基于诱发因素响应与支持向量机的阶跃式滑坡位移预测

受库水位周期性调度和降雨的影响,三峡库区部分滑坡的位移变形呈台阶状。针对滑坡的这种变形特征,提出一种基于诱发因素响应分析的进化支持向量机位移预测模型:应用移动平均法将滑坡总位移分解为趋势项位移和周期项位移,趋势项位移变化受坡体地质条件控制,应用多项式函数进行预测;周期性位移变化受诱发因素联合控制,选取变形主导因素作为影响因子建立进化支持向量机模型进行预测;将分项位移预测值叠加即为总位移预测值。以库区典型阶跃式滑坡——八字门滑坡为例,应用进化支持向量机模型进行预测研究。结果表明:诱发因素响应分析是滑坡位移预测的关键;基于诱发因素响应的进化支持向量机耦合模型在阶跃式变形期有较好的预测效果,是一种行之有效的阶跃式滑坡位移预测方法。     

基于诱发因素响应分析的滑坡位移预测模型研究

 滑坡位移的变化除与其基础地质条件相关之外,更取决于诱发因素的动态作用。为建立滑坡位移动态变化与诱因变化的响应关系,采用时间序列分解预测模型,通过移动平均法将位移分解为趋势项及周期项。趋势项位移由边坡的势能和约束条件所决定,利用多项式位移函数进行拟合预测。周期项位移受库水位涨落和降雨等诱因的周期性动态作用而变化,选取当前月降雨量、累计前两月降雨量、月库水位高程变化量及年内总位移累计增量为影响因子,利用BP神经网络进行多变量位移预测。将各分项位移预测值叠加,从而得到总位移预测值。以三峡库区白水河滑坡为例,利用位移、降雨及库水位变化数据进行计算验证。结果表明,基于滑坡诱发因素和位移变化综合分析预测模型,可以较好地反映诱因动态变化对滑坡位移发展的关键作用,提高预测结果的精度和有效性。     

“阶跃式”滑坡位移预测及阈值分析的ARMA-(LASSO-ELM)-Copula模型

滑坡位移预测的重点内容是提高预测精度及提取阈值,基于该认识及已有研究,建立ARMA-(LASSOELM)-Copula模型,并选取白水河滑坡这一典型"阶跃式"滑坡为研究案例。首先,运用ARMA模型中的ACF值分析月降雨量与月库水位变化的周期性,并通过PPMCC分析位移月增量与一个周期内诱因数据(月降雨量,月库水位变化)的滞后相关性;然后,建立以所有诱因正相关滞后项为预测模型的输入项,以位移月增量为目标的LASSO-ELM滑坡位移预测模型,将预测所得位移增量累加得到位移预测值;最后,基于诱因值与滑坡位移预测值,比选得到最优Copula函数之后,分别建立其联合分布函数,并提取阀值。结果表明,ARMA联合LASSO-ELM的位移预测模型具有较高精度,明显优于SVR、NN、ELM等模型;选取Gumbel-Hougaard Copula函数可描述案例诱因数据与位移预测值的联合分布,并能提取诱因阈值和对应的位移风险值。     

基于地表监测数据和非线性时间序列组合模型的滑坡位移预测

针对滑坡位移–时间曲线的非线性特征和以往预测模型的不足,提出基于地表监测数据和非线性时间序列分析的组合模型预测滑坡位移。以新滩滑坡和三舟溪滑坡为例,通过对位移、降雨、库水位等资料的分析,研究滑坡的变形特征及影响因素。在利用逆序法和小波分析检验滑坡位移的趋势特征和周期特征的基础上,采用非线性组合模型进行预测,包括利用多项式拟合并预测趋势项位移;用一种基于小波分析的三角函数法(WA-TF)对周期项位移进行预测;遗传算法优化选参的BP神经网络(GA-BP)对波动项位移进行预测。最终将各位移分量累加得到滑坡的累积位移预测值,并与监测值进行对比分析。结果表明非线性组合模型的预测精度高且具有较好的通用性,为滑坡位移定量预测提供了一种可行的思路。     

