基于监测曲线特征点分析的阶跃型滑坡预警方法

在三峡库区专业监测滑坡中,部分滑坡受到库水或者降雨等外界因素影响,其累计位移-时间曲线表现出明显的“阶跃型”特征。直接使用改进切线角对阶跃型滑坡位移监测曲线进行预警分析,其改进切线角预警值可能在变形曲线陡增阶段高于实际预警级别,增加虚警率。为了准确判别阶跃型滑坡的变形阶段及发展趋势,本文以白家包滑坡和谭家湾滑坡为例,分析滑坡监测历史数据及其影响因素,采用斜率单变点分析法和AMPD法对“阶跃型”累计位移-时间曲线进行特征点提取,结合Hill 函数形成特征点拟合曲线,在此基础上利用改进切线角对拟合曲线进行滑坡变形阶段划分及预警分析。结果表明,当前白家包滑坡总体上处于蠕滑变形阶段,预警级别为无预警;谭家湾滑坡处于中加速变形阶段,预警级别为橙色预警。研究表明,本文方法可以很好抑制变形曲线的阶跃特征对预警级别判定带来的影响,更准确地判定滑坡变形阶段。     

一种基于位移监测的“降雨阶跃型”滑坡预警系统

"降雨阶跃型"滑坡是一种在强度较大的降雨作用下,位移变形呈现出"阶跃型"动态演化特征的滑坡。其位移变形相对有规律,但由于变形时间长、临滑模式复杂,导致预警难度大。为了建立合理有效的"降雨阶跃型"滑坡预警系统,通过分析预警所需的关键判据,确定预警系统基本设计原则,并以王家坡滑坡为典型案例,设计5级递进式分级预警系统。研究表明:(1)王家坡滑坡的日降雨量、日位移速率阈值分别为25 mm/d、20 mm/d。(2)王家坡滑坡5级递进式分级预警系统,发出Ⅰ级绿色预警的方程为:0≤y <-1. 25x+10;发出Ⅱ级蓝色预警的方程为:-1. 25x+10≤y <-1. 25x+20;发出Ⅲ级黄色预警的方程为:-1. 25x+20≤y <-1. 25x+30;发出Ⅳ级橙色预警的方程为:-1. 25x+30≤y <-1. 25x+40;发出Ⅴ级红色预警的方程为:y≥-1. 25x+40。 更多还原     

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。     

基于“阶跃”变形特征的降雨型滑坡预警判据探讨

由于滑坡灾害的发生具有随机性和复杂性,经常给人们生活造成严重的经济损失,甚至威胁生命安全,故建立滑坡预警判据及模型是减小损失的重要手段。文章首先确定了有效降雨量-变形速率-改进切线角为降雨型阶跃滑坡的预警关键判据。然后运用斜率单变点法确定滑坡“阶跃”变形曲线上的“破坏拐点”和“稳定拐点”并提取变形加速区间的详细信息,以此求解有效降雨量-变形速率-改进切线角综合预警判据阈值。最后,结合麻池村1号滑坡各发展阶段宏观变形特征,将时空演化规律有机结合,建立了4级递进式综合判据分级预警模型。结果表明：麻池村1号滑坡的运移形式为牵引式,在降雨因素的激发下,累计位移曲线呈典型的“阶跃”变形特征;麻池村1号滑坡变形受前期降雨影响,前期降雨与当期降雨组成一个降雨过程的时间间隔阈值为10 d,“前期+当期降雨”模式下对应的降雨阈值分别为24 mm、 32 mm;基于监测数据精细化分析以及改进切线角法获取的麻池村1号滑坡的位移速率阈值为12 mm/d。研究可为此类型滑坡灾害的预警提供理论基础和技术指导。     

