利用粗糙集的滑坡分阶段位移预测方法——以白家包滑坡为例

为解决大数据量下滑坡的位移数值精确预测,采用数据挖掘技术对滑坡多源监测数据进行预处理,进而采取粗糙集理论对输入变量集进行定量评价、约减并完成滑坡变形阶段预测,在此基础上利用不同算法进行滑坡变形位移数值预测。实验显示,粗糙集对滑坡变形阶段划分的准确度达到96.5%,在此基础上利用分类回归树预测滑坡位移的精度达到6.5 mm。结果表明,分阶段的位移预测方法是可行的,其提供的预测精度显著优于普通方法并且达到了工程应用的需求。     

利用BP神经网络进行水库滑坡变形预测

滑坡变形监测与预测是滑坡预警预报中一种非常重要的途径。文章首先简单介绍了神经网络的基本原理和学习算法,然后利用某水库滑坡24期的GPS地表位移监测数据及其诱发因素即水库水位、降雨等资料,采用BP神经网络模型对该水库滑坡变形进行建模,最后将6期水库水位、降雨等资料输入模型进行滑坡变形预测,结果表明预测结果与实测数据符合性好,总体上能较好反映变形趋势。     

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。     

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.      

基于新型仿生智能方法的边坡变形位移预测

边坡地变形,具有高度复杂的非线性演化特征。将BP神经网络和免疫克隆算法改进并集成结合,提出一种新型的仿生智能方法,即免疫克隆神经网络。并利用其强大的非线性拟合能力,对边坡进行变形位移的预测。结果表明,此方法拥有较高的预测精度,为边坡变形位移的预测提供了行之有效的途径,从而为边坡稳定性判别和滑坡预报提供了可靠的分析依据。     

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。     

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。     

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。     

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.     

基于灰色-进化神经网络的滑坡变形预测研究

滑坡变形位移预测对滑坡灾害治理具有重要的意义。考虑到滑坡位移单调增长的特殊性，根据位移分解原理，采用灰色系统提取位移趋势，用基于免疫进化规划的新型进化神经网络模型逼近位移偏差，从而提出了1种滑坡位移预测的新型智能方法。并用新滩滑坡的实测位移预测研究证明了所提智能预测方法的有效性及可行性     

基于滑坡监测数据的Elman神经网络动态预测

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。      

考虑时滞效应的库区滑坡位移预测——以新铺滑坡为例

库区滑坡失稳每年不同程度影响区内人民生活和生产安全,滑坡位移精准预测对于灾害风险预警及防灾减灾十分重要。常规的位移预测方法未充分考虑降雨、库水位波动等诱发因素对滑坡变形的时滞效应,无法精确识别滞后天数及各因素的影响程度,制约了预测精度的提高。本文以三峡库区新铺滑坡为例,根据2021年度的位移监测与水文气象数据集,利用皮尔逊相关系数法定量描述了山坡尺度上降雨、库水位波动对滑坡变形的时滞效应,结合BP神经网络建立了一种考虑时滞效应的滑坡位移预测模型。分析结果表明:在山坡尺度上,库水位波动对地表变形的时滞效应明显,滞后时间呈现出从近岸向远岸逐渐增加的规律;降雨量对地表变形的时滞效应较弱,在山坡尺度上呈现相关度不高、滞后天数较短的规律;与未考虑时滞因素的模型相比,本研究中的滑坡位移预测模型拟合优度提升了55.77%,均方根误差降低了31.60%,模型预测精度显著提高。研究成果一定程度上揭示了特大型库区滑坡的变形机理,并为同类滑坡的位移精准预测提供了参考依据。