基于集对分析和模糊马尔可夫链的滑坡变形预测新方法研究

滑坡体的变形表现出复杂的非线性演化特征,为克服传统分析方法在处理系统不确定性方面的不足,引入集对分析（SPA）理论,并结合模糊马尔可夫（fuzzy-Markov）理论来对滑坡SPA模型中的不确定系数进行二次预测,提出了滑坡变形SPA-fuzzy-Markov预测新模型。针对fuzzy-Markov子系统,分别提出了基于相关系数和特征值方差的多维空间模糊马尔可夫链拟合效果检验的两个新方法,并据此定量考察fuzzy-Markov子系统对参数响应的敏感性,用以确定最佳的模型参数组合。运用上述理论模型对刘家沱滑坡变形监测成果进行分析,综合定量考察了模型对模糊区间重合等级和马尔可夫状态转移步数这两个参数的敏感程度。结果表明：该算例条件下状态转移步数为敏感因子;与单纯SPA模型相比,复合模型能够进一步提高整体预测精度,在岩土监测分析领域中具有良好的实用价值;同时fuzzy-Markov理论的引入也为深化SPA基础理论研究提供了一条途径,不仅在岩土监测领域,在其他相关领域也具有理论和实用价值。     

滑坡位移分解预测中的平滑先验分析方法

目前在滑坡位移预测研究中,先将滑坡位移数据分解为趋势项及周期项后再分别进行预测已成为普遍做法。平滑先验分析法(Smoothness Priors Approach,SPA)是一种计算过程简单、计算量极小,且能快速分离原始数据趋势项和周期项的数据处理方法。在介绍SPA基本原理基础上,以三峡库区白家包滑坡典型监测点位移数据为例,对通过调节SPA正则化参数而获得的不同趋势项及周期项进行特征分析;进而结合对滑坡变形演化机制过程的先验分析,根据位移分解特征确定合理的参数取值;最后针对不同参数SPA位移分解数据,采用支持向量机进行位移预测对比分析。结果表明,SPA是一种适用于滑坡位移预测的位移分解方法,通过调节正则化参数并结合滑坡变形机制先验分析,能够获得较为合理的位移分解结果,进而提高滑坡位移预测精度。     

堆积层滑坡水动力位移耦合预测参数及其评价方法研究

在系统分析滑坡的物质组成和失稳动因的基础上,分析和研究了地下水在滑坡稳定性演化过程中的卸载与加载动力作用及其位移响应规律和特点。从非线性系统动力学角度,提出了运用地下水卸加载动力与位移响应耦合预测参数来评价边坡稳定性演化规律与失稳特征,即以地下水位变化量作为堆积层滑坡的卸加载动力参数,以相应的位移作为其卸加载响应参数,建立和确定了地下水卸加载动力与位移响应比预测参数与评价模型。同时,运用损伤力学基本原理,建立了其卸加载响应比与坡体损伤变量和稳定性系数的定量关系以及失稳判据。以三峡库区典型堆积层滑坡分析为例,运用地下水动力与位移耦合预测模型对其稳定性进行了分析与评价,发现地下水动力位移耦合预测参数变化与边坡稳定性实际动态演化规律基本吻合。研究成果表明,所确定的参数是水诱发型堆积层滑坡的一种有效位移动力评价参数,可运用该参数对该类滑坡的动态稳定性进行实时监测预警与评价。     

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.     

降雨型滑坡垂直位移方向率及其位移监测预警判据研究

针对降雨型滑坡位移量预测参数失稳判据的局限和不足,并根据滑坡全息论的基本原理,提出和确定了滑坡垂直位移方向率预测参数,且指出该参数是边坡稳定性演化分析与评价的一个有效位移动力参数,具有位移量或位移速率不可替代的评价和预测作用。同时,系统分析了降雨型滑坡位移与地下水位变化规律及其相互作用关系,对该类边坡稳定性的不同演化阶段的表层垂直位移方向率形成机制与变化规律进行了弹塑性力学分析与评价,分别确定了边坡压缩稳定变形阶段和塑性失稳变形阶段的表层垂直位移方向率与其稳定性演化的定量关系,并依此运用数理统计均方差基本原理,建立了该类滑坡垂直位移方向率的整体失稳监测预警判据。最后运用新滩滑坡A_3、B_3监测点垂直位移方向率对该滑坡稳定性演化过程与失稳规律进行了后验分析与评价,其分析预测结果与边坡实际变形失稳规律基本相吻合,表明该参数在该类滑坡预测预报与监测预警中具有一定的有效性与实用性。     

