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。     

基于尖点突变理论及非趋势波动分析的滑坡稳定性及变形特征研究

以尖点突变理论及非趋势波动分析为基础,构建滑坡稳定性及变形趋势判断模型。首先利用尖点突变理论对滑坡整体稳定性进行评价,并进一步探讨滑坡的分阶段稳定性特征;再利用非趋势波动分析判断滑坡累计序列和速率序列的整体及分阶段变形趋势,并与稳定性分析结果进行对比。实例表明,两种分析方法的结果具有较好的一致性。在分阶段研究中,等时段和递增时段的分析结果具有明显差异,说明阶段分解方式对结果的影响较大,且以递增时段分析结果的规律性更强。     

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。     

库水位下降及降雨作用下麻柳林滑坡稳定性评价与预测

研究库水位升降与降雨影响下三峡库区堆积层滑坡的稳定性变化特征,并对其进行预测具有重要意义。建立了三峡库区万州区麻柳林滑坡的地质模型,基于P Ⅲ型分布曲线对降雨重现期进行分析后共设置了12种计算工况;利用Geostudio软件对滑坡稳定性进行了模拟。结果表明:库水位下降和降雨入渗均会使滑坡稳定性系数减小,不仅变化幅度与库水位下降速率和降雨强度均为正相关关系,而且滑坡稳定性对于降雨条件更加敏感。2种最不利工况条件下的滑坡稳定性系数分别为0.95和0.949,此时滑坡失稳破坏。利用灰色模型对最不利工况下的滑坡稳定性系数进行了滚动预测,其MAPE为2.86%,MSE为0.033,预测精度优于多项式模型。      

特大型顺层古滑坡复活变形特征分析及变形预测研究

为有效掌握古滑坡复活特征及其变形规律,基于滑坡区现场调查成果,首先开展其复活变形特征分析,再利用WPT-ROA-RVM-CT模型进行滑坡变形预测研究。结果表明,在强降雨或持续降雨后,滑坡地表裂缝较为发育,具有张剪性质,且滑坡呈明显推移式特征,即滑坡中、后缘变形明显大于前缘,变形方向具有逆时针变化规律,充分说明古滑坡复活变形特征显著。同时,通过变形预测,验证WPT-ROA-RVM-CT模型具有较高的预测精度,并经外推预测,得到滑坡后续变形速率均为正值且较大,判断滑坡后续变形还会进一步增加,具有较大失稳风险,需尽快开展灾害防治研究。     

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。      

优化组合预测模型在桥梁变形预测中的应用

为提高桥梁变形预测的精度,探讨不同预测模型在桥梁变形预测中的效果,结合桥梁变形监测数据及组合预测思路,构建桥梁的MC误差修正优化组合预测模型。通过实例验证得出,组合预测较单项预测具有更高的预测精度及稳定性,其中以RBF神经网络组合的预测精度最高;同时,误差优化修正模型进一步减小了预测误差,优化后预测结果的相对误差期望值为0.86%,方差值为0.097 3 mm2,准确预测了桥梁变形,验证了该思路的有效性。     

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。      

人工神经网络和决策树模型在滑坡易发性分析中的性能对比

机器学习模型广泛应用于区域性滑坡易发性分析。模型的选择关系到评价结果的可信度、准确率和稳定性。现有滑坡易发性分析模型对比研究侧重模型的预测精度。模型的稳定性和数据量敏感性对机器学习模型的性能评估同样非常重要。本文以福建省南平市蔡源流域为研究区,以四川省绵阳市北川县为验证区,从预测精度、稳定性和数据量敏感性3个方面深入对比BP（Back Propagation）人工神经网络模型和CART（Classification and Regression Tree）决策树模型在滑坡易发性分析中的效果,主要结论如下:① 在逐渐增加一定数量训练样本的过程中,BP人工神经网络模型预测精度的增长率更高。在蔡源流域内,当训练样本数量增加10 000时,BP人工神经网络模型的预测精度上升5.22%,CART决策树模型的预测精度上升2.11%。② BP人工神经网络的预测精度高于CART决策树模型,且较为稳定。在100组数据集上,BP人工神经网络模型验证集预测精度的均值和验证集滑坡样本预测精度的均值分别为81.60%和84.86%,高于CART决策树模型的72.97%和76.59%。与此同时,BP人工神经网络模型对应预测精度的标准差分别是0.32%和0.37%,小于CART决策树模型的0.35%和0.67%。③ BP人工神经网络模型分析的滑坡易发区相比CART决策树模型,更接近实际滑坡的空间分布。最后,北川县的验证实验也出现了相同的现象。     