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。     

基于变分模态分解与GWO-MIC-SVR模型的滑坡位移预测研究

针对目前滑坡位移预测研究中存在的随机性位移无法分解与预测、支持向量机(SVR)模型中输入向量权值无差异、最优训练组合无法确定等问题,基于时序分析理论和变分模态分解(VMD),结合灰狼优化算法(GWO)、最大信息系数(MIC)和SVR,提出一种新型滑坡位移预测模型。该模型首先采用时序分析法和VMD,将滑坡实际累积位移分解为趋势性位移、周期性位移和随机性位移。然后基于滑坡对各类影响因素的响应分析,为3种位移选择合适的影响因子,并采用GWO-MIC-SVR模型对各位移分量进行多数据驱动的动态单步预测。最终基于训练数据的时效性分析,确定最优训练组合,并应用时序加法模型将最优预测值进行叠加,实现对滑坡累积位移的预测。以三峡库区典型堆积层滑坡——白水河滑坡为例,选取监测点ZG93和ZG118从2004年1月~2013年4月的数据进行研究。结果表明,与以往的研究相比,该模型不仅有效预测时间较长,且预测精度较高,具有较高的实用性和推广应用价值。     

基于时间序列分析的滑坡位移预测模型研究

 结合滑坡位移监测数据,从分析滑坡位移演变规律的角度出发,将滑坡位移分解为受其自身基础地质条件控制的趋势项位移以及由外界因素如降雨、库水位变动等影响的周期项位移,应用时间序列分析方法建立滑坡位移预报模型。采用二次移动平均法分离滑坡位移的趋势项和周期项,在此基础上分别采用GM(1,1)灰色模型和自回归AR模型分别对滑坡趋势项位移和周期项位移进行预测,将计算得到的各分项位移预测值叠加即得到总位移预测值。以三峡库区八字门滑坡位移为例,分析对比实测与预测位移–时间曲线之间的关系。计算结果能够较好地体现出滑坡在外界诱发因素作用下位移的发展变化趋势,说明所建滑坡位移预测预报模型效果较好,在滑坡位移预测中是有效可行的。     

基于相空间重构的滑坡位移时间序列预测

本文基于滑坡时间序列位移,根据相空间理论构建位移时间序列矩阵,利用熵值理论求取熵值。通过熵值变化及位移预测误差反馈调整该时序相空间重构的嵌入维数,然后利用支持向量机学习创建支持向量回归机模型。并通过实例进行位移时间序列预测,预测效果好。     

基于时间序列与长短时记忆网络的滑坡位移动态预测模型

针对滑坡演化的动态特性和传统静态预测模型的不足,提出一种基于时间序列与长短时记忆网络(long and short term memory neural network,LSTM)的滑坡位移动态预测模型。该模型首先采用移动平均法将滑坡累积位移分解为趋势项位移和周期项位移。然后采用多项式函数预测趋势项位移;基于滑坡变形特征与诱发因素的响应分析,建立LSTM模型进行周期项位移预测。最后将各分项位移叠加,即实现滑坡累积位移的预测。以三峡库区典型阶跃型滑坡——白水河滑坡为例,并与支持向量机模型(support vector machine,SVM)进行对比分析。结果表明,与静态模型SVM相比,动态模型LSTM的预测精度较高,在阶跃式变形期的预测优势尤为突出,且不依赖于训练数据时效性的分析。该模型为三峡库区阶跃型滑坡位移预测提供了新的思路和探索。     

位移时序预测的APSO-WLSSVM模型及应用研究

引入改进的粒子群算法对小波核函数最小二乘支持向量机进行优化,提出了位移时间序列预测的改进粒子群优化小波最小二乘支持向量机预测模型(APSO-WLSSVM)。该模型具有小波变换的良好时、频域分辨能力和支持向量机的非线性学习能力;同时利用粒子群算法优化小波最小二乘支持向量机的参数,避免了人为选择参数的盲目性,从而提高了模型的预测精度。为证明该模型的优越性,将该模型与传统的高斯核函数支持向量机模型的预测结果作了对比,结果表明该模型较传统方法预测精度有了明显提高。最后将该模型用于锦屏一级水电站左岸边坡和导流洞进行变形预测,预测结果表明该方法科学可靠,在岩土体位移时序预测中具有良好的实际应用价值。     

滑坡位移预测的SVR-MIV变量筛选方法研究

支持向量回归机(Support Vector Regression, SVR)在滑坡位移预测研究中已得到广泛应用,但SVR具有模型可解释性差的缺陷,即无法直接获得并筛选最佳预测变量,从而影响预测精度。为此,将较广泛应用于评价神经网络模型变量影响大小的平均影响值(Mean Impact Value, MIV)方法与SVR模型相结合,实现基于SVR-MIV的变量筛选,该方法不但能对所有预测模型初始变量影响大小进行排序,还可以进一步结合反向逐变量剔除分析实现变量筛选。为验证该方法的有效性,选择三峡库区两类典型水库滑坡代表的累积位移监测数据,在采用移动平均法将位移分解为趋势项和波动项的基础上,重点针对波动项位移,选择包括降雨及库水位变动特征在内的12项初始变量,采用SVR-MIV方法进行变量筛选分析。结果表明,该方法筛选出的变量理论上符合对应滑坡变形影响机理分析结论,且可以提高滑坡位移实际预测精度。     

