基于数据挖掘的三峡库区特大滑坡变形关联规则研究

从实测数据中分析滑坡灾害的成因机理,对于准确识别潜在危险区与及时制定防治措施十分重要。由于现场监测数据的数量庞大、来源多样,常规的数据处理方法难以从海量监测数据中提取出有用的信息,进而对滑坡变形演化趋势作出正确评价和预测。本文基于经典数据挖掘方法中的两步聚类法与关联规则分析,提出了滑坡变形行为的关联分析挖掘技术,并以长江三峡库区新铺滑坡为例,对库水位波动及降雨影响下的特大滑坡位移速率进行了关联分析。结果表明:该滑坡的变形受库水位高程水平、库水位波动速率与降雨强度等因素的多重影响,水位下降、强降雨与滑坡变形密切相关;滑坡不同空间位置处的变形影响因素存在差异,由坡脚至坡顶,库水位波动的影响水平依次降低,降雨强度的影响水平逐渐增强。本文提出的数据挖掘方法可定量分析滑坡变形的控制因素,并通过与实测数据的对比验证了相关规则的可靠性,这对于海量监测数据条件下滑坡灾害的成因分析有重要意义。     

基于优化经验模态分解和聚类分析的滑坡位移智能预测研究

针对三峡库区"阶跃式"滑坡的变形特征,提出了一种新的滑坡位移预测方法。以白水河滑坡ZG118和XD-01监测点位移数据为例,采用基于软筛分停止准则的经验模态分解(SSSC-EMD)将累计位移-时间曲线和影响因子时间序列自适应地分解为多个固有模态函数(IMF),并采用K均值(K-Means)聚类法对其进行聚类累加,得到有物理含义的位移分量(趋势性位移、周期性位移以及随机性位移)和影响因子分量(高频影响因子和低频影响因子)。使用最小二乘法对趋势性位移进行拟合预测;采用果蝇优化-最小二乘支持向量机(FOA-LSSVM)模型对周期性位移和随机性位移进行预测。将各位移分量预测值进行叠加处理,实现滑坡累计位移的预测。研究结果表明,所提出的(SSSC-EMD)-K-Means-(FOA-LSSVM)模型能够预测"阶跃式"滑坡的位移变化规律,且预测精度高于传统的支持向量机回归(SVR)、最小二乘支持向量机(LSSVM)模型;并通过改变训练集长度,进行单因素分析,发现其与预测精度之间呈正相关关系。     

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.     

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。     

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DFOS的边坡多场信息关联规则分析

采用分布式光纤传感技术(DFOS),可获得边坡多场分布信息,但如何对海量的多场信息进行相关分析,正确评价多场耦合作用下的边坡稳定性,仍是一项十分复杂的工作。本文首先介绍了数据挖掘中关联规则分析方法的基本原理,设计了边坡应变场、变形场、渗流场、温度场和环境参量等多场信息DFOS的获取方案,并以三峡库区马家沟边坡为例,对DFOS获得的边坡多场监测数据进行了关联规则分析,揭示了监测时间与库水位涨落、库水位涨落与坡体前缘地下水位间的关联性,并与实际监测数据进行了比较,证明了采用关联规则方法对DFOS边坡多场信息分析的有效性,从而为边坡稳定性评价和滑坡预测预警提供了科学依据。     

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。     

基于关联规则的滑坡演化阶段判识指标

滑坡的演化一般要经历初始变形、等速变形和加速变形3个阶段,准确地划分这3个阶段是进行滑坡预测预报的基础。依据大量滑坡从初始变形到失稳破坏的监测数据,采用数据挖掘中的关联规则,用经典的Apriori算法挖掘滑坡变形过程中累积位移、累积加速度等属性与演化阶段的关联关系,发现滑坡演化规律与累积加速度变化特征关联性强,在滑坡从初始变形进入等速变形,以及从等速变形到加速变形阶段时,都存在相应的阈值,即累积加速度在滑坡进入等速和加速变形阶段前后呈现出不同的特点。针对此特点,以湖北秭归县鸡鸣寺滑坡为例,将累积加速度作为划分鸡鸣寺滑坡演化阶段的指标,得出划分阈值,并利用关联规则分析其相关性。最后将此指标用于其他滑坡,均得到良好效果。因此根据该指标,可望实现滑坡演化阶段的自动判识。     

