共查询到10条相似文献,搜索用时 15 毫秒
1.
2.
3.
滑坡变形监测系统深部与地表变形关系初探 总被引:1,自引:0,他引:1
滑坡的孕育、演变、发生是一个累进性变形破坏过程,开展滑坡变形的长期监测工作对滑坡稳定性评价、滑坡的预测预报及治理具有重要的工程意义。目前,滑坡变形监测多集中于坡体表部,很难系统获得反映滑坡稳定性的深部变形资料。本文以某溃屈型滑坡为例,初步分析了滑坡深表部变形的关系,为滑坡稳定性分析及变形破坏趋势预测提供了依据。 相似文献
4.
灰色GM(1,1)残差修正模型在滑坡预测中的对比应用 总被引:2,自引:0,他引:2
在传统GM(1,1)模型的基础上,经过不同方式的残差修正,分别建立了一阶残差修正GM(1,1)模型和二阶残差修正GM(1,1)模型。根据滑坡的监测资料,对变形曲线为光滑型滑坡(如黄龙西村滑坡、某滑坡)和阶跃型滑坡(如新滩滑坡、洒勒山新滑坡)分别建立了传统GM(1,1)模型和一阶、二阶残差修正模型,并对不同滑坡各模型的预测精度进行了分析比较。结果表明,残差修正GM(1,1)模型的预测精度明显高于传统GM(1,1)模型的预测精度。对变形曲线为光滑型的滑坡,二阶残差修正GM(1,1)模型的预测精度一般高于一阶残差修正GM(1,1)模型的预测精度;对变形曲线为阶跃型的滑坡,一阶残差修正GM(1,1)模型的预测精度高于二阶残差修正GM(1,1)模型的预测精度。 相似文献
5.
《山地学报》2015,(3)
滑坡变形受外界影响因素作用的机理十分复杂,难以采用简单方法对其进行预测,因此建立快速准确的滑坡预测模型十分重要。采用比一般支持向量机(SVM)预测效果更好且计算速度更快的最小二乘支持向量机(LSSVM)方法,选用RBF核函数对边坡位移时序数据进行训练和预测,并引入量子粒子群算法(QPSO)对LSSVM模型参数γ和σ进行全局寻优,避免了人为选择参数的盲目性,提高了模型的预测精度。将优化模型应用于新滩滑坡和卧龙寺新滑坡的变形预测,并与传统的LSSVM、PSO-LSSVM模型进行预测精度及收敛性对比分析。结果表明,QPSO-LSSVM模型较传统方法在预测精度上有了明显提高,且收敛速度明显加快,说明QPSO-LSSVM模型在边坡位移时序预测中具有良好的应用价值。 相似文献
6.
7.
8.
GM(1,1)优化模型在滑坡预测预报中的应用 总被引:13,自引:3,他引:13
灰色模型在社会科学、自然科学的许多方面已得到广泛的应用,并取得了一系列重大成果。在斜坡(滑坡)地质灾害研究方面,灰色模型多用于斜坡(滑坡)变形的中长期预测预报,且精度较高;但对滑坡短临预测预报精度较差,甚至不能适用,有待改进。滑坡变形预测预报的实际算例表明,以优化灰色模型背景值为基础的优化GM(1,1)模型。具有对建模结果进行优化的能力,即能用于斜坡变形的中长期预测预报,又能适于滑坡短临预测预报。且都能获得较高的模拟和预测精度。应用传统线性GM(1,1)模型和非线性Verhulst模型进行对比分析,检验了优化GM(1,1)模型的正确性和较广泛的适用性。 相似文献
9.
《地理与地理信息科学》2016,(5)
滑坡体堵江易发性评价是滑坡堵江风险研究中的短板,不利于其防灾减灾工作的开展。该文以物质来源、水力条件和河谷地形为主要影响因素进行滑坡体堵江概率预测分析和应用,提供了基于GIS技术的河谷横剖面形态参数自动提取方法,以定量表征河谷地形特征;以中国喜马拉雅山地区为例,分别提取堵江滑坡和非堵江滑坡事件为样本,基于逻辑回归建立了研究区滑坡体堵江概率预测模型,经验证精度较理想。取得的主要结论有:1)河谷横剖面形态参数自动提取方法,具有面向对象、表征全面、提高计算效率和精度等优点。2)在中国喜马拉雅山地区,堵江滑坡事件与非堵江滑坡事件发生处河谷横剖面的坡高、不同深度宽深比、凹度和河宽指数具有显著差异,其中河宽指数差异最大,3/4坡高宽深比次之。3)基于逻辑回归开展滑坡体堵江易发性评价是可行的,该方法在中国喜马拉雅山地区的应用精度达80%以上,各变量按照与滑坡体堵江形成的相关性从大到小依次是坡高宽深比、滑坡面积、工程地质岩组、河宽指数和凹度。 相似文献
10.
《山地学报》2021,(1)
水库滑坡的位移与周期性的库水波动和季节性降雨等诱发因素关系密切,由于库水位升降和降雨的作用,滑坡累计位移变形曲线呈明显的"台阶状",准确、及时地预测此类台阶状位移对提升该变形的认识具有重要意义。为深入了解诱发因素对水库滑坡位移的影响,预测其变形演化趋势,本研究提出了一种基于集合经验模态分解(EEMD)和随机森林回归模型(RFR)的滑坡位移预测模型。以水库滑坡——三峡库区白家包滑坡2007年4月至2018年12月的变形数据为例,进行"台阶状"位移的预测与模型检验。通过EEMD方法将累计位移分解为趋势项和周期项,其中趋势项采取最小二乘法的三次多项式拟合;周期项基于诱发因素组合和滑坡位移的响应变化,建立RFR模型进行预测。根据时间序列加法,将趋势项和周期项预测值叠加,获得总位移预测值。结果表明EEMD-RFR模型基本反映了滑坡累计位移的"台阶状"变化趋势,相关系数R达到0.997。通过与两种BP神经网络预测方法的对比,反映EEMD-RFR模型具有更好的预测效果。本研究为水库滑坡台阶状位移预测提供了一种有效的新方法,对了解水库滑坡长期变形具有一定意义。 相似文献