边坡位移预测组合灰色神经网络方法

边坡位移的发展受地质条件、气候环境及人类活动等因素影响,变化趋势复杂,难以建立准确的经典数学模型对其进行全面描述。为了较准确地得到边坡位移数据,采用多模型信息融合技术对其进行预测。首先,将边坡这类影响因素复杂的系统作为一个灰色系统,分别采用GM(1,1)模型、Verhulst模型及DGM(2,1)模型对位移值进行预测;其次,考虑到神经网络的高速并行计算能力和类似人类思维活动的处理机制,利用神经网络方法对不同的灰色预测模型组合,生成灰色神经网络模型。通过反复训练、学习,自动调节,得出各模型在组合模型的合理权重,输出满意的结果。对比发现,利用组合灰色神经网络模型预测的位移值较单独的灰色模型预测的位移值具有更高的精度。     

BP小波神经网络在边坡位移预测中的应用

用优化的BP小波神经网络建立的预测模型对吊钟坝边坡的变形量进行了预测。引入了共轭梯度反向传播算法来优化BP小波神经网络,从而使网络计算量大为减少,避免了网络产生局部最优的弊端,有效提高了网络的质量。与未优化的BP小波神经网络和BP神经网络的预测结果进行比较可以看出,优化的BP小波神经网络的预测值更接近GPS实测值。     

基于相空间重构的边坡位移预测

根据边坡位移时间序列的非线性性质, 应用基于相空间重构的实时预测方法, 可以充分利用时间序列信息, 预测 各种边坡变形演化趋势。 讨论了局域法和基于 Ly apunov 指数的预测法。 实例研究表明, 基于相空间重构的预测方法具 有比非平稳时间序列更高的预测精度和更广的适应性。     

时序分析在边坡位移预测中的应用

根据对边坡变形规律的研究，建立了边坡位移序列的叠合时序模型。将边坡位格分解为确定性位移和随机性位移两部分，并实现了基于误差方差最小原则的边坡位移中长期预测。     

基于PSO-DSRVM的边坡变形预测

为了建立高精度的边坡位移预测模型,文章采用基于粒子群优化(PSO)的双稀疏相关向量机(DSRVM)建立边坡稳定性和影响因素之间的非线性关系。双稀疏相关向量机是在变分和相关向量机(RVM)框架下提出的一种多核组合优化的方法,相比于RVM和其他多核学习方法,DSRVM不仅有更少的训练时间,并且能够得到更高的预测精度。由于DSRVM的核参数对预测效果的影响较大,文章采用粒子群算法实现多个核参数的优化选取并应用于边坡位移预测。最后将本文提出的基于粒子群优化的双稀疏相关向量机(PSO-DSRVM)预测结果与极限学习机(ELM)和小波神经网络(WNN)预测结果进行对比,通过均方根误差(RMSE)、复相关系数(R²)和平均相对预测误差(ARPE)进行评价,验证了PSO-DSRVM模型在边坡变形预测上的可行性。     

基于动态空间面板模型的填方路基边坡坡面位移预测

传统的边坡位移预测由于监测周期长、主要解释变量难以独立监测,存在建模困难、模型冗余、不具备空间预测能力等问题。以某半填半挖的高填方路堤边坡为研究对象,基于坡面位移实测数据,引入空间计量经济学基本理论和动态面板数据分析方法,检验和量化了不同测点间的空间关系,建立了坡面位移的动态空间面板数据模型,并进一步地检验了模型的预测结果。研究结果表明,相较于传统的时间序列模型,该模型参数更加简洁,并可同时对空间所有测点进行预测。模型不仅在时间维度有良好的预测效果,还具有一定的空间预测能力。     

