基于非平稳时间序列分析的滑坡变形预测

滑坡的位移监测资料通常可用来预测滑坡的变形发展趋势,位移的发展反映了滑坡的变形过程.为了预测在现有条件持续情况下的滑坡变形趋势,将滑坡位移监测数据视为非平稳时间序列,应用时间序列分析方法,建立了滑坡变形趋势的预测模型.以三峡库区秭归县白水河滑坡为例,通过对变形预警区监测点位移实测时间序列的分析,取监测点ZG93和XD-04为代表,建立了时间序列预测模型,从第17个月开始向前做6步预测,分析预测曲线与实测曲线之间的关系,并计算预测误差,结果显示除个别数据点之外,预测误差均在±9%以内,曲线吻合较好,说明所建模型效果良好,从而为判断白水河滑坡未来的变形发展趋势提供了可靠的理论依据.     

基于有效降雨强度的滑坡灾害危险性预警

选取湖北省恩施地区1 000 km2区域作为典型研究区, 在全面分析该区域历史滑坡资料的基础上, 根据该区滑坡生成与地层岩性之间的关系, 将研究区地层划分为高、中、低3类易发性岩组.分岩组统计降雨监测数据与历史滑坡信息, 得出有效降雨强度与关键降雨持续时间的散点图, 由此确定不同滑坡发生概率的有效降雨强度阈值, 提出该区的滑坡灾害危险性预警判别模型.基于样本区统计数据建立滑坡预测指标体系, 运用GIS得出研究区域的滑坡空间易发性区划结果, 并根据不同易发岩组-有效降雨强度模型, 叠加滑坡灾害易发性分区结果与降雨危险性预警等级分级结果, 对研究区的滑坡灾害危险性进行了预测预警.结果表明: 不同易发岩组-有效降雨强度模型所得预警结果与实际情况吻合, 预警模型具有考虑全面和预警精度高的特点, 在实际预警中切实可用.      

基于APSO-SVR-GRU模型的白水河滑坡周期项位移预测

滑坡周期项位移的预测,是研究地质灾害中滑坡变形至关重要的一步。由于单一模型易受偶然因素影响,且无法充分利用有效信息,导致其预测精度不高,适用性不强。基于此,文中提出了一种结合自适应粒子群算法（APSO）、支持向量机回归算法（SVR）、门控神经网络算法(GRU)的组合模型。该模型通过自适应粒子群优化算法对支持向量机回归算法进行参数寻优,确定最优参数组合,然后利用最小二乘法对APSO-SVR模型与GRU模型赋权建立最优权重比组合模型。以三峡白水河滑坡作为研究对象,选取降雨量、库水位及位移量作为周期项位移的影响因子,对模型进行训练验证,结果表明:在白水河滑坡周期项位移预测中,文中所提出的APSO-SVR-GRU组合模型与单一模型相比,具有更高的预测精度和稳定性。     

基于时间序列EEMD重构的滑坡位移PSO-SVR预测方法——以三峡库区滑坡为例

三峡库区滑坡地表位移—时间曲线多呈“台阶型”特征。基于位移响应成份模型的滑坡位移预测方法是对该类滑坡位移预测的主要方法之一。针对目前水库滑坡波动项位移预测工作中尚未考虑主要诱发因素的高频成份与低频成份的问题,提出了基于时间序列EEMD重构的滑坡位移PSO-SVR预测的方法。以白水河滑坡2003年7月至2013年3月117个地表位移数据为例,采用EEMD法将地表位移时间序列分解为趋势项位移和波动项位移,该趋势项位移用最小二乘法的二次多项式拟合预测;根据EEMD和t检验法,确定高频降雨量、低频降雨量、高频库水位和低频库水位,结合其它常用因素,采用灰色关联分析确定白水河滑坡影响波动项位移的优势因素为高频降雨量和月间库水位变化,基于优势因素建立PSO-SVR模型预测波动项位移。结果表明,总预测值的平均相对误差为0.009 8,方差比为0.023 9,小误差概率为1,预测效果较好。利用该方法对三峡库区其它5个“台阶型”滑坡进行了预测,预测位移与实测位移较吻合,进一步证明了该方法的有效性,对同类滑坡的预测预报具有一定的借鉴意义。     

基于时间序列与人工蜂群支持向量机的滑坡位移预测研究

总结以往滑坡预测方法存在的诸多不足,针对滑坡监测位移-时间曲线特点,本文提出了一种基于时间序列的人工蜂群算法（ABC）与支持向量回归机（SVR）相结合的滑坡位移预测方法。以三峡库区白水河滑坡为例,通过对滑坡位移、降雨、库水位等因素的分析,研究影响滑坡位移变化的因素。用时间序列加法模型和移动平均法将滑坡位移分解为趋势项和周期项。以多项式最小二乘法拟合滑坡位移趋势项,用人工蜂群支持向量机模型对滑坡位移周期项进行训练和预测。通过灰色系统关联分析法计算多项因子与滑坡位移周期项之间的关联性。最终的滑坡总位移预测值为周期项预测值与趋势项预测值之和。与BP神经网络、PSO-SVR模型方法相比,该方法在滑坡位移预测中有更高的精度,在防灾减灾工作中有较好的推广应用前景。     

