项进行预测,进而得到滑坡变形的预测值。结果表明:半参数卡尔曼滤波的效果最优,并通过组合预测有效地提高了预测精度,达到了对滑坡变形高精度及高稳定性预测的目的,验证了该预测模型的可行性和有效性。     

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。     

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。     

EEMD-GA-SVM模型在滑坡位移预测中的应用

滑坡变形在外部因素影响下易表现出随机性和非线性不易预测的特点,为此有必要提出更加有效的预测方法。利用集合经验模态分解(EEMD)滑坡位移原始时间序列,可得到多组复杂度差异明显的新位移变形子序列,然后针对各变形子序列的特点,分别建立变形子序列的GA-SVM预测模型,再将各子序列预测模型相叠加,最终构建出基于集合经验模态分解与遗传算法优化的支持向量机(EEMD-GA-SVM)滑坡变形预测模型。以恩施市香炉坝村滑坡为例,通过对比EEMD-GA-SVM和BPNN、SVM、GA-SVM各种边坡变形预测模型的预测精度,发现EEMD-GA-SVM模型精度更高且更为可靠,能够为滑坡安全监测提供有价值的参考。     

WA-BT-ELM耦合模型在黄土滑坡位移预测中的应用

黄土滑坡的变形演化过程往往受到多种因素的影响,呈现出非线性特征。基于小波分析函数(Wavelet Analysis,WA)、提升回归树(Boosting Regression Tree,BT),以及极限训练机(Extreme Learning Machine,ELM)方法,提出一种名为WA-BT-ELM的黄土滑坡位移预测新方法。该方法将非线性位移数据作为一时间序列,运用小波分析函数将监测点累积位移曲线分解为若干子小波;随后使用提升回归树对所有子小波进行重要度分析,剔除相关性不高的子小波以去掉冗杂信息;最后运用极限训练机,结合筛选得到的子小波对滑坡位移进行预测分析。基于该模型对甘肃省永靖县黑方台滑坡区的滑坡位移监测数据进行预测,得到了优于ANN,BPNN,SVM,ELM,以及WA-ELM预测模型的结果,故认为WA-BT-ELM模型是一种有效的黄土滑坡位移预测方法。     

基于时间序列的大坝位移监测分析

提出了一种基于时间序列的大坝预测方法。首先对最近若干年的大坝位移变形时间序列进行周期项和趋势项的分析;然后对除去这两项的剩余时间序列进行混沌特性分析与预测;最后对三进行叠加,进行可行性分析与误差分析,得到预测结果。此方法实用性强,具有较高的操作性。     

基于多重约束优化的滑坡变形组合预测研究

为实现滑坡变形的高精度预测,进而达到滑坡稳定性判断的目的,首先采用BP神经网络、支持向量机及GM(1,1)模型对滑坡变形进行传统的单项预测,且为提高单项预测精度,再采用遗传算法、粒子群算法及半参数法对各单项预测模型进行优化;其次基于多种组合指标,采用累加法和累乘法确定综合组合权值,实现对滑坡变形的组合优化预测。结果表明:组合预测结果的精度及稳定性均高于单项预测,而在综合权值的确定过程中,累乘法要优于累加法,且最优组合预测结果的相对误差平均值和标准差分别为0.81%和0.62%,具有较高的预测精度及稳定性,验证了预测思路对滑坡变形预测具有较好的适用性和有效性。     

基于WA-LSTM-ARIMA的混凝土坝变形组合预测模型

针对混凝土坝变形实测数据序列的不规律性和预测精度欠佳等问题,基于复合建模思想提出一种基于WA-LSTM-ARIMA的大坝变形组合预测模型。首先通过小波多分辨率分析对原始监测序列进行多尺度分解,从中提取高频周期性分量、低频趋势性分量和高频随机性分量;然后将去噪处理后的随机分量与高频周期性分量融合得到综合高频序列,并使用LSTM进行建模预测,对于低频趋势性分量则应用ARIMA模型进行预测,将两组预测结果叠加后即可得到最终的坝体变形预测结果;最后通过工程实例证明该模型所得预测值与实测值拟合较好,与传统的静态模型预测结果对比表明,该模型的预测精度更高。     

基于集成组合预测模型的隧道大变形预测研究

为提高隧道大变形预测精度,先利用ARMA模型、三次指数平滑模型和GM(1,1)模型等单项预测模型进行预测,再利用多种线性和非线性组合方法实现了隧道大变形的初步组合预测,并在递进组合预测和混沌优化预测的基础上,构建了隧道大变形集成组合预测模型,实现了隧道大变形的综合预测。同时,提出利用M-K检验来判断隧道大变形的发展趋势,以验证预测结果的准确性。实例验证结果表明：各类初步组合预测模型均能不同程度地提高预测精度,而递进组合预测能很好地优化残差序列,达到提高预测精度的目的,即集成预测模型在隧道大变形中具较高的预测精度;同时,变形预测结果与趋势判断结果一致,均得出隧道大变形趋于不稳定方向发展的规律,相互佐证了各自分析结果的准确性,为隧道变形防治提供了参考依据。     