基于ABC-GRNN组合模型的露天矿边坡变形预测

准确预测露天矿边坡变形是有效实现边坡临灾预警的重要保证,针对传统边坡变形预测方法无法表征和综合分析边坡变形受多种因素的影响,提出一种露天矿边坡变形的人工蜂群(ABC)算法优化广义回归网络(GRNN)组合预测模型(ABC-GRNN)。在此预测模型中,综合考虑了影响露天矿边坡变形的5个因素：开采扰动、降雨量、降雨持续时间、温度以及湿度。以山西中煤平朔安家岭露天矿为例,通过遗传算法改进BP神经网络(GA-BPNN)、支持向量机(SVM)等人工智能算法与实测变形数据进行预测效果对比分析。结果表明：ABC算法能够快速帮助GRNN寻优获取合适的传递参数,并对变形进行有效的预测。ABC-GRNN组合预测模型,将预测结果的平均绝对误差292.9 mm、平均绝对百分比误差0.691 3%及均方根误差338.9 mm分别降低到25 mm、0.043 3%和29.5 mm,说明该模型具有更高的预测精度;ABC-GRNN模型比其他模型收敛速度快,只经过7步的迭代,即可得到最小的均方误差。与其他预测模型相比较,本文模型的预测精度更高、泛化能力更强、收敛速度更快,有较高的实用价值。     

基于小波变换和GALSSVM的边坡位移预测

边坡变形是一个受多种因素综合作用的复杂非线性动力学演化过程,用现有的物理模型来解决边坡变形的预测问题有很大难度。大量的研究工作表明,用实测的边坡位移时间序列来预测边坡未来变形更为准确,而将多种方法组合起来进行预测成为研究的主要趋势。在此基础上,建立了一种基于小波变换和进化最小二乘支持向量机(GALSSVM)的边坡位移预测模型。首先利用小波变换将边坡时间序列分解为低频分量和高频分量,然后利用互信息法和伪近邻法得到各分量的时间延迟和嵌入维数并进行相空间重构,再根据各个相空间的特点建立相应的GALSSVM预测模型,最后把各分量的预测结果进行小波重构,重构后的结果即为最终的边坡位移预测结果。对丹巴滑坡预测研究表明,这种新的预测模型具有较高的预测精度,可以应用于实际工程     

用于岩土工程位移预测的软科学方法研究

位移预测对岩土工程稳定性具有重要的实用意义,近来软科学方法得到了广泛重视及应用。对常用软科学方法——灰色系统、时序分析及神经网络进行了系统分析研究,指出了它们的优缺点及适用范围,并提出了一种新型软科学预测方法——进化神经网络法。最后,通过工程实例验证了理论分析的结果。     

边坡稳定性的神经网络预测研究

根据神经网络法的基本原理，结合38个实际边坡工程稳定实例，应用VB5．0可视化编程语言，建立了边坡稳定性的神经网络预测模型，并运用该模型对部分边坡工程的稳定性进行预测，预测结果与边坡实际稳定状态相吻合，从而表明了神经网络法在边坡稳定性预测中的有效性。     

指数趋势模型在斜坡变形位移预测中的应用

应用斜坡变形破坏预测的一种新方法--指数趋势模型,预测了链子崖危岩体GA监测点的位移量。首先,把非线性的指数趋势模型经线性化处理后,用线性最小二乘法对待定参数作出估计, 然后,得出指数趋势模型,并对危岩体位移量进行了预测,其预测结果与实际位移值误差很小,说明该方法可用于斜坡变形破坏的预测预报。最后,还对预测值的区间和区间长度作出了预测。     

岩体边坡工程中的位移监测及分析

边坡工程的监测取决于监测人员对岩(土)体介质的认识程度和选择相应的方法和手段。通过对江西德兴铜矿大山村选矿厂东部边坡和北部楔形地质结构体稳定状况的监测,阐述了在边坡工程中位移监测的应用及有关分析。     

基于案例挖掘的边坡稳定性智能评价系统研究

虽然边坡灾害治理实践已经积累了大量的成功的或失败的边坡治理工程案例,但这些工程案例产生的大量数据信息未被充分利用与开发,造成了极大的资源浪费。为此,基于边坡工程案例,应用数据挖掘与知识发现和递归的自-组织模糊神经推理网络的方法,初步提出了一种基于案例挖掘的边坡稳定性智能评价系统,并通过案例挖掘的应用实例表明了该系统的有效性和可行性。     

基于神经网络理论的三峡水库诱发地震预测研究

在地震地质背景研究的基础上,运用神经网络理论中改进的BP算法对三峡水库诱发地震强度进行了预测研究.预测结果表明,秭归盆地高桥断裂近库段有可能诱发Ms＞6.0级的地震,可能诱发4.5＜Ms＜6.0级地震的库段有庙河口-九湾溪、九湾溪-路口子断层沿线、瞿塘峡北岸库段、大宁河西岸近库段;仙女山断层沿线、高桥断裂灰岩区远库段、巴东以南灰岩区库段等;可能诱发3.0＜Ms＜4.5级地震的库段有巴东-官渡口砂页岩区、巴东以南灰岩区库段,其它库段均为Ms＜3.0级.     