滑坡位移非线性时间序列预测模型研究

从分析滑坡位移的实际变化情况和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地质结构属性控制的趋势项位移分量和由外界环境因素影响的周期项位移分量。采用经验模态分解法对滑坡位移趋势项和周期项进行非线性时间序列的分解;在此基础上采用标准GM(1,1)灰色模型、滚动GM(1,1)灰色模型和灰色马尔科夫模型分别对滑坡位移的趋势项和周期项进行预测,将预测结果进行叠加运算,即可得到滑坡位移的预测值。以三峡库区白水河滑坡的位移变化情况为例,通过分析对比滑坡位移的实测值与预测值之间的位移-时间关系曲线,可以很好地预测出滑坡位移的发展变化趋势。这说明对滑坡位移进行时间序列分解,有助于提高滑坡位移的预测精度,并可有效应用于滑坡位移预测的工程实例中。     

基于集合经验模态分解与支持向量机回归的位移预测方法:以三峡库区滑坡为例

三峡库区滑坡地表位移-时间曲线多呈台阶型特征。基于位移响应成分模型的滑坡位移预测方法是该类滑坡位移预测的主要方法之一。针对目前水库滑坡波动项位移预测工作中尚未考虑主要诱发因素的高频成分与低频成分的问题,提出了基于时间序列集合经验模态分解(EEMD)与重构的粒子群优化-支持向量机回归(PSO-SVR)位移预测方法。以白水河滑坡2003年7月至2013年3月117个地表位移数据为例,采用EEMD法将位移时间序列分解为趋势项位移和波动项位移,该趋势项位移用最小二乘法的二次多项式拟合预测;根据EEMD和t检验法,确定高频降雨量、低频降雨量、高频库水位和低频库水位,结合其他常用因素,采用灰色关联分析确定白水河滑坡影响波动项位移的优势因素为高频降雨量和月间库水位变化,基于优势因素建立PSO-SVR模型预测波动项位移。结果表明,总预测值的平均相对误差为0.009 8,方差比为0.023 9,小误差概率为1,预测效果较好。利用该方法对三峡库区其他5个台阶型滑坡进行了预测,预测位移与实测位移较吻合,进一步证明了该方法的有效性,对同类滑坡的预测预报具有一定的借鉴意义。     

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。     

基于状态划分的滑坡位移预测方法研究

滑坡位移预测是滑坡灾害研究中的一个重要内容,然而现有研究将滑坡视为一个对外界响应稳定的系统,即相同的外界条件下,滑坡的位移变化是相同的。实际上,随着时间的推移,滑坡所处状态不断变化,相同的外界激励下的位移响应相差甚远。从滑坡状态与位移的响应规律出发,提出了一种基于状态划分的滑坡位移预测方法以实现更高精度的滑坡位移预测。采用K均值聚类法对滑坡变形速度和加速度进行了聚类分析,获取了表征滑坡变形程度和变形趋势的状态标签。根据状态标签对监测数据进行了划分,对每一类数据均单独构造一个BP神经网络,并依据上一时刻的状态标签选择对应的预测器来完成滑坡位移预测。将该方法运用到白水河滑坡的工程实例研究中,结果表明此方法具有较高的预测精度。     

三峡库区滑坡台阶状位移趋势预测的警戒速度方法

对不同类型的35个滑坡进行统计分析,发现滑坡临滑前加速度和速度符合Voight模型的幂函数关系。由于无法准确判断三峡库区具台阶状位移特征的滑坡何时处于最后加速失稳阶段,故不能直接应用该模型进行预报。根据台阶状位移特征的滑坡变形特征,本文采用了基于Voight模型的警戒速度方法。该方法是基于Voight模型采用非线性回归分析求得模型参数,按不同风险级别要求求得紧急状态、警戒状态、提前警戒状态的速度阀值,并与实际监测的速度对比去预报滑坡所处的危险等级。采用警戒速度方法对白水河滑坡和新滩滑坡进行了分析,发现预测结果与实际较为接近,预测效果较好。     