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。     

Prediction of landslide displacement with step-like behavior based on multialgorithm optimization and a support vector regression model

Landslide prediction is important for mitigating geohazards but is very challenging. In landslide evolution, displacement depends on the local geological conditions and variations in the controlling factors. Such factors have led to the “step-like” deformation of landslides in the Three Gorges Reservoir area of China. Based on displacement monitoring data and the deformation characteristics of the Baishuihe Landslide, an additive time series model was established for landslide displacement prediction. In the model, cumulative displacement was divided into three parts: trend, periodic, and random terms. These terms reflect internal factors (geological environmental, gravity, etc.), external factors (rainfall, reservoir water level, etc.), and random factors (uncertainties). After statistically analyzing the displacement data, a cubic polynomial model was proposed to predict the trend term of displacement. Then, multiple algorithms were used to determine the optimal support vector regression (SVR) model and train and predict the periodic term. The results showed that the landslide displacement values predicted based on data time series and the genetic algorithm (GA-SVR) model are better than those based on grid search (GS-SVR) and particle swarm optimization (PSO-SVR) models. Finally, the random term was accurately predicted by GA-SVR. Therefore, the coupled model based on temporal data series and GA-SVR can be used to predict landslide displacement. Additionally, the GA-SVR model has broad application potential in the prediction of landslide displacement with “step-like” behavior.     

三峡水库库岸滑坡涌浪物理模型试验

三峡水库自2003年开始蓄水以来, 库岸滑坡变形明显加剧, 滑坡变形不仅造成建筑物破坏, 高速滑坡滑入水库还会产生很大的涌浪, 其潜在的危害性远远超过滑坡本身.2003年7月13日发生在三峡库区的千将坪滑坡就是由水库蓄水诱发所致, 滑坡最高涌浪达到39 m, 在水库传播达30 km之远, 涌浪造成了人员伤亡与财产损失.为了更好地研究水库滑坡涌浪特征和传播规律, 以三峡库区重大科研项目为依托, 采用室内大型物理模拟实验手段, 对三峡库区滑坡涌浪开展了深入研究.通过对三峡库区已经开展勘探的潜在滑坡的地质资料进行统计分析, 按照正交试验设计方法, 制定了包含滑坡规模、入水速度、滑动面倾角、水深、岸坡坡角等综合影响因素的试验方案, 以三峡库区白水河滑坡上下游河道为原型, 建立了1∶200比例尺的河道物理模型, 采用试验控制系统、试验量测系统开展了滑坡涌浪三维物理模型试验.通过细致的物理模型实验, 得到了不同试验条件下的三峡库区滑坡涌浪物理模型实验观测数据.分析滑坡涌浪形态变化, 明确了滑坡最大首浪的含义.在此基础上, 以国内外经典的Noda和潘家铮提出的滑坡涌浪公式为基础, 基于试验量测数据, 提出了三峡库区滑坡涌浪计算公式.最后以三峡库区正在变形的白水河滑坡为例进行了滑坡涌浪预测研究, 预测了滑坡最大首浪高度和沿水库传播的涌浪衰减规律.      

三峡库区塘角村1号滑坡变形特征分析

塘角村1号滑坡是三峡库区地质灾害防治监测预警工程Ⅲ期应急专业监测点。监测方法为滑体深部位移监测、地表位移监测等。本文通过滑坡变形、库区降雨、库区水位变化等资料的相关分析,总结分析了该滑坡在空间和时间域内的变形特征。降雨强度和降雨量的大小是影响滑体变形速率的因素之一,下部滑体变形对于库区水位下降敏感,当水位在一段时期内按一定速率持续下降时,滑体变形速率明显加大。     

