顾及时间和开挖深度的卡尔曼滤波模型在建筑物变形分析中的应用

将建筑物的变形看做时间和开挖深度的函数,使用泰勒级数建立建筑物变形与时间和开挖深度的函数关系,并将泰勒级数的余项及时间变化的二次方和开挖深度变化的二次方的系数的变化量看做数学期望为0的动态噪声,建立卡尔曼滤波模型,并用于建筑物变形的预测预报。实例计算表明,模型的拟合效果和预测效果较好。     

顾及降雨影响的动态优化时滞时序GM(1,2)模型在滑坡位移预测中的应用

滑坡体除了因自身重力产生位移外,还受到降雨的影响,但通常降雨对滑坡位移的作用具有滞后性。为了分析并预测降雨对滑坡位移的影响,本文提出一种顾及降雨影响的动态优化时滞时序GM(1,2)滑坡位移预测模型。首先,利用经验模态分解(EMD)分解位移序列并通过时间序列重构得到周期位移序列和趋势位移序列,对降雨数据和滑坡周期位移序列进行时滞分析和相关分析,确定时滞时间和影响程度,建立基于背景值优化的动态时滞GM(1,2)模型预测降雨量变化导致的滑坡周期位移变化;然后,建立门限自回归模型预测滑坡趋于自然变化的趋势位移;最后,通过时序叠加得到顾及降雨影响的滑坡预测位移,建立了顾及降雨因素的动态优化时滞时序GM(1,2)组合预测方法。本文以福宁高速公路八尺门滑坡和秭归县八字门滑坡监测数据为例,验证了动态优化时滞GM(1,2)模型的精度,并与其他模型的预测结果进行了对比分析。试验结果表明,动态优化时滞时序GM(1,2)组合预测模型能准确地预测降雨影响导致的滑坡位移变化,预测效果较好,该组合模型对滑坡灾害的预警与防治具有一定的参考价值。     

变形预测的逆多元统计模型

测量和预测目标点的空间变形是掌握变形体稳定性的重要手段,本文论证了逆多元统计预测模型用于滑坡的稳定性分析,利用变形点的空间三维移动量模拟时间的变化特征,与正常的时间序列进行对比,检验变形体的稳定性。并结合实例说明了在滑坡变形分析中逆多元统计模型的实用性和可靠性。     

顾及邻近点变形因素的高斯过程建模及预测

针对传统的变形监测建模方法一般针对单一监测点的变形预测模型,未考虑到监测点间相互作用的变形特点,该文分析了变形监测点间的相互关联性,通过相关系数法对监测点进行分类,并将邻近监测点的观测序列值作为和时间因素等同的影响因子应用到建模过程中,利用高斯过程算法进行训练,建立预测模型。为提高高斯过程算法的模型预测精度,应选择适合工程案例最优协方差函数。通过实例分析,比较GM(1,1)、多点灰色预测模型和顾及邻近点变形因素的高斯过程等3种模型在基坑围岩、滑坡等变形监测数据处理中的预测精度,表明该文算法考虑到监测点间的变形关联性,充分利用高斯过程在针对小样本、非线性数据建模时的高自适应性等优点,具有较高的预测精度。     

一种基于泰勒级数展开的电离层延迟改正模型

针对电离层延迟误差对定位精度的影响,本文将泰勒级数展开应用于电离层延迟的求解过程中,提出了一种基于泰勒级数展开的电离层改正模型（TSE模型）。将该模型与传统的Klobuchar模型和NeQuick模型在VTEC的求解精度和定位精度上进行了对比分析,用IGS网站提供的测量数据,通过仿真试验验证,得出了TSE模型在提高定位精度上具有较好的可行性与时间适应性的结论。     

改进的卡尔曼灰色模型在隧道沉降预测中的应用

为提高地表沉降预测精度,针对灰色预测模型(GM(1,1))易受随机干扰影响致使预测精度不高的问题,建立了基于卡尔曼滤波的灰色理论预测模型。考虑到沉降量受到温度和时间因素影响较大的特点,将地表的沉降看作时间、温度的相关函数来建立卡尔曼滤波模型,并利用迭代滤波理论和LevenbergMarquardt优化滤波,构建改进的卡尔曼滤波模型。改进的卡尔曼滤波模型与灰色模型相结合,应用于地表沉降预测中,并将改进的卡尔曼滤波灰色模型预测结果与卡尔曼滤波灰色模型的预测结果进行对比。实例计算表明,使用改进的卡尔曼滤波对消除检测数据扰动误差后的数据进行灰色模型预测的精度相比于单纯灰色预测的预测精度更高。     