考虑滞后性变化的滑坡位移预测模型研究

在库水位反复升降条件下，滑坡的变形会滞后于库水位变动。滑坡变形的滞后性会随着时间发生改变，为解决滑坡变形滞后性随时间改变而导致的预测困难问题，基于溪洛渡库区雨林二组滑坡的长时间监测数据，通过相关性分析对滑坡变形滞后性随时间的变化规律展开了研究，并提出了一种考虑滑坡变形滞后性变化的位移预测方法。以白鹤滩库区王家山滑坡的变形情况对预测方法的普适性进行了验证。研究结果表明：滑坡变形的滞后性是随着时间逐渐显现的，由第2蓄水周期的1 d增加至第5周期的11 d,且库水位升高时滑坡变形的滞后性变化得更为明显。验证结果表明，预测方法的准确性和普适性均较好。综合分析认为该法可为库区其他涉水滑坡的变形预测提供借鉴。     

基于重标极差法和神经网络的隧道变形趋势判断

为准确、科学及全面地对隧道变形进行趋势判断和预测分析,将隧道的变形过程划分为中期阶段和长期阶段,利用R/S分析对其位移序列和速率序列进行趋势判断研究,再利用PSO-BP神经网络对各阶段的变形进行预测,将预测结果与R/S分析结果进行对比,验证两者的一致性。利用两个工程实例进行检验,得出各序列的Hurst指数均大于0.5,说明各序列均具有持续变形的长期性,且位移序列的趋势性均大于速率序列的趋势性;同时,变形预测结果也显示隧道后期变形将持续增加,验证了R/S分析的准确性。     

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。     

滑坡变形的回归-神经网络预测模型研究

受多种因素影响,滑坡变形具有趋势性和随机性的特点。从滑坡变形监测数据着手,将监测数据分离成趋势值和随机值,建立了滑坡变形的回归-神经网络预测模型。该模型采用逐步回归方法对滑坡变形的趋势值进行预测,用BP神经网络预测方法对滑坡变形的随机值进行预测。利用金沙江乌东德坝址区金坪子滑坡TP06点高程位移变化实测数据,对该模型进行了验证。结果表明:预测误差不超过11%,具有较高的预测精度。     

基于奇异谱分析的滑坡变形预测

以三峡库区某滑坡GPS位移监测时间序列为例,采用奇异谱分析对原始序列进行趋势项分离,得到有效分量,并建立二阶差分-指数平滑预测模型。结果显示,采用奇异谱分析处理序列预测的误差平方和(SSE)为385.23,平均绝对误差(MAE)为7.50,均方误差(MSE)为3.93,平均绝对百分比误差(MAPE)为3.44%,均方百分比误差(MSPE)为1.79%,5项指标相对未处理序列预测结果全面占优。可见,奇异谱分析为滑坡变形时间序列的预测提供了一种有效的预处理方法。     

滑坡工程治理效果分形预测研究

以滑坡变形时间序列为基础,构建分形预测模型,进行了稳定性预测研究和治理效果评价分析。依据杭金衢高速公路的K103滑坡治理的实际情况,基于位移时序数据,采用分形预测模型评价其工程治理效果和评价其安全稳定性状况,并用实测地下水位埋深变化情况和抗滑桩动态变位情况予以验证。结果明：滑坡治理采用的应急处治方案和永久加固方案切实可行,各项工程措施均充分发挥了功能效应,对滑坡治理效果显著,目前处于安全稳定状态。     

基于多变量时间序列局部异常系数的滑坡预警方法

针对蠕变型滑坡变形具有渐变性、阶段性和变异性等特征,应用数据挖掘技术提出基于多变量监测时间序列的滑坡预警方法。采用动态时间规划方法度量边坡变形多测点时间序列间的相似性,确定边坡的时空变形规律;考虑主要影响因素和边坡变形等多变量,利用多变量局部异常系数划分滑坡变形演化阶段;基于统计学方法拟定基于局部异常系数的滑坡预警阈值,提出基于多变量局部异常系数阈值的滑坡预警方法。卧龙寺和新滩滑坡验证算例结果表明,提出的方法对累计位移、变形速率和加速度均较敏感,比已有估算方法更具时效性,能防止因环境因素波动而造成的误判,具有更好稳健性。提出的方法应用于某渠坡滑坡预警,结果表明渠坡现阶段较为稳定。因此,提出的方法可为蠕变型滑坡预警提供参考。     

基于MF-DFA法和PSO-ELM模型的基坑变形规律研究

为准确掌握基坑变形的发展趋势,实现对基坑施工的准确指导,针对基坑变形序列的非线性和复杂性,提出利用MF-DFA法和PSO-ELM模型对基坑的变形规律进行研究。首先,利用MF-DFA法对基坑变形速率序列进行多重分形特征分析,以判断基坑的变形趋势;其次,利用PSO-ELM模型对基坑累计变形序列进行预测,得到基坑变形的预测值;最后,对比两变形序列的分析结果,综合判断基坑的变形趋势。同时,采用实例检验分析思路的准确性。结果表明:MF-DFA法能有效分析基坑变形速率序列的多重分形特征, PSO-ELM模型在基坑变形预测中也具有较高的预测精度,且两者对基坑变形规律的判断的一致性较好,相互佐证了两者分析结果的准确性,为基坑变形规律研究提供了一种新的思路。