基于滑坡监测数据的Elman神经网络动态预測

滑坡在我国是一种极为频发的地质灾害,且其积累位移监测曲线有着复杂的非线性特性,对此各研究者建立过许多预测模型,然而这些模型的预测精度不尽如人意。基于Elman神经网络可以任意精度逼近任意非线性函数的特征,并以sigmoid为方程的核函数,在选择隐含层数时用了试用法,通过“3δ”法及归一化工程实例滑坡累积位移数据,建立了Elman神经网络动态预测模型。基于该模型对多个监测点数据进行动态预测,结果表明该模型的预测结果与实测数据的吻合度较高,且平均误差为1.78%,预测精度较高,验证了Elman神经网络能够在预测滑坡灾害中发挥一定作用。     

Elman神经网络在地下水动态预测中的应用

详细介绍了Elman神经网络的基本结构和数学模型,同时以地下水动态预测为例,给出用Elman神经网络建立地下水动态预测模型的方法。模型检验结果表明,该模型拟合和预测精度均较高,可应用于地下水动态系统的建模,借此说明Elman网络在地下水动态预报中的可行性,并为Elman网络技术在水文水资源领域的动态模拟应用提供借鉴。     

基于粒子群-变分模态分解、非线性自回归神经网络与门控循环单元的滑坡位移动态预测模型研究

以三峡库区八字门阶跃型滑坡为例,针对静态机器学习模型在周期项位移预测中的不足以及高频随机项位移预测困难等问题,提出了一种新的滑坡位移预测方法。基于时间序列分解思想,采用粒子群算法（PSO）对变分模态分解（VMD）进行参数寻优,并将位移时间序列分解为趋势项、周期项和随机项。趋势项主要受滑坡内部因素影响,采用傅里叶曲线进行拟合预测;周期项由外部因素导致,基于格兰杰因果检验进行成因分析,并引入一种对时间序列历史状态具有较高敏感性的非线性自回归神经网络（NARX）进行预测;随机项频率较高且影响因素无法判定,采用一维门控循环单元（GRU）进行预测。最后将各分量预测位移进行叠加重构,实现滑坡累计位移的预测。结果表明,提出的（PSO-VMD）-NARX-GRU滑坡位移动态预测模型精度较高,且各位移分量预测精度明显高于静态模型中BP神经网络、支持向量机（SVM）和传统自回归模型ARIMA,可为阶跃型滑坡位移预测提供参考。     

遗传算法下的滑坡蠕滑位移预测模型研究

滑坡位移预测是预报滑坡灾害的重要依据,以往的滑坡位移预测模型多数为时间序列预测模型、BP神经网络预测模型、Gaussian拟合预测模型以及其他一些非线性预测模型。这些滑坡位移预测模型在建立上缺乏力学理论支撑,对不同力学特性产生的滑坡位移预测分析上没有针对性。文章针对力学特性为重力蠕变型滑坡位移的预测,提出一种基于遗传优化算法的滑坡蠕滑位移非线性预测模型。以鲁家坡滑坡东侧J05监测点的累计水平位移为例,划定测试区域与预测区域进行模型预测分析,并将新模型预测结果与Gaussian拟合预测模型、 BP神经网络预测模型预测结果进行对比分析。结果表明,相较于传统预测模型,新模型的预测效果有所提升,有一定的工程价值与实践价值。     

基于ENN广义预测控制算法的滑坡位移多步预测

针对滑坡位移预测时变性和复杂性的特点,将具有动态反馈特性的Elman神经网络(ENN)引入到分析研究中,充分发挥ENN对非线性情况的适应性。同时将之与广义预测控制算法相结合,以ENN作为广义预测控制算法的预测模块,结合滚动优化和反馈校正,提出了基于ENN广义预测控制算法的滑坡位移多步预测模型。将该方法应用于重庆市巫山县龙井乡白泉村大水田滑坡的位移预测,证实多步预测能够对位移变化趋势进行良好的拟合,同时高精度地实现了邻近时步的预测;通过与ENN多步预测进行对比,验证了模型的有效性。     