基于数据挖掘技术的白水河滑坡多场信息关联准则分析

为探究滑坡多场监测数据间的关联准则,采用数据挖掘技术中的两步聚类法与Apriori算法,开展滑坡多场信息关联准则研究。以三峡库区白水河滑坡为例,分析ZG93监测点于2003年6月—2016年12月期间的监测数据,选取影响滑坡变形的主要诱发因子,采用两步聚类法对不同的影响因子进行预聚类和聚类,将数值型变量转化为离散型变量后,应用Apriori算法进行处理,生成满足最小置信度的关联准则,建立白水河滑坡多场耦合作用模式下的影响因子与滑坡位移变形关联准则判据。研究表明,关联准则对于滑坡灾害的变形分析具有重要的意义,数据挖掘技术可较好地应用于三峡库区地质灾害位移预测预报中。     

基于位移比模型的三峡库区云阳县域内蠕变型滑坡降雨预警

建立高效合理的区域滑坡灾害降雨预警模型对滑坡防治具有重要意义.然而以往的研究多侧重于临滑预警,对蠕变型滑坡在强降雨工况下的短暂加速变形的预警研究还有待深入.以三峡库区云阳县域内滑坡为例,首先根据滑坡地表位移监测数据的特点对统计样本进行合理筛选.再通过降雨因子与滑坡发生的相关性分析以及对滑坡在降雨条件下位移变化情况的数值模拟,确定了适用于不同时间阶段的降雨统计变量.然后将考虑了滑坡规模特征的滑坡位移比（累计位移与滑坡纵长之比）作为变形指标,分时段统计滑坡地表位移监测数据与历史降雨信息,建立了日降雨数据与月位移数据的对应关系,得到了可用于确定降雨量阈值的位移比模型,并获得了云阳县蠕变型滑坡的五级预警分区.最后分别选用研究区滑坡险情实例、长年位移监测数据及极端降雨事件对模型预警效果进行检验.结果显示基于专业监测数据的位移比模型的滑坡降雨预警结果与实际情况相符,可为蠕变型滑坡的预警预报提供依据.      

基于一元线性回归模型八字门滑坡累积位移预测

我国滑坡灾害发生频繁,但滑坡的变形预测预报一直是难题,因此每年都因滑坡的变形破坏导致重大的人员伤亡和财产损失。以三峡库区八字门滑坡为研究对象,基于十多年的监测数据分析,研究分析了该滑坡的变形特征:八字门滑坡变形的主要影响因素为降雨和库水位下降,并且累积位移曲线具有"阶跃型"的变形特征。当外界因素去除或者减小的情况下,累积位移-时间曲线将变得平稳。根据此特性,选取每年变形曲线"阶跃段"（6~8月份）的监测数据,以累积位移为目标函数,基于一元线性回归模型,对八字门滑坡2004年到2017年同期的滑坡监测数据进行分析。结果表明:一元线性回归模型能够很好地模拟八字门滑坡"阶跃段"的变形过程,此变形阶段累积位移与时间呈线性关系,直线斜率基本相同。根据此线性关系,对滑坡的累积位移进行了预测,结果表明与实际监测数据相比较,预测误差在±5 mm以内,相对误差在1%以下,精度可以满足滑坡监测预警要求,可以为八字门滑坡的防治工作提供参考。     

软岩隧道大变形预警分级研究及发展趋势

为实现隧道大变形段的准确预警分级及发展趋势评价,本研究以隧道大变形监测成果为基础,先利用多种评价判据构建隧道大变形预警分级模型,并利用优化长短时记忆神经网络构建大变形预测模型,以实现现状预警分级和发展趋势评价的综合研究。实例分析表明:不同判据评价得到的大变形预警等级存在一定差异,按不利原则,得到大变形段的预警等级为Ⅳ级-红色,应闪光、声音警示,并暂停施工、商讨对策,以切实保证施工安全。同时,通过大变形预测,得到其预测结果的平均相对误差均小于2%,验证了该文预测模型的有效性,且外推预测得出隧道变形仍会持续增加,并无收敛趋势,建议加快大变形加固处理,以避免造成塌方灾害。     

切线角及GM(1,1)模型在滑坡预警中的应用

根据位移切线角在斜坡演化过程中不同阶段的变形特点,可以快速地对滑坡所处演化阶段作出判断,但无法对未来的发展情况作出有效预测。针对此缺陷,本文采用灰色理论GM(1,1)模型与位移切线角相结合的方法对山西某滑坡的滑动趋势作出了预警预报。预测结果表明,利用此预测方法可以判断滑坡不同位置的滑动情况,有效预测滑坡未来的发展趋势。根据预测结果可以提前采取有效整治措施,避免滑坡灾害带来的巨大经济损失。     

