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。     

联合多种数据驱动建模方法的滑坡位移预测研究

边坡位移是滑坡演化的宏观体现,分析并预测滑坡位移发展态势对于防灾减灾具有重要意义。由于滑坡位移曲线具有明显的非线性特征,单一模型往往难以刻画其非线性与复杂性。为发展一种普遍适用于滑坡位移的预测方法,提出了一种联合多种数据驱动模型的新方法。该方法根据时间序列分析理论,将滑坡位移序列分解为趋势项和周期项,趋势项采用并联型灰色神经网络处理,周期项则采用人工蜂群算法（ABC）优化后的极限学习机模型（ELM）处理,从而充分应用各种模型的优点。以三峡库区白水河和八字门滑坡为例,对位移数据进行分析处理后,灰色神经网络模型预测其趋势性位移,改进后的极限学习机模型对周期性位移进行训练及预测。结果表明:在预测精度上,优化后的极限学习机模型准确度高于极限学习机模型及小波神经网络等方法,提出的灰色神经网络与ABC-ELM的组合模型可作为实际工程的一个参考。     

奉节县曾家棚滑坡时空差异性变形特征与成因机制分析

研究库水位波动和降雨影响下滑坡的位移变形特征并分析其破坏机制,对了解三峡库区滑坡的演化过程具有重要意义。以奉节曾家棚滑坡为例,基于GPS地表监测位移分析了滑坡在不同特征库水位运行阶段的变化规律,结合灰色关联度模型确定了滑坡不同部位的变形在不同阶段的主要控制因素,借助GEO-Studio软件模拟了曾家棚滑坡在历史降雨和库水位波动耦合作用下的稳定性变化,并与定量分析结果进行了交叉检验。结果表明:曾家棚滑坡的运动状态随时间变化,从缓慢蠕变状态进入阶跃变形状态。平面上,中东部坡体与西部坡体相比,运动更加强烈;剖面上,前缘变形早且变形量大。曾家棚滑坡变形失稳过程为初期蓄水启动了曾家棚古滑坡,前缘首先发生变形;降雨作为中后期主控因素,和库水位波动联合作用共同诱发了滑坡多次阶跃变形,使滑坡前中后部形成贯通裂缝;最终由二十年一遇的暴雨诱发滑坡发生整体破坏。     

基于遗传算法-支持向量机的滑坡渗透系数反演

求解库岸边坡岩土体的渗透系数是研究滑坡渗流场及多场演化的基础,一般通过原位试验和室内试验求得,但试验成本较高且试验位置具有一定的随机性。本文以三峡库区马家沟滑坡为例,提出一种利用地下水位动态观测资料反演滑坡岩土层渗透系数的方法。具体步骤为:（1）依据滑坡的勘察资料和水位观测数据,构建滑坡数值模型;（2）利用SPSS生成不同渗透系数正交试验组合,并将渗透系数代入数值模型中计算监测井的水位,得到不同渗透系数及其对应的模拟水位数据;（3）应用遗传算法优化的支持向量机构建坡体模拟水位与渗透系数的非线性映射关系,再通过代入实际动态监测水位值求得滑坡岩土层的渗透系数;（4）将求得的渗透系数代入数值模型,用计算的模拟水位与实际观测水位进行对比验证。研究结果表明:遗传算法优化的支持向量机具有良好的学习预测效果,能准确预测渗透系数与水位的关系。该反演方法具有高效、准确的优点,反演结果的精度满足实际应用需要。     

基于深部监测的滑坡动态特征分析

滑坡监测的目的是获取滑坡变形特征和演变过程。对于一些重要场地,判断其是否存在潜在滑坡时,深部位移监测是最直接和最有成效一种手段。通过在某厂房后坡两个监测断面设置5个深部位移监测孔,根据监测结果对滑坡体的范围、整体活动性、滑动方向、滑动面进行以及滑坡类型进行探讨和分析。监测结果表明:厂房后坡具有牵引式滑动特征,活动性明显; 坡体位移速度较大,雨季有加速变形的特征; 坡体前缘滑面已局部贯通,中、后部滑带也处于蠕动变形状态。     