滑坡位移的动态概率预测模型

滑坡位移预测是实现滑坡灾害预报的有效手段,文章利用回声状态网络建立动态预测模型来预测滑坡位移。与传统预测方法相比,动态模型能更好地反映出滑坡演化的动态系统本质;动态模型的建立不需要计算互信息来实现变量选择,也使得预测过程得到简化。考虑到确定性预测的局限性,文章进一步将概率预测的思想引入滑坡位移预测的研究中,提出一种动态预测模型的概率预测方法。所提动态预测模型的预测精度,在白水河和石榴树包两个滑坡位移预测的具体案例中得到了检验;而通过概率预测得到具有明确置信度水平的预测区间,从而也对滑坡状态发展变化趋势给出了更全面的描述。     

基于贝叶斯更新的非饱和土坡参数概率反演及变形预测

滑坡变形预测一直是实现滑坡灾害预报与防控的有效手段。岩土体参数是开展滑坡变形计算的关键输入信息,然而目前研究鲜有考虑岩土体参数不确定性对滑坡变形的影响,如何融合有限监测数据实现岩土体参数不确定性定量表征及滑坡变形概率预测仍然是一大难点。以降雨入渗非饱和土坡为例,开展流固耦合分析,基于有限的孔压监测数据,利用DREAM＿zs算法实现对岩土体参数的高效概率反演。根据岩土体参数的先验分布,采用拉丁超立方抽样法生成随机样本,将其导入ABAQUS中计算相应的坡脚变形作为数据集,分别采用多元自适应回归样条曲线（MARS）和Light GBM模型构建基于数理-机制双驱动的边坡坡脚变形预测模型,计算贝叶斯更新后的后验稳态样本对应的边坡坡脚变形值,并对边坡变形值开展统计分析。结果表明：DREAM＿zs算法仅需少量的孔压监测数据,即可完成对岩土体参数的更新,并且计算效率高、收敛速度快。此外,提出的边坡坡脚变形预测模型不仅突破了由孔压等间接监测数据来预测边坡变形的局限,同时还实现了对边坡变形发生概率的预测,为滑坡变形预测提供了新的思路和探索。     

基于密集多点变形监测的公路滑坡主滑方向动态判别

滑坡主滑方向是研究滑坡形成机理和确定抗滑防治方案的重要依据。滑坡随着时间的演化,其主滑方向也是一个动态变化的过程。滑坡主滑方向是滑坡位移状态的综合反映,在滑坡体上布设密集多点变形监测系统,根据小样本监测数据服从t分布的规律,使用肖维勒准则剔除监测数据中的异常值,运用区间估计的方法来求取所有监测点位移方向的均值,通过主滑方向-时间过程曲线来动态判别滑坡主滑方向。将该方法运用到某公路滑坡工程实例研究中,在滑坡体上布设由53个地表位移监测点和19个深部位移监测点组成的密集多点变形监测系统,运用由全站仪和GPS组成的监测仪器系统,对该滑坡开展为期25个月的地表水平位移监测。通过地表位移数据分析对比,采用此方法估计的主滑方向和滑坡体宏观变形体现的滑动方向基本一致。经过误差分析和显著性检验,表明此方法可以较好地对滑坡主滑方向进行了动态判别。将此结果与深部测斜监测到的滑动方向进行了对比,结果基本保持一致,再次说明运用上述方法来动态判别滑坡主滑方向是可行的。在防治工程中,确定了准确的滑坡主滑方向后,指导抗滑桩长轴布设方向和锚索主要受力方向均沿此确定的主滑方向实施,经过长达8个月的持续监测表明,防治措施起到了良好的控制作用,体现了该方法的工程应用价值。     