基于多因素-多尺度分析的阶跃型滑坡位移预测

为了定量分析阶跃型滑坡位移与诱发因素之间的时滞效应,提高位移预测精度,本文提出新的预测模型并进行对比分析。首先基于时间序列分析将滑坡累计位移分离为趋势项和周期项;然后采用最大信息系数(C_mi)、多元经验模态分解(MEMD)方法进行多因素分析和多尺度分析,构建出多因素-多尺度MEMD预测模型;最后以三峡库区八字门滑坡为例,通过C_mi选取最优滞后期的诱发因素作为模型输入,在用MEMD方法分解多元序列的基础上建立时间多尺度模型,并与单因素-单尺度模型、多因素-单尺度模型及单因素-多尺度EMD(经验模态分解)模型进行对比。结果表明：八字门滑坡降雨和库水位的最优滞后期分别为2 d和4 d;滑坡多元序列经MEMD方法分解后得到3组模态函数,每组均有7个分量,各对应分量的时间尺度一致,其中周期项位移受诱发因素的响应具有时间多尺度特性;多因素-多尺度MEMD预测模型的均方根误差相较于以上3种对比模型分别平均降低49.4%、36.9%和27.4%,平均绝对百分比误差分别平均降低38.0%、26.4%和15.8%。     

降雨诱发滑坡阶跃型变形的预测分析及应用

滑坡进入蠕动变形阶段之后,往往难以及时开展勘察治理工作,合理的临灾预警是有效减少滑坡灾害损失的重要手段。首先确定降雨诱发“阶跃型”滑坡的预警关键判据为前期降雨、当次降雨、位移速率,并引入“一个降雨过程”定义滑坡监测的降雨区间,将预警过程分为当次降雨和前期降雨+当次降雨两种模式。然后运用最小二乘法确定滑坡“阶跃”变形曲线上的“破坏拐点”和“稳定拐点”用以确定变形加速区间,以此求解前期降雨、当次降雨以及移速率阈值。最后以王家坡滑坡为例,设计了两种模式下的5级递进式分级预警模型。研究表明：（1）前期降雨与当次降雨组成“一个降雨过程”的时间间隔为7 d;（2）王家坡滑坡的位移速率阈值为20 mm/d;（3）前期降雨+当次降雨模式下王家坡滑坡的前期降雨、当次降雨阈值分别为10、15 mm,当次降雨模式下王家坡滑坡的降雨阈值为25 mm。     

基于一元线性回归模型八字门滑坡累积位移预测

我国滑坡灾害发生频繁,但滑坡的变形预测预报一直是难题,因此每年都因滑坡的变形破坏导致重大的人员伤亡和财产损失。以三峡库区八字门滑坡为研究对象,基于十多年的监测数据分析,研究分析了该滑坡的变形特征:八字门滑坡变形的主要影响因素为降雨和库水位下降,并且累积位移曲线具有"阶跃型"的变形特征。当外界因素去除或者减小的情况下,累积位移-时间曲线将变得平稳。根据此特性,选取每年变形曲线"阶跃段"（6~8月份）的监测数据,以累积位移为目标函数,基于一元线性回归模型,对八字门滑坡2004年到2017年同期的滑坡监测数据进行分析。结果表明:一元线性回归模型能够很好地模拟八字门滑坡"阶跃段"的变形过程,此变形阶段累积位移与时间呈线性关系,直线斜率基本相同。根据此线性关系,对滑坡的累积位移进行了预测,结果表明与实际监测数据相比较,预测误差在±5 mm以内,相对误差在1%以下,精度可以满足滑坡监测预警要求,可以为八字门滑坡的防治工作提供参考。     