基于SSA-Adam-BP神经网络模型的堰塞坝稳定性预测

现有的堰塞坝稳定性预测模型多为线性模型, 无法充分考虑堰塞坝稳定性与其形态特征和水域条件之间的复杂非线性关系。鉴于此, 结合反向传播神经网络模型和樽海鞘优化算法, 提出了一种新型的堰塞坝稳定性预测模型SSA-Adam-BP。该模型通过网格搜索法选取确定模型结构的最佳超参数组合, 进而利用交叉验证和绘制ROC曲线的方式分别对采用不同优化算法的模型进行评估。使用开源数据库中的全球153例堰塞坝数据对模型的实际应用进行了说明及验证。与传统线性模型的对比表明神经网络模型预测准确率较高, 具有较低的误报率。将SSA与Adam优化算法结合提高了BP模型的全局搜索能力, 其平均交叉验证准确率达到了91.73%, 能够使用较少的参数实现对堰塞坝稳定性快速准确的预测。SSA-Adam-BP模型对近年来典型工程的稳定性能够准确预测, 具有一定的实用性和系统平台推广应用价值。      

基于概率积分法的采动坡体稳定性预测与分析

地下采煤会引起地表沉降、变形,甚至引发山体、河堤滑坡等地质灾害。采动坡体的稳定性研究一直是采矿工程中实际关心的问题。该文首先介绍分析了概率积分法移动变形稳态、动态预测模型以及基于极限平衡理论的单滑面采动坡体稳定性预测模型,提出了使用概率积分法结合Knothe时间函数对采动坡体稳定性进行预测分析的方法,并使用C#及XML Schema语言编制了相关的计算程序。最后,结合一个工程实例对采动坡体稳定性和动态变化过程进行了预测与分析,通过实测数据验证了提出方法的可行性,得出了采动引起的坡体下沉是影响坡体稳定性的主要因素,并提出了在坡体拉伸阶段进行注浆加固的方法。     

库岸滑坡地下水位时间序列混沌特征识别与PSO-LSSVM模型预测

地下水位预测对滑坡稳定性分析具有重要意义,三峡库区库岸滑坡地下水位时间序列在季节性强降雨和周期性库水位涨落等诸多因素影响下呈现混沌特征。在对地下水位序列进行相空间重构的基础上,采用饱和关联维数法和最大Lyapunov指数法对其混沌特征进行验证。再用预测性能优秀的最小二乘支持向量机(LSSVM)模型对其进行预测,并用粒子群算法优化选取LSSVM模型的参数,以克服LSSVM模型参数选取困难的缺点。以三峡库区三舟溪滑坡前缘STK-1水文孔日平均地下水位序列为例进行了混沌分析,分别运用粒子群优化的LSSVM模型(PSO-LSSVM)和BP神经网络模型对STK-1水文孔地下水位进行了预测。结果表明库岸滑坡地下水位序列存在混沌特征,PSO-LSSVM模型预测结果的均方根误差为0.193m,拟合优度为0.815,说明预测效果较理想,且PSO-LSSVM模型预测精度高于BP网络模型,具有较强的实用性。      

重大滑坡预测预报研究进展与展望

我国是世界上滑坡灾害最严重的国家之一, 重大滑坡灾害严重威胁人民生命财产安全和国家重大战略实施。滑坡精准预测预报是防灾减灾的前提, 也是亟待突破的世界性科学难题。以重大滑坡预测预报为目标, 聚焦滑坡演化过程与物理力学机制核心科学问题, 凝炼了滑坡启滑关联机制、滑坡启滑物理力学机制、滑坡过程预测预报理论3个关键科学问题, 提出了如下研究思路: 以系统论、控制论和信息论为指导, 依托大型野外试验场, 采用现场原型试验与多场关联监测、大型物理模型试验、多场耦合模拟等技术手段, 以滑坡孕育过程为基础, 提出了重大滑坡的启滑分类; 揭示锁固解锁型、静态液化型和动水驱动型滑坡启滑物理力学机制, 建立相应的启滑判据; 构建重大滑坡数值预报模式与实时预报平台, 创立基于物理力学过程的滑坡预测预报理论。通过实施, 可奠定上述3类滑坡预测预报的地质、力学与物理基础, 引领重大滑坡预测预报研究, 保障国家重大战略的顺利实施, 契合国家防灾减灾重大需求。      

基于极限位移准则和变形预测的滑坡变形潜势分析

为准确掌握库区滑坡变形潜势,在变形监测成果统计基础上,首先利用极限位移准则开展滑坡现状变形潜势分析;然后以相关向量机为理论基础,通过优化处理保证其参数最优性,构建滑坡变形预测模型,并以预测结果开展滑坡变形潜势的发展趋势评价;最后结合两种分析结果,实现滑坡综合变形潜势分析。结果表明,不同监测点的现状变形潜势状态存在一定差异,由不利原则可知,现状变形潜势等级为Ⅳ级,潜势程度属严重状态;滑坡变形仍会进一步增加,变形潜势趋于不利方向发展。综合两种分析结果可知,滑坡变形潜势处于不利状态,后期失稳可能性较大,应加强灾害防治,避免成灾损失。