滑坡位移非线性时间序列预测模型研究

从分析滑坡位移的实际变化情况和滑坡位移演变规律的角度出发,将滑坡位移分解为受其自身地质结构属性控制的趋势项位移分量和由外界环境因素影响的周期项位移分量。采用经验模态分解法对滑坡位移趋势项和周期项进行非线性时间序列的分解;在此基础上采用标准GM(1,1)灰色模型、滚动GM(1,1)灰色模型和灰色马尔科夫模型分别对滑坡位移的趋势项和周期项进行预测,将预测结果进行叠加运算,即可得到滑坡位移的预测值。以三峡库区白水河滑坡的位移变化情况为例,通过分析对比滑坡位移的实测值与预测值之间的位移-时间关系曲线,可以很好地预测出滑坡位移的发展变化趋势。这说明对滑坡位移进行时间序列分解,有助于提高滑坡位移的预测精度,并可有效应用于滑坡位移预测的工程实例中。      

滑坡变形预测灰色神经网络耦合模型的构建及适用性分析

结合灰色模型和神经网络的数据处理特点,提出串联、并联和混联式3种结构的灰色神经网络滑坡变形预测模型。串联式将滑坡变形位移时序分解为趋势项和随机项,采用灰色模型提取滑坡位移时序趋势,利用神经网络逼近随机波动;并联式以灰色模型和神经网络分别对滑坡预测,采用智能非线性组合,按照预测目标精度动态调整权重,从而获取最终组合预测结果;混联式通过增加灰白化层及灰模型群,对神经网络拓扑结构进行优化,达到弱化滑坡原始监测数据随机性、提高预测模型稳健性的目的。将3种模型应用于古树屋滑坡变形预测,并对其适用性进行讨论。结果表明,3种结构的灰色神经网络耦合模型均提高了预测精度,适用于复杂状况下滑坡体的变形预测。     

基于滑坡灾害预警分级的应急处置措施

滑坡灾害应急处置能力是地质灾害减灾防灾的重要方面。目前,基于滑坡灾害预测和预警分级成果,系统性的应急措施分类研究还鲜有展开,因此,以三峡库区白水河滑坡为例,运用时间序列加法模型将滑坡累计位移分解为趋势项位移与周期项位移,并分别应用多项式拟合及自回归（AR）模型对2个分量进行预测,在此结果上采用聚类分析方法将滑坡变形分为匀速变形与加速变形阶段,综合判断滑坡灾害预警等级,开展了针对滑坡预警分级的应急措施研究。结果表明:白水河滑坡预警等级主要为蓝色和黄色2种类型,对处于不同的预警等级下的滑坡,可根据滑坡变形特征快速决策,基于滑坡灾害预测和预警分级结果能更有效地指导滑坡应急处置。      

阶跃型位移特征滑坡时间预测预报研究

滑坡时间预测预报目前主要以滑坡最终破坏的时间为目标函数,但对于变形特征为阶跃型的滑坡却难以准确地预测其
破坏时间。为此,提出以位移作为此类滑坡时间预报的目标函数。将滑坡位移分解为蠕变位移和波动位移,采用二次移动平均法
分别提取,然后采用多项式拟合和灰色GM(1,1)模型分别对蠕变位移和波动位移进行预测,最后将两部分预测位移相加得到滑坡
预测的总位移。以典型阶跃型位移特征滑坡———三峡库区八字门滑坡为例,运用其位移监测数据进行验证,并对多模型预测结果
进行对比分析,结果表明,该位移预测模型预测精度良好,能较好地预测阶跃型位移特征滑坡位移。      

