基于时间序列EEMD重构的滑坡位移PSO-SVR预测方法——以三峡库区滑坡为例

三峡库区滑坡地表位移—时间曲线多呈“台阶型”特征。基于位移响应成份模型的滑坡位移预测方法是对该类滑坡位移预测的主要方法之一。针对目前水库滑坡波动项位移预测工作中尚未考虑主要诱发因素的高频成份与低频成份的问题,提出了基于时间序列EEMD重构的滑坡位移PSO-SVR预测的方法。以白水河滑坡2003年7月至2013年3月117个地表位移数据为例,采用EEMD法将地表位移时间序列分解为趋势项位移和波动项位移,该趋势项位移用最小二乘法的二次多项式拟合预测;根据EEMD和t检验法,确定高频降雨量、低频降雨量、高频库水位和低频库水位,结合其它常用因素,采用灰色关联分析确定白水河滑坡影响波动项位移的优势因素为高频降雨量和月间库水位变化,基于优势因素建立PSO-SVR模型预测波动项位移。结果表明,总预测值的平均相对误差为0.009 8,方差比为0.023 9,小误差概率为1,预测效果较好。利用该方法对三峡库区其它5个“台阶型”滑坡进行了预测,预测位移与实测位移较吻合,进一步证明了该方法的有效性,对同类滑坡的预测预报具有一定的借鉴意义。     

基于集合经验模态分解与支持向量机回归的位移预测方法:以三峡库区滑坡为例

三峡库区滑坡地表位移-时间曲线多呈台阶型特征。基于位移响应成分模型的滑坡位移预测方法是该类滑坡位移预测的主要方法之一。针对目前水库滑坡波动项位移预测工作中尚未考虑主要诱发因素的高频成分与低频成分的问题,提出了基于时间序列集合经验模态分解(EEMD)与重构的粒子群优化-支持向量机回归(PSO-SVR)位移预测方法。以白水河滑坡2003年7月至2013年3月117个地表位移数据为例,采用EEMD法将位移时间序列分解为趋势项位移和波动项位移,该趋势项位移用最小二乘法的二次多项式拟合预测;根据EEMD和t检验法,确定高频降雨量、低频降雨量、高频库水位和低频库水位,结合其他常用因素,采用灰色关联分析确定白水河滑坡影响波动项位移的优势因素为高频降雨量和月间库水位变化,基于优势因素建立PSO-SVR模型预测波动项位移。结果表明,总预测值的平均相对误差为0.009 8,方差比为0.023 9,小误差概率为1,预测效果较好。利用该方法对三峡库区其他5个台阶型滑坡进行了预测,预测位移与实测位移较吻合,进一步证明了该方法的有效性,对同类滑坡的预测预报具有一定的借鉴意义。     

速度倒数法滑坡预警模型流变试验研究

滑坡失稳的预测预报研究是地质工程领域中的一项重要课题,准确地确定预测预报理论模型的参数是实际应用中的难点。在实际滑坡监测中通常可以观察到位移曲线呈现阶梯形,这些阶梯形位移变化点就是滑坡的变形突变点。为研究滑坡变形突变点的变形特征,进行了不同荷载作用下的天然试样以及不同荷载、不同含水率作用下的浸水试样的流变试验,得到了累计位移-时间曲线以及变形速度-时间曲线。依据秦四清的锁固段理论以及速度倒数法滑坡预警模型对试验结果进行分析。研究结果表明：荷载和含水率的变化对模型参数没有影响,模型参数是关于材料属性的函数;变形过程中突变点的变形特征与破坏时的变形特征相似,并且速度倒数法预警模型在突变点和破坏点确定的模型参数基本一致。因此,滑坡监测曲线中早期位移突变点确定的模型参数可以用于确定滑坡破坏时的预警模型。     

