排序方式: 共有6条查询结果,搜索用时 0 毫秒
1
1.
为解决传统滑坡位移点预测模型无法对自身预测结果的可靠程度进行有效描述这一问题,引入区间预测方法,提出一种基于不同Bootstrap方法和KELM-BPNN模型的滑坡位移区间预测模型。该模型以4种常用的Bootstrap方法为基础,首先对由各种外界触发因素与滑坡地表位移的监测信息组成的原始数据集,分别进行B次有放回的等概率随机抽样;然后基于不同Bootstrap方法得到的B个伪数据集,分别训练B个KELM模型对系统误差的方差进行估计,并根据估计结果,训练一个BPNN模型对随机误差的方差进行回归逼近;最终将采用相同Bootstrap方法得到系统误差方差和随机误差方差相结合,构造出在不同置信水平下的滑坡位移预测区间,并通过综合对比分析,提出与实际滑坡变形特征相适宜的位移区间预测模型。以三峡库区内具有阶跃式变形特征的典型堆积层滑坡——白水河滑坡为例,选取ZG93和ZG118两个监测点在2004年7月~2013年12月期间的数据进行研究。结果表明,与传统点预测模型相比,该模型不仅能够提供具有一定精度的点预测结果,还能构造出较为清晰、可靠的位移预测区间将真实的位移曲线完全包裹在内。此外,通过预测区间宽度的实时变化,该模型能够较好地量化与解释滑坡演化过程中外界触发因素的动态变化对滑坡变形造成的不确定性影响,为滑坡灾害的预报预警提供了一种新的思路和方法。 相似文献
2.
为了合理地表征滑面的抗剪强度参数,针对参数的空间变异性与不确定性问题,以三峡库区白水河滑坡为例,基于随机场、自适应条件抽样与可靠度贝叶斯更新方法,建立滑面抗剪强度参数的反演框架. 采用新的全局敏感性方法PAWN,研究不同位置条块滑面抗剪强度参数对稳定性的贡献度. 基于滑面抗剪强度参数随机场模型的反演结果,开展库水位下降工况下非侵入式随机有限元滑坡渗流变形的模拟,分析更新前、后滑面抗剪强度参数的变化特征及空间变异性对滑坡变形的影响. 结果表明:敏感度大的区域分布在滑坡前缘和后缘道路附近;反演后平稳随机场变为非平稳状态,滑坡前、后缘的位移变异性分别增大和减小. 相似文献
3.
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。 相似文献
4.
以三峡库区白水河滑坡为例,针对滑坡位移监测数据的非等距性和复杂性,结合非等距时间序列分析法、灰狼优化算法(GWO)和支持向量回归机(SVR)模型,提出新型非等距位移时序预测模型.利用自然三次样条插值法对滑坡位移数据进行等时距处理,基于时间序列分析理论将位移数据中的趋势成分和周期成分剥离,采用基于稳健最小二乘法的三次多项式拟合和GWO-SVR耦合模型分别对这两者进行预测,利用时间序列加法模型得到滑坡累计位移的预测值.研究表明,基于灰狼支持向量机的非等时距滑坡位移预测模型不仅预测精度高,预测误差较小,且寻优参数设置简单,计算收敛迅速. 相似文献
5.
鉴于三峡库区降雨标准化、定量化研究对库区降雨型滑坡稳定性评价与预测具有重要意义,采用数学期望公式(Weibull公式)与P-Ⅲ型频率曲线相结合,在海森几率格纸上绘制降雨频率曲线的方法求取不同降雨重现期时万州区4~6月单次最大降雨过程,在此基础上,以万州区某滑坡为例,对稳定性与破坏概率进行计算。结果表明,通过降雨频率曲线,可以找到不同极值降雨过程重现期对应的降雨量;库水位下降期间浸润线逐渐趋于凸型;该滑坡是库水+暴雨复合型滑坡;在20年(及以上)一遇暴雨与库水位联合作用下,滑坡将达到欠稳定状态。 相似文献
6.
针对目前岩体结构面粗糙度系数(JRC)定量评价模型构建困难且预测精度较低的问题,搜集包括10条Barton标准剖面线在内的112条岩体结构面JRC,统计各剖面线的8种形态参数. 采用主成分分析降维处理形态参数,共得到5个主成分. 以前102组剖面线参数作为训练样本,采用Boosting-决策树C5.0算法构建模型,以10条Barton标准剖面线验证模型精度. 对比决策树C5.0模型、CHAID决策树模型、支持向量机(SVM)模型、类神经网络模型,分析各模型预测效果. 结果表明,Boosting-决策树C5.0模型的预测结果平均误差、均方根误差均最小. 建立的显式JRC预测模型,包含8层共计68节点的判别阈值. 相似文献
1