GM—BP串联组合预测模型在滑坡变形监测中的应用

为了提高滑坡的预测精度,通过对灰色GM（1,1）模型与BP神经网络模型各自优缺点及互补性的分析,建立了GM—BP串联组合预测模型。模型首先采用等维动态GM（1,1）模型进行初步预测,然后利用BP神经网络对初步预测的结果进行训练及仿真,通过数据的归一化处理,参数的判定选取,获得组合模型预测值。以茅坪滑坡为例,对位移进行了预测。通过数据的对比分析,发现GM—BP串联组合预测模型在短期预测精度上高于单一模型。     

基于Elman型神经网络的金川二矿地表岩移时序预测 模型

建立于煤矿开采基础之上的矿山开采沉陷理论和预测方法并不适用于象金川这样厚大、陡倾的金属矿床开采的岩移问题,因此,本文探讨利用神经网络来对地表岩移进行预测。根据Elman神经网络能够逼近任意非线性函数的特点和具有反映系统动态特性的能力,提出了利用Elman神经网络建立地表岩移时序预报模型的方法。利用金川二矿区GPS监测所得到的时间序列数据,通过对Elman神经网络模型预测值与GPS实测值之间的比较,结果表明模型预测显示了良好的准确性,特别是在时间步长较短情况下,应用于实际预测一定程度上可以弥补金属矿山岩移预测方法不足的缺憾。     

大坝安全诊断的混沌优化神经网络模型

为了提高大坝变形的预测精度,采用小波变换和分形理论对大坝位移观测数据的非线性动力学特性进行了分析,揭示了其具有低维混沌动力特性,这为大坝变形预测模型的建立提供了理论依据和先验知识。基于低维混沌动力特性,设计了能捕获大坝位移观测数据全局动力特性,兼具神经网络模型结构优化和动力机制时新的混沌优化神经网络大坝变形预测模型。在工程实例中,由多个度量指标组成量化评价体系,对模型预测性能进行综合评价,结果表明,所建模型比传统BP神经网络和ARMA模型具有更高的预测精度。     

加权函数组合预测边坡变形模型的研究

边坡变形监测是边坡监测的主要内容之一,其变形预测问题是边坡工程中主要技术难题之一。考虑边坡位移变形预测模型的局限性,如神经网络预测方法需要大量的实测数据作为学习样本,灰色系统模型要求原始数据序列必须满足指数规律,且数据序列变化速度不能太快等。建立了边坡变形反向传播神经网络预测模型,同时给出了灰色GM(1,1)边坡预测模型。提出边坡的神经网络与灰色系统加权函数组合预测模型,采用动态规划解法,将原模型转化为多阶段决策问题,使组合预测误差的平方和最小,得到组合权重,这样得到的变形预测结果的精度将大大提高,弥补了单一方法的局限性,满足工程预测的需要。通过边坡实例加以验证,加权函数组合预测模型的预测结果精度有一定提高,能够与实际监测数据相吻合,达到准确预测的目的。     

基于CEEMDAN理论和PSO-ELM模型的滑坡位移预测

对三峡库区中具有"阶跃型"位移曲线的滑坡进行位移预测的难度较高,为此,提出了基于自适应噪声完整集合经验模态分解法的粒子群优化-极限学习机模型,并将该模型用于万州区塘角1号滑坡的位移预测。首先利用CEEMDAN法提取滑坡趋势项位移和波动项位移的不同IMF组分,并使用Elman神经网络对趋势项位移进行预测;其次结合历史监测资料,通过滑坡位移对降雨、库水位等诱发因素的响应分析,确定了7种不同的波动项位移影响因素,并使用CEEMDAN法分解得到上述因素的各IMF分量;然后通过模糊熵分析,将波动项位移和诱发因素的IMF分量一一对应,构建PSO-ELM模型进行波动项位移的预测;最后将趋势项位移预测值和波动项位移预测值叠加得到累积位移的预测值。结果表明:和ELM模型、PSO-ELM模型相比,基于CEEMDNAN的PSO-ELM模型的预测精度更高,其均方根误差(RMSE)和拟合优度(R~2)可达到0.54 mm和0.99,为滑坡位移预测提供了一种新手段。     