三峡库区巴东红石包滑坡稳定性动态分析

巴东红石包滑坡位于巴东油库场地区,是三峡库区启动的重要地质灾害治理工程项目之一。通过对红石包滑坡内部水平位移和渗透水压力长期监测分析,表明其中的Ⅰ和Ⅱ号滑坡浅层存在缓慢变形,与降雨关系密切;其深层未见变形。说明红石包滑坡体在从2003年6月三峡水库蓄水至今仍处于稳定状态。但后续库水位的的不断抬高以及不同季节库水位频繁变化对滑坡的稳定性极为不利。为确保油库安全,仍应加强监测,密切注视滑坡动态。     

Analysis of Baishuihe landslide influenced by the effects of reservoir water and rainfall

Since the impoundment of the Three Gorges Reservoir in June 2003, a number of new landslides have occurred and existing landslides have been made worse. The 1,260 × 10⁴ m³ Baishuihe landslide, located at 56 km west of the Three Gorges Dam, began to deform more noticeably after the first impoundment in early July 2003. The sliding of the two blocks comprising the landslide, one an active block and the other a relatively stable block, became apparent after approximately 5 years of monitoring. Field recordings show that the landslide displacement is affected by the combined effects of the rainfall and water level in the reservoir. These effects have been investigated in the present paper, including the deformation characteristics (movement pattern, direction, displacement and velocity) earmarking the temporal evolution of the active block. Based on a practical creep model of a large rock slide, alert velocity thresholds for pre-alert, alert and emergency phases have been computed corresponding to the imminence of failure. The alert velocity thresholds are being proposed to be included as a part of an early-warning system of an emergency plan drawn up to minimize the adverse impact in the event of landslide failure. The emergency plan is intended to be implemented as a risk management tool by the relevant authorities of the Three Gorges Reservoir in the near future.     

三峡水库运行期地质灾害变形特征及机制分析

为进一步归纳三峡库区地质灾害变形特征及机制,本文基于三峡库区189处地质灾害专业监测数据,通过对地质灾害位移-时间曲线深入研究,结果表明:(1)2017~2019年专业监测地质灾害点的变形形势总体趋于缓和,变形主要发生在5月至9月,降雨为变形主要影响因素,根据地质灾害年变形量及地表宏观变形,划分为未变形或微变形、缓慢变形、较明显变形、明显变形等4类;(2)依据GNSS累积位移-时间曲线特征,将地质灾害变形特征划分为振荡型、直线型和阶跃型3种基本类型,其中阶跃型是发生明显变形和较明显变形的地质灾害主要变形形式,为库区地质灾害变形关注的重点;(3)通过变形特征和影响因素作用机制分析,总结了三峡水库运行期地质灾害存在8种阶跃变形特征,提出了不同因素作用下的变形模式,归纳了其累积位移-时间曲线在变形“台阶”的形态特征、高度控制因素、出现时间及重复规律性等4个方面差异。研究成果为三峡库区地质灾害变形分析和预警提供依据。     

基于数值模拟的三峡库区典型堆积层滑坡变形预测方法

目前对堆积层滑坡的变形预测大多基于数学模型或方法,忽略了引起滑坡位移显著变化的动力外因及滑坡自身的地质特征,因此,预报准确度和可信度较低。以三峡库区典型堆积层滑坡--鹤峰场镇滑坡为例,通过4组主要控制因素科学组合构建了滑坡的基本地质模型;以此为基础,重点考虑引起滑坡发生变形的库水作用动力因素,建立滑坡的数值-力学模型。通过实际监测点的变形监测结果与数值-力学模型中模型监测点的变形进行拟合分析,获取了实际时间与数值-力学模型中时步的等效关系;基于时间-时步等效关系及三峡水库设计水位调度曲线,得到了不同时步水位的波动特征;通过时步的外延,并在相应的时步段对数值-力学模型施加等效时间的库水作用,预测了滑坡在未来库水位变动条件下的变形。该预测方法既考虑了滑坡的工程地质模型又考虑了地下水作用效应,克服了纯数学方法预测的不足。