基于物理模型试验的多层滑带滑坡变形演化特征

滑坡变形演化特征一直是滑坡灾害预测与防治领域急需解决的关键问题,但对于多层滑带滑坡的变形演化特征却少有研究.以物理模型试验为手段建立了三层滑带滑坡物理试验模型,完成了多层滑带滑坡变形演化全过程的模拟.基于PPIV技术获取坡表位移数据,通过柔性测斜仪监测滑坡深部位移,同时布设土压力盒获取滑坡内部土压力的变化情况,实现了多...     

基于Verhulst模型的滑坡位移预测研究及其程序化实现

以甘肃省黄茨滑坡位移时间预测为例,在滑坡工程地质条件、成因、发生与发展过程分析的基础上,结合地面监测桩以及位移计监测的位移时间数据,运用Verhulst预测模型建立了该滑坡位移预测研究的思路.在此基础上,运用Ex-cel内嵌的VBA语言编写了相应的位移时间预测预报程序,解决了笔算困难问题.通过具体实例分析,将Verhulst模型、灰色GM(1,1)模型预测结果与实际监测结果进行对比分析,验证了该模型在滑坡位移时间预测中的适用性以及程序的可靠性.研究结果表明,Verhulst预测模型适宜于滑坡临滑预报,而灰色GM(1,1)预测模型适宜于滑坡中短期预测预报,通过Ver-hulst模型预测黄茨滑坡的临滑时间在1995-01-26至1995-01-27之间,预测结果与滑坡实际滑动时间较为一致,由此说明运用Verhulst预测模型对滑坡进行临滑预报是可行的.     

滑坡运动过程仿真分析

滑坡是一个动态过程，滑坡体的运动是一个集滑动，转动，拉张等运动方式的复杂运动过程，传统的极限平衡和计算和有限元分析均无法描述滑坡的运动学特点和运动过程。非连续变形分析（DDA）是最近发展起来的一种新的离散数值分析方法。该方法基于块体的运动学理论及数值分析，可以开展块体的静力和动力学计算。应用非连续变形分析方法对长江三峡区新滩滑坡的运动全过程进行了数值模拟研究，模拟方案充分依据该滑坡的地质，地形特征，按不同岩土体和地质结构面类型进行块体单元的划分，共划分成504个块体单元。模拟结果表明，新滩滑坡是以斜坡中部姜家坡一带的局部破坏为其运动的开始阶段，并进一步牵引上部滑体和推动下部滑体。代表性块体单元的位移变化曲线和滑动速度变化曲线反映了滑动过程中滑坡体块体系统的变形是非连续的，各处块体的动态形态各异，从而很好地再现了新滩滑坡的整个动态过程，揭示了滑坡的运动机制。     

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。     

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。     

多元时间序列分析的滑坡演化阶段划分

滑坡的时间-位移曲线一般具有3个阶段特征,即初始变形阶段、等速变形阶段和加速变形阶段,不同演化阶段加速度具有不同的变化特点.目前往往是依据对加速度曲线特征的分析来人为划分演化阶段,缺少相应的理论支持和定量计算.针对上述问题,选取月降雨量、月库水位高程变化量对滑坡的累计位移建立多因素的时间序列预测模型.然后利用Chow分割点检验理论,以所建模型中F和LR统计量最大值点作为分割点对滑坡演化阶段进行划分.以新滩滑坡和三峡库区白水河滑坡为例,利用累计位移、降雨及库水位变化数据进行计算验证.结果表明,对多元时间序列模型进行Chow分割点检验可对滑坡的演化阶段进行准确划分,为滑坡的临滑预警预报提供重要判据.      