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。     

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。     

三峡库区塔坪H2古滑坡台阶状复活变形的库水–降雨耦合作用机制

三峡水库蓄水以来,出现了大量大规模的老滑坡体复活现象。较多大型复活滑坡体的监测位移–时间曲线呈台阶状阶跃变化。此类滑坡的稳定状态识别难度较大,严重影响治理方案及治理时机的选择。以巫山曲尺塔坪H2滑坡为例,通过地质、位移监测及数值模拟方法,研究了此滑坡在实际降雨与库水涨落条件下渗流场、稳定性以及变形场演化规律。在汛期及库水位变动时期滑坡会发生变形,特别是库水位下降诱发滑坡前缘变形,并对后部坡体产生牵引作用。而降雨主要影响库水位变动带以上部分滑体的变形,并对前缘坡体产生推动作用。在周期性降雨和库水位涨落的循环作用下,滑坡体反复受到"推–拉"作用,导致滑坡的位移–时间曲线呈现台阶状阶跃特征。总体来说,库水位涨落是滑坡变形的主要因素,而降雨促进了滑坡变形进一步发展。     

三峡库区某滑坡稳定性时域分级评价

结合三峡库区某滑坡全自动专业地表位移长期监测资料,利用小波分析等数学方法半定量地探究在降雨和库水位两个因素作用下滑坡的运动演化过程,分月测值、日测值、时测值逐步细化的分级模式综合评价滑坡的稳定性及变形特征。结果表明:此评价法能客观、全面的反映滑坡稳定性的现状和发展趋势,对同类滑坡的研究具有借鉴意义;现阶段该滑坡处于潜在不稳定状态,库水位上升时抑制滑坡变形(较为微弱),下降时促进滑坡变形,并且这种影响一般会滞后一个星期左右。降雨量与滑坡变形成正相关,两种因素叠加作用时,变形速率显著增加。     

Probabilistic stability analysis of Bazimen landslide with monitored rainfall data and water level fluctuations in Three Gorges Reservoir,China

Landslide is a common geological hazard in reservoir areas and may cause great damage to local residents’ life and property. It is widely accepted that rainfall and periodic variation of water level are the two main factors triggering reservoir landslides. In this study, the Bazimen landslide located in the Three Gorges Reservoir (TGR) was back-analyzed as a case study. Based on the statistical features of the last 3-year monitored data and field instrumentations, the landslide susceptibility in an annual cycle and four representative periods was investigated via the deterministic and probabilistic analysis, respectively. The results indicate that the fluctuation of the reservoir water level plays a pivotal role in inducing slope failures, for the minimum stability coefficient occurs at the rapid decline period of water level. The probabilistic analysis results reveal that the initial sliding surface is the most important area influencing the occurrence of landslide, compared with other parts in the landslide. The seepage calculations from probabilistic analysis imply that rainfall is a relatively inferior factor affecting slope stability. This study aims to provide preliminary guidance on risk management and early warning in the TGR area.     

水库滑坡变形特征和预测预报的数值研究

水库滑坡不同于一般山体滑坡,其稳定性受水位波动的影响十分明显。由于水库滑坡的特殊性和重要性,其变形特征和预测预报的研究已成为目前研究的热点和难点。库水水位的波动,改变了水库滑坡的水力边界条件,引起坡体内渗流场的非稳定渗流,采用传统的分析方法很难对其变形破坏特征和稳定性的动态变化进行研究,并对其失稳破坏进行预测预报。因此,基于数值极限分析方法对水位下降过程中滑坡体的变形特征和稳定性的动态变化规律进行了研究;通过位移-时间关系曲线以及位移-时间对数关系曲线对滑坡体的变形破坏特征进行了定量研究,并提出利用水平位移陡升段（加速段）和水平方向的夹角作为滑坡临滑预报的判据,为认清水库滑坡的破坏机制和提升其预报水平提供了新的思路。     

灰色-神经网络模型在滑坡变形预测中的应用

根据滑坡位移时间序列的单调增长的特殊性和非线性,运用响应成分模型将滑坡位移量分解成具有确定性的趋势项和具有不确定性的随机项,建立灰色-神经网络模型对趋势项和随机项进行预测。将该模型应用于基于实测位移资料的茅坪滑坡变形短期预测,证明该模型的有效性及可行性。