“阶跃式”滑坡突变预测与核心因子提取的平衡集成树模型

"阶跃式"滑坡在复杂多变的地质环境作用下呈现突变与稳定交替、不平衡的演化形态,根据此特点提出了边坡突变与稳定分类的平衡集成树模型,建立高维地质环境影响因子与致变之间的关联,并应用于三峡库区26个具有"阶跃"特征的滑坡。考虑到直接使用分类器难以捕捉有效信息,模型利用了合成边界少数类过采样原理适当提升突变样本比率,再分别组合随机森林和梯度提升树进行优化和训练,并对测试集和预测集进行评估校核。同数据平衡前后的不同模型进行对比实验,平衡集成树模型能够有效提高突变预测的整体精度,并量化得出了所有地质环境因子的特征重要性指标,最终应用于样本外的王爷庙滑坡结果表明,模型取得了较高的预报水平。该方法能够实现突变的有效预测,并发现核心影响因子及其数据分布特征,为研究"阶跃式"滑坡机理和预警提供了新的思路。     

基于集成学习与径向基神经网络耦合模型的三峡库区滑坡易发性评价

准确的滑坡易发性评价结果是滑坡风险评价的重要基础.为提升滑坡易发性评价精度,以三峡库区龙驹坝为例,选取坡度等10个因子构建滑坡易发性评价指标体系,应用频率比方法定量分析各指标与滑坡发育的关系.在此基础上,随机选取70%/30%的滑坡数据作为训练/测试样本,应用径向基神经网络和Adaboost集成学习耦合模型(RBNN-Adaboost),径向基神经网络和逻辑回归模型分别开展易发性评价.结果显示:水系距离、坡度等是滑坡发育的主控因素;RBNN-Adaboost耦合模型的预测精度最高(0.820),优于RBNN模型和LR模型的0.781和0.748.Adaboost集成算法能进一步提升模型的预测性能,所提出的耦合模型结合了两者的优点,具有更强的预测能力,是一种可靠的滑坡易发性评价模型.      

基于频率比与集成学习的滑坡易发性评价——以金沙江上游巴塘—德格河段为例

金沙江上游巴塘—德格河段地处青藏高原东部,该区地质、地形、地貌极其复杂,滑坡灾害最为发育,开展区域滑坡易发性评价对防灾减灾工作有着重要的意义。本文以金沙江上游巴塘—德格河段为研究区,在滑坡编录与野外实际调查的基础上,通过对滑坡分布规律和影响因素分析,选取高程、坡度、坡向、曲率、地形起伏度、地表切割度、地表粗糙度、地层岩性、断层、水系和道路等11个影响因子,构建了滑坡易发性评价指标体系。利用皮尔森系数去除高相关性影响因子,运用频率比方法定量分析各个因子与滑坡发育的关系。通过频率比模型选取非滑坡样本,采用集成学习算法模型进行滑坡易发性评价,根据易发性指数将研究区划分为极高易发区、高易发区、中易发区、低易发区及极低易发区5个等级。由滑坡易发性分区图和ROC曲线表明,高和极高易发区主要沿金沙江沿岸和沟谷分布,随机森林模型的成功率曲线下面积AUC=0.84,历史滑坡灾害位于高-极高易发区的灾害数占总滑坡数的84.8%,梯度提升树模型的成功率曲线下面积AUC=0.79,历史滑坡灾害位于高-极高易发区灾害数占总滑坡数的79.3%。由AUC值和历史灾害的分布可知,随机森林模型比梯度提升树模型在本研究区...     

Strength of ensemble learning in multiclass classification of rockburst intensity

Rockbust is a violent expulsion of rock due to the extreme release of strain energy stored in surrounding rock mass, leading to considerable damages to underground strucures and equipment, and threatening workers' safety. As the operational depth of engineering projects increases, a larger number of factors influence the mechanism of rockburst. Therefore, accurate classification of rockburst intensity cannot be achieved based on conventional criteria. It is urgent to develop new models with high accuracy and ease to implement in practice. This study proposed an ensemble machine learning method by aggregating seven individual classifiers including back propagation neural network, support vector machine, decision tree, k-nearest neighbours, logistic regression, multiple linear regression and Naïve Bayes. In addition, we proposed nine data imputation methods to replace the missing values in the compiled database including 188 rockburst instances. Five-fold cross validation and the beetle antennae search algorithm are used to tune hyperparameters and voting weights of the individual classifiers. The results show that the rockburst classification accuracy obtained by the classifier ensemble has increased by 15.4% compared with the best individual classifier on the test set. The predictor importance obtained by the classifier ensemble shows that the elastic energy index is the most sensitive input variable for rockburst intensity classification. This robust ensemble method can be extended to solve other classification problems in underground engineering projects.     