基于BP神经网络的滑坡监测多源异构数据融合算法研究

针对滑坡监测中的多源异构数据融合问题,论文提出了一种基于BP神经网络的多源异构监测数据融合算法。该算法将影响滑坡变形的温度、湿度、风力、云量、单日降水量和累计降水量等多环境因子变量作为输入变量,以滑坡位移变化量数据作为期望输出数据,并利用各环境因子变量和滑坡位移变化量的相关性及显著性进行环境因子变量筛选,以提高算法的预测精度。论文采用甘肃省永靖县黑方台党川滑坡的实测数据进行了试验,结果表明:反向传播（Back-Propagation,BP）神经网络数据融合算法适用于具有多源异构监测数据的滑坡变形预测;在进行环境变量因子筛选后,BP神经网络数据融合算法的决定系数达到0.985,均方根误差（RMSE）达到0.4787 mm,从而有效提高了变形预测结果的精度。      

基于指数平滑法与回归分析相结合的滑坡预测

滑坡时间预报研究是滑坡研究中的一个热门课题。以实际监测数据为基础,把指数平滑法与非线性回归分析法结合起来;以滑坡的变形值和变形速率为判据,对滑坡进行时间失稳的动态跟踪预报。根据某滑坡的实际情况,对部分监测点位移进行了建模和预测,预测结果表明,该方法具有较高的精度,可以应用于实际工程。     

基于主控因子分析与GM-IAGA-WNN联合模型的平推式滑坡位移预测研究——以垮梁子滑坡为例

滑坡位移预测模型是滑坡预警系统建立的核心,而模型可靠性与精确性关键在于主控因子的选取与基础理论模型的构建。学者们通过大量滑坡实例研究,已取得了诸多成果,但是由于滑坡位移变化具有强烈的个性特征及趋势发展的不确定性问题,在多因子联合作用下的位移预测模型尚有不足之处。本文以西南地区普遍存在的平推式滑坡——垮梁子滑坡为研究对象,结合前人已有的研究成果,综合考虑坡体内外各项影响因子,利用灰色关联度与相关性分析对坡体变形主控因子进行优化筛选。以此为基础,提出一种基于GM（1,1）灰色模型与改进型自适应遗传算法（IAGA）进行优化的小波神经网络（WNN）联合预测模型构建方案。通过对垮梁子滑坡历时5年的监测数据挖掘分析,得知滑坡变形受累计降雨、渗压、地下水位及土体含水率影响显著,预测结果与实际监测比较吻合。相较于传统BP神经网络模型、小波神经网络模型和未优化遗传算法-小波神经网络联合模型,该联合模型具有更好的稳定性与精度优势,在滑坡预警预报研究中具有良好的应用前景。     

基于时间序列分解和多变量混沌模型的滑坡阶跃式位移预测

三峡库区某些库岸滑坡在强降雨、库水位涨落等诱发因素影响下,其位移时间序列表现出阶跃式变化特征且可能存在混沌特性.但目前常用于滑坡位移预测的混沌模型,均建立在单变量混沌理论的基础之上.且已有的考虑了诱发因素的常规多变量模型,大都采用经验性的方法来选取输入变量;常规多变量模型对滑坡位移序列的非线性特征,及其与诱发因素间的动态响应关系缺乏数学理论上的深入分析.因此,提出一种基于指数平滑法、多变量混沌模型和极限学习机（extreme learing machine,ELM）的滑坡位移组合预测模型.指数平滑多变量混沌ELM模型首先对滑坡累积位移序列的混沌特性进行识别;然后用指数平滑法对累积位移进行预测,得到趋势项位移,并用累积位移减去趋势项位移得到剩余的波动项位移;之后对波动项位移及降雨量、库水位变化量这3个因子进行多变量相空间重构,并用ELM模型对多变量重构后的波动项位移进行预测;最后将预测得到的趋势项和波动项位移值相加,得到最终的累积位移预测值.以三峡库区白水河滑坡ZG93监测点的累积位移作为实例进行分析,并将模型与指数平滑多变量混沌粒子群-支持向量机（PSO-SVM）模型、指数平滑单变量混沌ELM模型作对比.结果表明滑坡位移序列存在混沌特性,模型能有效预测滑坡位移,其预测效果优于对比模型.且本文模型从混沌理论的角度将波动项位移与降雨量、库水位变化量的动态响应关系进行综合分析,更能反映滑坡位移系统演化的物理本质.      