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。      

顾及降雨及库水位因素的滑坡时滞分析与预测——以三峡库区新铺滑坡为例

降雨及库水位涨落是引起库岸滑坡形变失稳的主要诱发因素,但滑坡位移速率对此类诱发因素的响应具有一定的滞后性,影响人类对滑坡所处运动状态的判断与预测。针对常规预测模型中未考虑时滞效应的问题,利用三峡库区新铺滑坡的GNSS位移监测数据、奉节气象站降雨数据以及三峡库区库水位涨落数据,通过对监测区内9个GNSS监测点的位移速率序列与降雨量、库水位高程序列进行时滞互相关分析,确定时滞参数,进而应用多变量灰色系统理论方法,建立了时滞GM(1,3)预测模型,并对滑坡位移速率进行预测验证。结果表明:三峡库区新铺滑坡位移速率与降雨量显著相关,对降雨量的响应滞后时间约为5 d,滑体中后部受降雨影响比前缘更明显;位移速率与库水位高程高度相关,对三峡库区库水位涨落的响应滞后时间约为31 d,滑坡前缘受库水位涨落影响更明显,且离长江越近,滞后时间越短;利用加入时滞参数的时滞GM(1,3)模型进行预测,模型拟合优度达到0.702,相比GM(1,1)模型和未顾及时滞因素的GM(1,3)模型,预测精度分别提升了53.8%和58.3%,平均绝对误差百分比分别降低了7.19%和7.47%,在滑坡位移速率预测及库岸滑坡防灾减灾领域具有一定的工程应用价值。     

三峡库区麻柳林滑坡变形特征及演化模拟

在库水位波动和降雨作用的共同影响下，库岸滑坡的变形规律往往更为复杂。以三峡库区麻柳林滑坡为例，基于野外调查、钻探编录、深部位移监测以及数值模拟等手段，分析了库水位波动和降雨作用下滑坡变形特征及演化规律。结果表明:麻柳林滑坡在粉质黏土层和块石层交界处发育一个次级滑带，目前该滑坡主要沿次级滑带运动，导致次级滑动的原因与坡体物质的差异性有关；S_i(S_f)指标分析法揭示滑坡的滑带还未完全破坏，滑坡仍处于蠕变状态；根据三峡水库水位调度规律，将一个完整水文年划分为6个阶段，数值模拟结果表明滑坡在库水位缓慢下降阶段变形速率较小、在快速下降阶段和低水位阶段变形速率持续增大、在快速上升阶段和缓慢上升阶段以及高水位阶段变形速率则保持平稳。其中，降雨的直接影响和降雨导致库水位波动进而对滑坡变形造成的间接影响，使得麻柳林滑坡在低水位阶段的变形显著增加、稳定性最差，应加强该时段内滑坡的监测和预警。      

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PIV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, 实现了多层滑带滑坡演化过程多参量数据分析。试验结果表明, 多层滑带滑坡破坏过程可分为初始、等速、加速和破坏4个阶段。不同破坏阶段滑坡的主要变形区域不同, 下层滑体受到上层滑体牵引作用, 在重力和推力作用下滑坡变形逐渐向浅层发展。变形过程中滑坡应力逐渐向滑带集中, 滑坡推力沿埋深方向呈多级梯形分布。加速变形阶段滑带处应力迅速增大, 滑坡体内产生多层应力集中带, 滑带位置推力变化与滑坡位移显著相关。      

基于灰色理论的滑坡变形反演与预测研究

以紫阳县城滑坡为例，采用灰色理论的单序列一阶线性动态模型，在探讨滑坡变形规律的基础上，着重研究了滑坡变形的趋势预测及主要特征点变形的位移反演，为全面研究滑坡各阶段的变形规律提出了一种分析方法     