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。     

基于计算机辅助检测技术的滑坡模型试验坡面位移场测量

将计算机辅助检测技术(computer aided inspection, CAI)引入到滑坡物理模型试验坡面位移场测量中,采用高精度的三维激光扫描设备对滑坡物理模型试验中坡体表面的位移和变形进行全方位的监测,采用“3D比较”测量坡体表面位移场。提出采用计算机辅助检测技术测量滑坡模型试验中坡体表面位移场的技术路线,并通过抗滑桩加固滑坡模型进行了实例测试,获得满意的结果。结果表明,计算机辅助检测技术可以最大限度的采集坡体表面的三维数据,获取坡体信息丰富、全面的位移场结果,避免传统单点监测以点带面的局限性;应用计算机辅助检测技术直观展现传统监测方法难以观察到的坡体边界效应、土拱效应等试验现象;计算机辅助检测技术所测位移场规律性好,与定性及理论结果相符,与试验过程中各种现象符合很好,结果可信、可靠。     

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。     

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。     

三维激光扫描技术在滑坡物理模型试验中的应用

大型滑坡物理模型试验中常采用高精度的特征点监测,缺少整体变形资料;而三维激光扫描技术可以高精度、快速、完整地扫描实物,获得海量的点云数据,构建实物的数字化模型,从而详细描述表面细部状况。将三维激光扫描技术引入到滑坡物理模型试验坡体表面整体变形监测中,通过数字仿真试验对点云数据4种变形测量方式进行了对比和评价,推导了点云数据单个扫描点的空间位置精度的评价模型,对点云密度进行了理论分析。通过滑坡物理模型试验实例,采用点云比较、重心法、点云叠加方法测量模型的整体变形和单个监测点的位移,对滑坡不同演化阶段变形特征进行了综合分析。研究表明:空间位置精度的评价模型、点云密度模型为三维激光扫描变形监测的测量成果评定,测量方案的优化设计提供了必要的理论基础。点云叠加、点云比较为面测量,可以获得整个模型坡面的变形和位移情况,测量模型的变形趋势和变形量级,重心法、拟合法则属于点测量,可以获得单个监测点准确的位移量。基于三维激光扫描技术坡面监测是结合点测量和面测量的优势,在保证高精度特征点监测同时,获得模型坡面的整体变形和位移。     

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.     

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。     

西安骊山滑坡自动化监测系统建设

骊山滑坡位于西安市临潼区骊山北坡,目前骊山北坡局部发生变形,滑坡正在发育.鉴于骊山滑坡所处位置的重要性,结合工作实际,为了提高骊山滑坡监测精度和监测时效,实现人防与技防相结合、实现实时变形监测与监控,在主要变形区域:I、Ⅱ、Ⅲ区坡体上建立一套滑坡自动化监测及视频监控系统,进行24小时不间断监测.通过该系统提供的有效数据,结合人工监测数据进行综合分析,可及时发现坡体变形隐患,并发出地质灾害预警信息,为政府决策提供可靠依据.监测内容包括:降雨量、孔隙水压力、土壤含水率、地表位移及深部位移、视频监控.     