速度倒数法滑坡预警模型流变试验研究

滑坡失稳的预测预报研究是地质工程领域中的一项重要课题,准确地确定预测预报理论模型的参数是实际应用中的难点。在实际滑坡监测中通常可以观察到位移曲线呈现阶梯形,这些阶梯形位移变化点就是滑坡的变形突变点。为研究滑坡变形突变点的变形特征,进行了不同荷载作用下的天然试样以及不同荷载、不同含水率作用下的浸水试样的流变试验,得到了累计位移-时间曲线以及变形速度-时间曲线。依据秦四清的锁固段理论以及速度倒数法滑坡预警模型对试验结果进行分析。研究结果表明：荷载和含水率的变化对模型参数没有影响,模型参数是关于材料属性的函数;变形过程中突变点的变形特征与破坏时的变形特征相似,并且速度倒数法预警模型在突变点和破坏点确定的模型参数基本一致。因此,滑坡监测曲线中早期位移突变点确定的模型参数可以用于确定滑坡破坏时的预警模型。     

基于多算法参数优化与SVR模型的白水河滑坡位移预测

滑坡预测对于减轻地质灾害的危害十分重要,但对科学研究却很有挑战性。基于变形特征和位移监测数据,建立了三峡库区白水河滑坡的时间序列加法模型。在模型中,累计位移分为3个部分:趋势、周期和随机项,解释了由内部因素（地质环境,重力等）、外部因素（降雨,水库水位等）、随机因素（不确定性）共同作用的影响。在对位移数据进行统计分析后,提出了一个3次多项式模型对趋势项进行学习,并利用多算法寻优的支持向量回归机（SVR）模型对周期项进行训练与预测。结果表明,在预测精度上,基于时间序列与遗传算法-支持向量回归机（GA-SVR）耦合的位移预测模型要明显优于网格寻优（GS）以及粒子群算法（PSO）优化的支持向量回归机模型。因此,GA-SVR模型在滑坡位移预测方面可以得到较好的应用。在“阶跃型”滑坡位移预测中,GA-SVR将具有广阔的应用前景。     

土质滑坡坡表倾斜变形的室内外试验研究

近年来,滑坡倾斜变形已成为滑坡监测预警的重要指标,但是目前关于坡表倾斜变形与滑坡发育特征的研究尚处于探索阶段。通过开展系列降雨模型试验,并结合现场试验,探究滑坡灾害演进过程中坡表位移与倾斜变形的关系,建立基于坡表倾斜-时程曲线的滑坡预警方法。试验结果表明:滑坡在破坏阶段坡表倾斜变形加速,倾角速率倒数与滑坡残留时间呈线性关系,利用该线性关系可预测滑坡最终破坏时间;滑坡滑动过程中坡表倾斜变形与位移呈线性关系,其斜率与滑动半径一致。根据试验结果首次揭示了坡表变形与滑带几何特征的关系,并为基于坡表变形的滑坡滑带预测方法提供了试验依据。     

基于H-P滤波法、ARIMA和VAR模型的库区滑坡位移综合预测

受库水位涨落及降雨等影响,库区滑坡位移表现出明显的周期性。基于位移时间序列分析,将滑坡监测位移分解为趋势项与周期项之和。趋势项反映滑坡变形的长期趋势,其主要受滑坡本身地质结构等因素影响。周期项反映滑坡变形的波动性,其主要受外部因素影响。以三峡库区巫山塔坪滑坡为例,考虑长江水位与降雨量影响,采用H-P滤波法从滑坡位移中分解出趋势项及周期项,利用差分自回归滑动平均模型（ARIMA）对趋势项进行平稳处理并计算趋势项预测值,利用向量自回归模型（VAR）计算周期项预测值。趋势项预测值与周期项预测值之和为滑坡位移预测值。与实际监测值及多种方法分析比较,表明综合预测所得结果能较好反映滑坡变形的趋势性和波动性,位移预测效果较好。     

不同组合模型区域滑坡易发性及精度分析

为探索区域滑坡易发性评价模型的适用性和评价结果的合理性,以滑坡灾害高发的白龙江流域为研究区,首先选取坡度、地形起伏度、距断层距离、地层岩性、流域沟壑密度、植被指数等6项影响滑坡发生的孕灾因子作为易发性的评价指标,以研究区2 093处滑坡灾害点为样本数据,依据各指标条件下的信息量值、确定性系数值和证据权重值曲线突变规律,并结合滑坡面积及分级面积频率比曲线作为等级划分的临界值来确定因子分级状态;其次,基于指标因子状态分级和相关性分析结果,采用信息量法、确定性系数法、证据权法分别与逻辑回归组合的3种模型开展区域滑坡灾害易发性评价,并从模型结果、适用性和精度等方面采用多手段对3种组合模型进行比较和讨论。研究结果表明:在区域滑坡易发性评价方面,3组模型均表现较为理想,信息量和逻辑回归组合模型的预测精度为94.6%,其预测精度和准确性优于其他2种组合模型。笔者以白龙江流域中游及其岷江支流段为例,开展滑坡灾害易发性评价模型适用性、评价结果分析以及预测精度评价对比和研究等,成果可为该区地质灾害防灾减灾和国土空间用途管制规划决策提供参考。