基于多重分形特征和分项组合预测联合响应的滑坡预警预测研究

为准确掌握滑坡变形发展规律,基于滑坡变形监测成果构建滑坡预警预测模型,即先利用MF-DFA模型开展滑坡变形数据的多重分形特征分析,并进一步利用M-K分析构建双重判据（Δa指标判据和Δf(a)指标判据）进行滑坡预警研究;另外,在利用集成经验模态分解法对滑坡变形数据信息进行分离处理基础上,通过GOA-RNN-CT模型实现滑坡变形的分项组合预测。结果表明,h(q)值随波动函数q值减小而减小,说明滑坡变形数据具有多重分形特征,且预警分级研究表明,滑坡预警等级为Ⅱ级,即滑坡变形趋向不利方向发展;同时,通过变形预测分析认为,分项组合预测在滑坡变形预测中具有较优的预测效果和稳定性,且外推预测结果显示,滑坡变形会继续增加;最后,将多重分形特征研究结果和变形预测分析结果进行联合响应综合得出,滑坡现有预警等级相对不利,且后续变形仍会进一步增加,趋向不稳定方向发展,建议对滑坡采取必要防治措施。     

基于ENN广义预测控制算法的滑坡位移多步预测

针对滑坡位移预测时变性和复杂性的特点,将具有动态反馈特性的Elman神经网络(ENN)引入到分析研究中,充分发挥ENN对非线性情况的适应性。同时将之与广义预测控制算法相结合,以ENN作为广义预测控制算法的预测模块,结合滚动优化和反馈校正,提出了基于ENN广义预测控制算法的滑坡位移多步预测模型。将该方法应用于重庆市巫山县龙井乡白泉村大水田滑坡的位移预测,证实多步预测能够对位移变化趋势进行良好的拟合,同时高精度地实现了邻近时步的预测;通过与ENN多步预测进行对比,验证了模型的有效性。      

间歇复活型库岸老滑坡地表位移预测

库岸老滑坡的间歇性复活给决策管理者判断滑坡处于何种变形阶段,以及未来将会出现何种发展趋势带来了极大的困难。将周期性库水位变动及季节性降雨入渗统一到滑坡体的地下水位变动,基于刚体极限平衡原理与Mohr Coulomb强度准则,推导了描述库岸老滑坡间歇性复活过程的复活速率与地表位移预测模型。以三峡库区三舟溪滑坡为例,首先通过数值模拟获得2009年1月1日至2009年12月31日的滑坡体地下水位序列,然后利用所建模型计算得出该时间段内滑坡复活速率序列,根据初始位移得出地表位移预测序列。与实测位移的比较结果显示预测效果良好,表明所建模型是合理的。此外,影响该模型预测精度的关键因素在于获得精确的实时地下水位与符合滑坡实际情况的模型参数。      

新铺下二台滑坡变形机制及中长期预报模型

以奉节新铺下二台滑坡为例, 基于GPS位移监测数据、裂缝数据、降雨量及库水位等多源数据, 总结分析了大型古滑坡的复活规律, 引入滑坡中长期预报模型, 实现了以季度或月份为时间单位的跨水文年滑坡位移预测, 并通过岩土体蠕变压缩模型, 验证了推移式滑坡后缘裂缝形成机理。结果表明: ①降雨是下二台滑坡变形的主导因素, 滑坡变形使得滑体产生裂缝并成为降雨入渗通道, 加剧了岩体破碎与软弱层软化, 降低了滑坡稳定性, 集中持续降雨可使滑坡失稳破坏; ②通过模型预测值与地表监测数据的比较, 将年降雨量作为滑坡中长期预报模型中的主控因素具有实际可操作性且有助于提高滑坡中长预报精度; ③推移式滑坡后缘裂缝由滑坡推移式位移和岩土体压缩形成, 引入蠕变压缩模型计算的裂缝宽度并和监测数据的比较说明, 蠕变压缩模型非常适合该类边坡, 同时应用岩土体蠕变压缩模型反推得到岩土体平均变形模量, 判断岩体破碎程度, 可以为滑坡稳定性分析及后续工程治理提供参考。      

一种基于M估计的Robust-ELM滑坡位移预测方法

采用传统ELM算法进行滑坡位移预测时，其网络输出权值由最小二乘估计得出，导致ELM抗差能力较差，从而造成网络训练参数不准确。为此，将M估计与ELM相结合，提出一种基于M估计的Robust-ELM滑坡变形预测方法。该方法利用加权最小二乘方法来取代最小二乘法计算ELM输出权值，以减少滑坡监测数据中粗差对ELM预测的干扰。分别以链子崖、古树屋滑坡体为例，将Robust-ELM进行了单维、多维粗差的抵御性验证。结果表明，该方法能够有效降低粗差对预测的影响，具有良好的抗差能力。     