考虑环境变量作用的滑坡变形动态灰色-进化神经网络预测研究

滑坡变形预测对于指导灾害的预防工作、保护人民的生命和财产安全具有重大实用价值。从系统论观点出发,结合岩土体流变理论和时序分析原理,在深入研究影响滑坡变形的主控环境变量基础上,将位移时序分解为趋势项和偏离项。采用灰色系统模型提取位移时序趋势项,结合遗传算法和人工神经网络建立起进化神经网络模型,逼近主控环境变量与位移偏离项之间的非线性关系。根据蠕变阶段和变形对环境变量响应情况,实时调整模型,建立起滑坡变形预测的动态灰色-进化神经网络（GM-ENN）模型。将此预测思路和方法应用于三峡库区某滑坡变形预测研究中,证实了模型的有效性和实用性,显示了动态预测的重要性。     

Prediction of landslide displacement with an ensemble-based extreme learning machine and copula models

Research on the dynamics of landslide displacement forms the basis for landslide hazard prevention. This paper proposes a novel data-driven approach to monitor and predict the landslide displacement. In the first part, autoregressive moving average time series models are constructed to analyze the autocorrelation of landslide triggering factors. A linear ensemble-based extreme learning machine using the least absolute shrinkage and selection operator is applied in predicting the displacement of landslides. Five benchmarking data-driven models, the support vector machine, neural network, random forest, k-nearest neighbor, and the classical extreme learning machine, are considered as baseline models for validating the ensemble-based extreme learning machines. Numerical experiments demonstrated that the proposed prediction model produces the smallest prediction errors among all the algorithms tested. In the second part, parametric copula models are fitted on the predicted displacement, to investigate the relationship between the triggering factors and landslide displacement values. The Gumbel-Hougaard copula model performs best, which indicates strong upper tail correlation between the triggering factors and displacement values. Thresholds for the triggering factors can be obtained by monitoring the landslide moving patterns with large displacement values. The effectiveness and utility of the proposed data-driven approach have been confirmed with the landslide case study in the region of the Three Gorges Reservoir.     

基于时间序列与混合核函数SA-SVR的滑坡位移预测模型研究

本文针对阶跃型滑坡变形定量预测困难,提出一种基于时间序列分解与混合核函数SA-SVR的滑坡位移预测模型.首先基于时间序列分解原理,反复使用指数平滑法将滑坡累积位移分解为趋势项位移和周期项位移,使分解后的趋势项位移较平滑且能保证周期项位移的预测精度.同时针对多项式预测容易过拟合造成预测值偏离真实值的问题,采用K-flod...     

BP模型在区域滑坡灾害风险预测中的应用

滑坡灾害具有整体性、动态性、开放性和随机性的特点,而人工神经网络属于非线性动态系统,具有符合区域滑坡灾害风险预测的研究特点。应用BP模型,建立了区域滑坡灾害风险的预测流程,并与GIS技术相结合,对三峡水库蓄水条件下巴东新县城的滑坡灾害进行了危险性、易损性、风险性综合预测研究,证明了BP模型在区域滑坡灾害风险预测中的应用可行性,同时指出了所存在的问题及可能解决的途径。     

基于集对分析的滑坡变形动态建模研究

滑坡是一个确定-不确定的动态系统,其变形表现出复杂的非线性演化特征。为了克服传统分析方法在处理系统不确定性方面的不足,将集对分析法（SPA）引入岩土变形监测分析领域,并结合层次分析法（AHP）提出了滑坡变形动态预测模型,给出了基于概率论的最优预测算法,提出并证明了集对论中最大同一度在等势条件下存在极限解,据此提出位移势的概念。在位移势的基础上,进行SPA二次建模,提出了基于SPA的滑坡变形与水库蓄水过程相关性动态分析模型。运用上述预测模型对新近发生的刘家沱滑坡进行变形监测定量分析,实践证明：最优预测值具有良好的短期预报精度;位移势能够表征系统当前状态下位移所能达到的最大潜力,可作为短期预测的上限值,其变化能够反映系统宏观层面上的演化特征,对滑坡演变加速预警具有指导意义;运用集对分析方法进行滑坡变形响应滞后效应的定量研究是一条可行的新思路,反演结果与实际情况吻合;该方法在岩土监测分析领域有良好的应用前景。