等权平均组合预测在斜坡变形位移中的应用

单一预测模型仅能体现系统的局部,其预测精度较差。为此,研究了组合预测方法在斜坡变形位移中的应用,它将各种预测方法进行适当的组合,综合利用各种预测方法所提供的有用信息进行预测。首先建立5种单一预测模型分别进行了预测,然后把各个预测模型的预测结果等权平均进行组合预测。并通过对链子崖危岩体监测点 位移值的预测,预测结果表明其绝对误差较低,精度较高,大大地提高了预测的精度和稳健性。     

岩质边坡声发射特征及失稳预报判据研究

在分析岩质边坡失稳过程中岩体力学性质和声发射产生的微观机理基础上,通过岩石声发射试验和岩质边坡声发射监测实例,研究了岩质边坡声发射特征,提出了岩质边坡失稳破坏的基本力学分类及其声发射的监测预报方法和判据,实现对岩质边坡失稳的预测预报。研究结果表明,边坡破坏前存在一次或多次声发射高峰。应用AE技术可以确定边坡在变形过程中应力集中活跃区;以抗滑力减小为主的岩质边坡,其失稳预报判据为大事件率在15次/ min以上,预报时间为几分钟至数小时。以下滑力增大为主的岩质边坡失稳的预报判据为大事件率在26次/ min以上,破坏时间为第一次声发射峰值期后的30～45 d。     

考虑变形机制的边坡稳定预测模型

选择开挖卸荷、爆破振动、岩体流变以及降雨作为影响边坡施工期变形的4个主要因素,深入分析不同影响因素对边坡变形的作用机制,结合边坡位移实测资料,建立了考虑变形机制的边坡稳定预测模型。在弹性理论的简化下推导边坡回弹变形公式计算开挖卸荷分量,基于Burger模型的蠕变本构方程计算流变分量,采用已有的经验公式计算爆破分量和降雨分量;综合4个变形分量形成考虑变形机制的边坡稳定预测模型,该模型可体现各影响因素对边坡变形的作用和相关程度,更加科学合理地解释边坡变形产生的力学机制。通过对锦屏一级水电站左岸边坡外观测点TP5变形监测资料的统计回归分析表明：相对于传统的统计模型,该模型的回归方程显著,方差比和复相关系数较大,预测误差较小,具有工程应用价值。     

露天矿边坡的位移监测与滑坡预报

对湖北大冶铁矿滑坡区域的长期监测资料进行分析和总结，提出依据位移-时间曲线预报滑坡的方法。     

指数平滑技术在斜坡位移预测中的应用

应用趋势型数据指数平滑模型预测了链子崖危岩体监测点GA的位移量.根据其观测数据呈线性趋势的特点,选取趋势型二次指数平滑的线性预测公式和合适的平滑常数值进行了计算预测.预测结果表明位移预测值与实际观测值之间的误差很小,说明该模型可很好地应用于斜坡变形位移的预测.     

基于神经网络范例推理的边坡稳定性评价方法

提出了基于神经网络范例推理的边坡稳定性评价方法。针对边坡的稳定性影响因素的复杂多变性和相当强的不确定性,建立了基于神经网络的边坡范例检索模型。运用神经网络强大的自适应、自组织、自学习的能力以及高度的非线性映射性、泛化性和容错性的特点,通过边坡范例的神经网络学习,建立了当前边坡和边坡范例之间相似性计算关系,最终实现了当前边坡的稳定性评价。对于8个验证边坡范例,模型的预测准确性达到了100 %,范例中的160组数据的相关性也达到了 0.981 5,表明建立的模型具有很高的预测准确性,模型的泛化能力很强。