下平板滑移对后台阶流的影响

采用混合有限分析解法对后台阶流在下平板滑移作用下的流动状况进行了数值模拟,并在与典型后台阶流进行比较的基础上分析了下平板滑移对流动结构所产生的影响。计算结果表明,这种情况下的后台阶流动涡漩结构更为复杂,流动区域内生成三个漩涡,两个小漩涡位于下部漩涡区,其长度主要随着下平板滑移速度的增大而减小;一个大漩涡位于上部漩涡区,其长度随着下平板滑移速度和雷诺数的增大而增大,但雷诺数的影响更为显著。     

Discrimination of Pb-Zn deposit types using sphalerite geochemistry: New insights from machine learning algorithm

Due to the combined influences such as ore-forming temperature, fluid and metal sources, sphalerite tends to incorporate diverse contents of trace elements during the formation of different types of Lead-zinc (Pb-Zn) deposits. Therefore, trace elements in sphalerite have long been utilized to distinguish Pb-Zn deposit types. However, previous discriminant diagrams usually contain two or three dimensions, which are limited to revealing the complicated interrelations between trace elements of sphalerite and the types of Pb-Zn deposits. In this study, we aim to prove that the sphalerite trace elements can be used to classify the Pb-Zn deposit types and extract key factors from sphalerite trace elements that can discriminate Pb-Zn deposit types using machine learning algorithms. A dataset of nearly 3600 sphalerite spot analyses from 95 Pb-Zn deposits worldwide determined by LA-ICP-MS was compiled from peer-reviewed publications, containing 12 elements (Mn, Fe, Co, Cu, Ga, Ge, Ag, Cd, In, Sn, Sb, and Pb) from 5 types, including Sedimentary Exhalative (SEDEX), Mississippi Valley Type (MVT), Volcanic Massive Sulfide (VMS), skarn, and epithermal deposits. Random Forests (RF) is applied to the data processing and the results show that trace elements of sphalerite can successfully discriminate different types of Pb-Zn deposits except for VMS deposits, most of which are falsely distinguished as skarn and epithermal types. To further discriminate VMS deposits, future studies could focus on enlarging the capacity of VMS deposits in datasets and applying other geological factors along with sphalerite trace elements when constructing the classification model. RF’s feature importance and permutation feature importance were adopted to evaluate the element significance for classification. Besides, a visualized tool, t-distributed stochastic neighbor embedding (t-SNE), was used to verify the results of both classification and evaluation. The results presented here show that Mn, Co, and Ge display significant impacts on classification of Pb-Zn deposits and In, Ga, Sn, Cd, and Fe also have relatively important effects compared to the rest elements, confirming that Pb-Zn deposits discrimination is mainly controlled by multi-elements in sphalerite. Our study hence shows that machine learning algorithm can provide new insights into conventional geochemical analyses, inspiring future research on constructing classification models of mineral deposits using mineral geochemistry data.     

基于变步长加速搜索的微震源定位方法

微震定位方法是微震监测技术的重要组成部分,其关键是定位震源位置。利用空间网格划分并计算网格交点目标函数值,对微震定位目标函数二维及三维空间分布进行了分析,并据此获取了目标函数连续且极小值唯一、单轴收敛范围逐步减小、各轴收敛范围不一的规律。利用以上规律及模式搜索法、网格搜索法的优缺点,探索出了基于连续比较模块、变步长模块、加速模块的变步长加速搜索法。通过模拟算例与工程数据下收敛稳定性、结果精确度、计算速度以及参数初始值影响程度4个指标的效果对比,结果表明：模拟算例下,对比模拟退火算法、遗传算法,变步长加速搜索法的目标函数值标准差、定位误差标准差、波速误差标准差均为0;该算法的定位误差平均值分别为其余二者的0.7%、1.9%;该算法的计算时间平均值分别为其余二者的6.9%、33.2%。该算法单独更改各参数对定位误差的影响在0.005～0.025 m之间;减小搜索步长下限可有效提高结果精确度,并增加相应的计算时间。在规定初至到时与目标函数模型及检波器位置坐标下,搜索算法对定位精度无实质影响。     