WA联合ELM与OS-ELM的滑坡位移预测模型

滑坡累积位移监测曲线往往呈现出复杂的非线性增长特性,对此建立了不少相关的预测模型,而以往的预测模型存在着许多不足。本文基于小波函数（Wavelet Analysis,WA）,ELM与OS-ELM,提出一种名为WA联合ELM、OS-ELM的预测方法。首先,该方法基于小波函数,将滑坡累积位移分解成受内部地质条件影响的趋势项和受外部影响因子影响的周期项;然后,基于ELM与OS-ELM分别对趋势项和周期项进行预测;最后将趋势项和周期项的预测值叠加得到累积位移的预测值。结果表明,小波函数得到的趋势项展现出良好的趋势性,而周期项也展现出良好的周期性;以Sigmoid方程为核函数,隐含层神经元个数为33的ELM模型能准确高效对趋势项进行预测,而以RBF方程为核函数,隐含层神经元个数为100的OS-ELM模型能准确高效对周期项进行预测;累积位移预测数据的RMSE分别为0.1423和0.1315,预测结果相对较好,能够在滑坡位移预测领域发挥一定的作用。     

知识图谱优化卡尔曼滤波预测库岸滑坡位移

中国三峡库区库岸滑坡灾害频发，预测库岸滑坡位移是降低风险的重要措施之一。文章构建了库岸滑坡中文知识图谱，提出了知识图谱优化卡尔曼滤波预测库岸滑坡位移模型KG-MTKF。以三峡库区奉节县新铺滑坡为例，采用现场监测数据验证了模型有效性。结果表明，与监测数据系列相比，多因素卡尔曼滤波模型（MT-KF）和知识图谱优化卡尔曼滤波模型（KG-MTKF）用于预测库岸滑坡时，在稳定变形阶段均表现出良好的一致性；在滑坡变形的初始阶段和阶跃段，KGMTKF模型预测精度更高。初始段两种模型存在误差，主要由于滑坡初期变形值较小、系统噪声显著所导致。在阶跃段、平稳段与整个监测周期中，两种模型的误差都较小，且KG-MTKF模型的预测精度显著高于MT-KF模型。对于新铺滑坡这类非线性动力系统，KG-MTKF预测模型在不同位置与变形阶段均能保持高精度与强鲁棒性。     

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。     

基于最优加权组合模型及高斯－牛顿法的滑坡变形预测研究

在对最优加权组合理论和高斯－牛顿法优化非线性模型参数的方法研究的基础上,依托于洒勒山滑坡的实际变形监测资料,建立了该滑坡变形预测的3个非线性预测模型:指数模型、Verhulst模型和灰色GM（1,1）模型;利用最优加权组合理论建立了洒勒山滑坡的最优加权组合预测模型,并运用高斯－牛顿法对各单一模型和组合模型的参数进行了优化。通过对比分析得出:组合模型的预测精度高于任何单一模型的预测精度;参数优化后各单一模型的预测精度都有不同程度的提高;参数优化后的组合模型预测精度是最高的。因此,综合运用最优组合理论和高斯－牛顿法处理滑坡预测预报模型,是提高滑坡预测预报精度的行之有效的方法。     

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。     

基于三维激光扫描的堆积体滑坡变形机理及阈值模型试验研究

为分析白龙江流域舟曲段江顶崖滑坡的变形演化机理及其阈值,设计降雨条件下的大型堆积体滑坡物理模型试验,采用FARO FocusS 350三维激光扫描仪进行滑坡数据采集、处理,获取滑坡在不同降雨工况的点云模型数据,对比分析不同降雨工况下滑坡宏观及局部特征点的变化情况。研究表明：滑坡模型表面出现持续、快速、变化鲜明的整体变形特征,伴随出现滑坡模型中、前部横向、纵向的张拉裂缝,表明在非饱和渗流影响下,堆积体滑坡模型的基质吸力降低、孔隙水压力以及滑坡体重力荷载增加,导致滑坡模型临近失稳;根据滑坡模型宏观变形情况,其变形演化过程可划分为：初始变形阶段、等速变形阶段和加速变形阶段,3个不同变形阶段坡体宏观变形各自有其特点。通过对试验阶段的变形特征分析,设立了滑坡变形速率阈值,分别为0.01 m/h、0.02 m/h、0.2 m/h。基于三维激光扫描技术坡体监测,结合坡体变形宏观和局部分析的优势,在保证高精度监测、采集、处理的同时,得到坡体的整体变形和位移。