基于灰狼算法和支持向量回归机的非线性沉降变形预测方法

针对常规支持向量机预测模型在变形数据处理预测中的不足,本文提出了一种基于改进灰狼算法的支持向量回归模型。重新定义了灰狼算法中的收敛因子,并引入多项式变异算子,使得算法在收敛方面得到改善;将具有局部特征的柯西核函数和具有全局特征的多项式核函数进行组合,以此来综合核函数的两种不同特性,提高预测数据集的整体精度。采用基坑监测项目数据对模型预测能力进行实验,并与其他模型进行对比分析。结果表明,本文模型对结构变形发展演化的非线性特征拟合精度更高,可以应用到时间序列变化的数据预测处理。     

自适应卡尔曼滤波在建筑物变形监测中的应用

卡尔曼滤波由于能够实时快速地处理大量的变形数据,并能够预测下一时刻的变化状态等特点,被广泛应用于多个领域的动态数据处理。本文论述了方差补偿自适应卡尔曼滤波模型,将自适应卡尔曼滤波模型应用到光纤光栅动态变形监测上,基于MATLAB编程实现模型的建立并运用该模型对建筑物变形进行分析与预测,取得了较好的效果,证实了方差补偿自适应卡尔曼滤波在滤波和预测方面的可行性。     

时变参数模型在边坡变形分析中的应用研究

为揭示边坡变形规律,保证边坡安全,采用数学模型对变形监测资料加以分析。边坡变形的时效性明显,为提高灰色模型对边坡不同变形规律的适应性,提高模型的拟合精度和预测能力,对常规的灰色模型进行改进,将常规灰色模型中的常量参数改变为随时间变化的动态参数,由此建立时变参数灰色模型。实例分析结果表明,时变参数模型具有更好的拟合和预测效果,且适应不同变形规律的能力更强。     

基于高斯过程回归的变形智能预测模型及应用

岩体或建构筑物的变形通常具有复杂性和非线性等特性,一般的回归模型难以精确地进行回归预测,应用高斯过程回归理论对变形监测数据呈现出的非线性特征进行时间序列分析。考虑到监测数据的不断更新和累积,以及超参数与样本集的适应性,首先研究了“递进-截尾式”超参数自动更新模式和训练样本集的选择方法;在此基础上构建了以时间作为输入项的高斯过程回归变形智能预测模型（GPR-TIPM）;将该模型应用于矿山边坡监测点非线性时间序列分析中,通过分析变形趋势,最终采用Matérn 32和平方指数协方差函数相加的方式进行核函数组合。实验结果表明,采用组合核函数的预测性能较单一核函数有所改善,该方法提高了模型的泛化能力,GPR-TIPM模型在短期内的预测效果较理想。     

顾及降雨量因子的自适应卡尔曼滤波模型在滑坡变形预测中的应用

滑坡是世界上最主要的地质灾害类型之一.滑坡的监测和防治仍是当前国内外学者研究的重点,尤其是滑坡变形的预测和预报.卡尔曼滤波已广泛应用于滑坡变形监测数据处理中,且自适应卡尔曼滤波已经很好地解决了传统卡尔曼滤波发散的问题.但在分析降雨型滑坡变形的过程中,降雨(地下水位)对滑坡体的影响不容忽视.因此,引入降雨量因子,提出顾及...     

一种V/S和LSTM结合的滑坡变形分析方法

滑坡变形的产生是坡体自身地质条件和外部诱发条件共同作用的结果,滑坡变形定量预测是滑坡监测预警的关键。传统的基于滑坡累计位移-时间曲线分析滑坡变形的方法,忽略了滑坡变形演化的影响因素,难以对滑坡变形进行准确预测。三峡库区滑坡研究多集中在滑坡时空分布特征和滑坡整体稳定性分析方面,亟需开展单体滑坡综合变形分析。以三峡库区白水河滑坡为例,基于滑坡宏观变形和位移监测数据,利用重标方差（rescaled variance statistic,V/S）分析法对滑坡整体和局部变形趋势进行分析,进而构建考虑库水位波动和降雨滞后性影响因素的可有效利用长期依赖信息的长短记忆（long short-term memory,LSTM）神经网络模型,定量预测滑坡位移。研究结果表明,滑坡体属牵引式滑坡,北东部稳定性较差,西部和后缘相对稳定,预测值的均方根误差为8.95 mm,证明该模型是一种高性能的滑坡变形分析方法。     