阶梯式钻头挤土机理的有限元分析

为了分析阶梯钻头冲击挤密作用下土体的变形机理,将土体视为DP材料,服从Drucker-Prager屈服准则,通过钻具与土体之间的接触以及施加冲击载荷来模拟钻进过程,建立了潜孔锤冲击挤密钻进的有限元模型。以非线性瞬态动力学有限元分析为手段,利用有限元软件ANSYS9.0对阶梯钻头冲击挤密作用下土体的变形机理进行了模拟分析。结果表明,在冲击载荷作用下,冲击功主要用于竖向压缩土体,水平方向的挤压作用相对较小。阶梯钻头对土体的破坏作用可以看作是每个台阶的微剪切作用,当台阶布置合理时,土体沿等效锥面整体破坏,破坏后的土体在等效锥面的作用下被挤向孔壁四周,挤密效果较好。     

China summer precipitation simulations using an optimal ensemble of cumulus schemes

RegCM3 (REGional Climate Model) simulations of precipitation in China in 1991 and 1998 are very sensitive to the cumulus parameterization. Among the four schemes available, none has superior skills over the whole of China, but each captures certain observed signals in distinct regions. The Grell scheme with the Fritsch-Chappell closure produces the smallest biases over the North; the Grell scheme with the Arakawa-Schubert closure performs the best over the southeast of 100°E; the Anthes-Kuo scheme is superior over the northeast; and the Emanuel scheme is more realistic over the southwest of 100°E and along the Yangtze River Basin. These differences indicate a strong degree of independence and complementarity between the parameterizations. As such, an ensemble is developed from the four schemes, whose relative contributions or weights are optimized locally to yield overall minimum root-mean-square errors from observed daily precipitation. The skill gain is evaluated by applying the identical distribution of the weights in a different period. It is shown that the ensemble always produces gross biases that are smaller than the individual schemes in both 1991 and 1998. The ensemble, however, cannot eliminate the large rainfall deficits over the southwest of 100°E and along the Yangtze River Basin that are systematic across all schemes. Further improve-ments can be made by a super-ensemble based on more cumulus schemes and/or multiple models.     

机器学习算法反求水文地质参数

传统方法求解优化问题时,一般都是依据最小二乘原理来确定目标函数。鉴于这种方法没有考虑到原始测量数据的误差对计算结果及精度带来的影响。为此,提出机器学习算法改进传统的目标函数,同时结合双评价粒子群算法来求解水文地质参数。结果表明,该算法具有良好的收敛性和稳定性,求解效率高,简单易实现。     

基于深度学习的介形类化石识别

介形类化石对地质年代的确定、古湖泊和古海洋的研究、古环境的重建以及海底石油资源的勘探等工作都具有重要意义。然而,现有识别化石颗粒的方法费时费力,准确率也有待提高。鉴于介形类化石颗粒的类别具有科、属、种的层次结构,种类数量庞大,所以本文提出了一种层次化识别方法。首先进行目标检测,实现介形类化石的定位与属类划分;之后在目标检测模块的基础上进行智能识别,使用卷积神经网络和支持向量机提取属类下更细微的种类特征,实现化石种类划分。实验结果表明,本文提出的分层次识别模型能检测出化石图像中所有化石颗粒的位置信息并对其进行分类,分类准确率可达95%,且相较于未进行分层次识别的模型,能将识别准确率提升1.8%~5.8%。