库水变动下堆积层滑坡加卸载响应规律与稳定性预测

三峡库区堆积层滑坡稳定性受库水位变动影响十分明显,库水变动下堆积层滑坡的演化过程与稳定性预测研究对防灾减灾具有重要的指导意义。基于库水变动与滑坡变形的响应关系,建立库水动力加卸载与位移速率响应耦合的加卸载响应比预测模型;建立库水变动与滑坡稳定系数的响应关系,进而确定库水变动下滑坡体的渗流场类型,并以滑坡稳定系数的变化率的正负来判断库水变动的加卸载作用。以黄莲树滑坡为例,预测其稳定性,并对预测结果进行验证。结果表明:黄莲树滑坡水平方向位移变化与库水变动存在响应关系,且响应具有明显的滞后性;库水变动下该滑坡的渗流场属于动水压力型,每个水文年中库水动力对滑坡有6个月为加载过程,1个月为卸载过程;滑坡监测点的加卸载响应比在2011年出现整体上升并大于1,揭示滑坡趋于失稳,对库水变动加卸载作用的响应加强。结论得到了宏观变形破坏迹象的验证,说明改进的加卸载响应比预测模型具有良好的预测效果。     

三峡库区典型堆积层滑坡变形滞后时间效应研究

堆积层滑坡是三峡水库运行过程中的重要地质灾害,其变形演化往往滞后于库水位的变化,表现出时间滞后效应,给滑坡灾害精准预测和灾害警情准确发布造成极大困扰。采用集对分析法并结合层次分析法,构建了滑坡加权位移向量计算模型,在滑坡加权位移演化与库水位波动相互关系定性分析的基础上,寻找滑坡加权位移与库水位变化速率相关性达到最大时的平移步数,从而计算出滑坡变形滞后于库水位变化的时间。以三峡库区典型堆积层滑坡——树坪滑坡为例,在分析滑坡变形演化规律基础上,分别选取2012年、2013年、2014年汛雨期地表位移与库水位下降速率的监测数据开展滑坡变形滞后时间研究。研究发现:当库水位下降速率小于等于0.43 m·d-1时,树坪滑坡变形滞后时间大于等于5 d;当库水位下降速率在0.43 m·d-1到0.7 m·d-1之间时,树坪滑坡变形滞后时间在2 d到5 d之间;当库水位下降速率大于等于0.7 m·d-1时,树坪滑坡变形滞后时间小于等于2 d;随着库水位下降速率不断增大,树坪滑坡变形滞后时间不断缩短。通过分析滑坡不同空间位置监测点的滞后时间,发现越靠近滑坡体前缘变形滞后时间越短,当库水位下降速率在0.43 m·d-1到0.7 m·d-1之间时,滑坡前缘变形滞后时间在2.4 d到5.4 d之间,滑坡中部的变形滞后时间在3.4 d到5.6 d之间,滑坡前缘和中部的变形滞后时间差在0.2 d到1.4 d之间。研究成果可以为树坪滑坡的监测预警防治工作提供参考,对重大水利工程涉水滑坡监测预警具有一定借鉴意义。     

Using an extreme learning machine to predict the displacement of step-like landslides in relation to controlling factors

In the evolution of landslides, besides the geological conditions, displacement depends on the variation of the controlling factors. Due to the periodic fluctuation of the reservoir water level and the precipitation, the shape of cumulative displacement-time curves of the colluvial landslides in the Three Gorges Reservoir follows a step function. The Baijiabao landslide in the Three Gorges region was selected as a case study. By analysing the response relationship between the landslide deformation, the rainfall, the reservoir water level and the groundwater level, an extreme learning machine was proposed in order to establish the landslide displacement prediction model in relation to controlling factors. The result demonstrated that the curves of the predicted and measured values were very similar, with a correlation coefficient of 0.984. They showed a distinctive step-like deformation characteristic, which underlined the role of the influencing factors in the displacement of the landslide. In relation to controlling factors, the proposed extreme learning machine (ELM) model showed a great ability to predict the Baijiabao landslide and is thus an effective displacement prediction method for colluvial landslides with step-like deformation in the Three Gorges Reservoir region.     

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.      

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。