金坪子滑坡动态稳定性分析研究

外界因素是影响滑坡变形和稳定状态的重要因素。进行滑坡的稳定性分析,依据监测资料进行预警预报,都有必要考虑外界因素的作用。以云南省昆明市的金坪子滑坡为背景,运用GIS及3DSlopeGIS的三维极限平衡分析方法,从地震、库水位、降雨三个外界因素单独或复合作用下的安全系数的变化情况,研究滑坡的动态稳定性。研究表明,在外界因素的作用下,通过分析安全系数—地震烈度曲线、安全系数—库水位高度曲线以及安全系数—时间曲线,可以定量判断地震、降雨、库水位对滑坡的影响,以及三者对滑坡影响力的高低顺序,为工程的预警预报提供重要参考。     

变质岩区大型高位滑坡的变形监测预报研究北大核心CSCD

以某变质岩区大型高位滑坡变形监测成果为基础,开展既有变形特征分析和变形发展分析。结果表明,CEEMDAN-PSR-KELM-ARIMA模型在滑坡变形预测中具有较强的适用性,所得预测结果的相对误差均值范围为2.00%~2.03%,其方差值也较小,具有较优的预测精度及稳定性;预报等级属于Ⅲ级-橙色预报,为较危险状态;滑坡变形速率具减小趋势,但累积变形仍会进一步增加。     

基于生成对抗网络的动水驱动型滑坡状态识别方法

动水驱动型滑坡状态识别能更有效地辅助分析滑坡形变规律, 实现滑坡状态的准确识别对深入展开动水驱动型滑坡状态研究具有重要意义。针对目前动水驱动型滑坡突变状态研究较少, 难以获得相关特征, 从而导致状态识别性能不佳的问题, 提出了一种应用于动水驱动型滑坡状态识别的生成对抗网络学习方法。本方法通过构建滑坡状态监测数据矩阵, 依据少量数据样本设计合理的生成器网络完成对滑坡状态的数据扩增并设计判别器网络实现扩增数据的筛选, 通过对抗生成网络实现对滑坡状态的分类, 达到滑坡状态识别的目的。以三峡库区白水河滑坡为研究对象, 将降雨、库水位、深部位移和地表位移等多源监测数据进行了规范化处理, 设计生成器网络和对抗器网络完成了对滑坡状态数据的扩增, 设计滑坡状态识别生成对抗网络完成了对滑坡状态的分类和识别。结果表明, 生成对抗网络对滑坡状态识别具有较高的准确率。研究结果证实本方法能够对目标区域内的动水驱动型滑坡状态进行准确识别和分类, 可直接应用于工程实际。      

基于神经网络和多标度特征分析的古滑坡变形预测及趋势评价

提出一种新的古滑坡变形预测方法。首先结合集合经验模态分解(EEMD)和奇异值分解(SVD)对古滑坡变形数据进行分解,然后利用分项组合神经网络预测古滑坡复活区的变形,最后利用多重分形消除趋势波动分析(MF-DFA)进行古滑坡多标度趋势评价。以王家坡滑坡为例分析本文方法的有效性。结果表明,组合分解模型EEMD-SVD较单项分解模型具有更强的数据分解能力,可有效实现滑坡变形数据的信息分解;基于神经网络的分项组合预测模型适用于滑坡变形预测,所得预测结果的相对误差基本在2%左右,预测精度较高,且外推预测显示滑坡变形仍会进一步增加,增加速率为1.23~1.36 mm/周期;MF-DFA模型的多标度特征分析结果显示,滑坡变形具有多重分形特征,变形有进一步增加的趋势,这与预测结果较为一致,可佐证前述预测结果的准确性。