递进式预测模型在滑坡变形预测中的应用

为达到提高滑坡变形预测精度的目的,利用量子算法和粒子群算法对支持向量机进行优化,并利用马尔科夫链对滑坡变形预测误差进行修正,综合构建滑坡变形的递进式预测模型。结果表明:通过量子算法及粒子群算法对支持向量机优化,克服支持向量机参数选取困难,实现预测过程的全局优化,并经过MC误差修正模型对滑坡变形预测值误差修正,提高预测精度及预测值稳定性,验证预测模型可行性和有效性,为滑坡变形预测提供一种新的预测方法。     

残差修正的GM(1,1)模型在滑坡位移预测中的应用

根据滑坡监测研究现状,利用Matlab编程以及新滩滑坡监测点A3和B3的位移监测资料,建立了GM(1,1)预测模型和一阶残差修正的GM(1,1)预测模型;并对两种灰色预测模型的变形预测结果进行了比较。结果表明,经过残差修正的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。     

改进灰色GM(1,1)模型在滑坡预测中的应用

滑坡形成因素复杂,具有典型的灰色不确定性。为研究滑坡发展趋势,在已有滑坡预测技术的基础上,分析了典型灰色GM(1,1)模型在运算过程的误差原因,建立了改进灰色GM(1,1)模型;并运用滑坡实例验证了改进模型,直观显示曲线拟合情况。结果表明,改进后的模型预测精度等级明显提高,相对误差减小;说明所建滑坡预测模型效果好,在滑坡位移预测中有效可行。     

灰色系统与时间序列在高铁沉降变形中的应用

介绍了灰色系统GM(1,1)模型、时间序列二次指数平滑模型的基本原理,给出了模型精度评定的方法 ;用Matlab编程实现模型的建立并对高速铁路沉降变形进行了分析与预测,通过工程实例对比分析2种模型的预测效果。结果表明,时间序列二次指数平滑模型较适合短期或中期变形趋势呈线性或微小波形的变形分析与预测,而GM(1,1)模型对短期呈线性或指数分布趋势的变形有较好的效果;时间序列二次指数平滑模型的可靠性与准确度比GM(1,1)模型高。     

基于鸟群优化BP神经网络的滑坡处治后变形预测

滑坡变形程度是判断处治后滑坡是否稳定的关键评价指标，开展处治后滑坡变形预测可提前掌握滑坡稳定性情况，有利于滑坡失稳风险分析，便于开展地质灾害防灾减灾工作。为了准确预测处治后滑坡变形情况，本文提出了一种采用鸟群算法（BSA）优化BP神经网络的滑坡变形预测方法，借助BSA-BP神经网络构建了广西某高速公路滑坡变形预测模型，对比分析了BSA-BP神经网络与BP神经网络的预测结果。结果表明，BSA-BP神经网络预测结果的均方误差和相关系数分别为0.053 4和0.997 6,BP神经网络预测结果的均方误差和相关系数分别为2.225 6和0.968，鸟群算法可有效提高BP神经网络模型的预测精度，能有效应用于处治后滑坡变形预测，研究结果可为处治后滑坡失稳风险预测提供参考。     

模糊时间序列模型在滑坡预测预报中的应用

将模糊时间序列模型引入到滑坡预测预报中。简要介绍了模糊时间序列建模的步骤,并用实例验证了模糊时间序列模型用于滑坡预测预报的可行性。     

半参数改进灰色模型在滑坡变形预测中的应用

滑坡灰色模型的模型误差主要来自降雨量、温度等外界影响因子,传统的半参数灰色模型没有考虑这些对滑坡变形影响较大的外界因子,而把相邻时刻的模型误差当作是不变的,预测精度较低。针对这一问题,该文提出了将这些影响因子当作非参数变量引入模型,通过改进正规矩阵来建立半参数改进灰色模型,可以得到更加准确的模型误差,并且能够将其补偿到观测序列中,使预测结果更加准确。计算结果表明,本文所述模型在观测序列的拟合和预测中均有较好的结果,能够充分地利用在滑坡中采集到的各种信息,并且达到更优的结果。     

四川省北川县安子坪滑坡监测与分析

滑坡监测的主要任务是监测滑坡的实时动态变化、诱发因素等,以获取空间变形数据,用以滑坡的稳定性评价、预测预报及治理等。文章以北川县安子坪滑坡为例,建立系统化、立体化监测系统,及时测定和预报滑坡的位移等变化情况,并为长期稳定性预测研究提供资料。