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。     

基于时间序列分析法的滑坡变形特征研究

应用时间序列分析方法建立滑坡位移ARIMA预报模型。采用差分平稳,自回归AR模型和移动平均MA模型对滑坡位移进行预测,得到了该滑坡监测点TP1的预报模型为ARIMA(2,2,1),然后分析对比实测与预测位移–时间曲线之间的关系。计算结果能够较好地体现出滑坡在外界诱发因素作用下位移的发展变化趋势,说明所建滑坡位移预测预报模型效果较好,在滑坡位移预测中是有效可行的。     

基于Verhulst模型的滑坡位移预测研究及其程序化实现

以甘肃省黄茨滑坡位移时间预测为例,在滑坡工程地质条件、成因、发生与发展过程分析的基础上,结合地面监测桩以及位移计监测的位移时间数据,运用Verhulst预测模型建立了该滑坡位移预测研究的思路.在此基础上,运用Ex-cel内嵌的VBA语言编写了相应的位移时间预测预报程序,解决了笔算困难问题.通过具体实例分析,将Verhulst模型、灰色GM(1,1)模型预测结果与实际监测结果进行对比分析,验证了该模型在滑坡位移时间预测中的适用性以及程序的可靠性.研究结果表明,Verhulst预测模型适宜于滑坡临滑预报,而灰色GM(1,1)预测模型适宜于滑坡中短期预测预报,通过Ver-hulst模型预测黄茨滑坡的临滑时间在1995-01-26至1995-01-27之间,预测结果与滑坡实际滑动时间较为一致,由此说明运用Verhulst预测模型对滑坡进行临滑预报是可行的.     

基于数值模拟的三峡库区典型堆积层滑坡变形预测方法

目前对堆积层滑坡的变形预测大多基于数学模型或方法,忽略了引起滑坡位移显著变化的动力外因及滑坡自身的地质特征,因此,预报准确度和可信度较低。以三峡库区典型堆积层滑坡--鹤峰场镇滑坡为例,通过4组主要控制因素科学组合构建了滑坡的基本地质模型;以此为基础,重点考虑引起滑坡发生变形的库水作用动力因素,建立滑坡的数值-力学模型。通过实际监测点的变形监测结果与数值-力学模型中模型监测点的变形进行拟合分析,获取了实际时间与数值-力学模型中时步的等效关系;基于时间-时步等效关系及三峡水库设计水位调度曲线,得到了不同时步水位的波动特征;通过时步的外延,并在相应的时步段对数值-力学模型施加等效时间的库水作用,预测了滑坡在未来库水位变动条件下的变形。该预测方法既考虑了滑坡的工程地质模型又考虑了地下水作用效应,克服了纯数学方法预测的不足。     

混沌序列WA-ELM耦合模型在滑坡位移预测中的应用

针对滑坡位移序列的混沌特性和传统时间序列预测模型的不足,提出了一种基于混沌时间序列的小波分解-极限学习机(WA-ELM)滑坡位移预测模型。该模型以滑坡位移序列混沌特性分析为基础,应用小波分析将位移序列分解为具有不同频率特征的分量,对各特征分量分别进行相空间重构并应用极限学习机进行预测,最后将各特征分量预测值叠加,得到原始位移序列的预测值。以三峡库区八字门滑坡为例,并与小波分析-支持向量机(WA-SVM)以及单独ELM模型进行对比研究。结果表明,基于混沌时间序列的WA-ELM模型预测精度较高且具有较好的通用性与稳定性,是一种有效的滑坡位移预测方法。     

遗传算法下的滑坡蠕滑位移预测模型研究

滑坡位移预测是预报滑坡灾害的重要依据,以往的滑坡位移预测模型多数为时间序列预测模型、BP神经网络预测模型、Gaussian拟合预测模型以及其他一些非线性预测模型。这些滑坡位移预测模型在建立上缺乏力学理论支撑,对不同力学特性产生的滑坡位移预测分析上没有针对性。文章针对力学特性为重力蠕变型滑坡位移的预测,提出一种基于遗传优化算法的滑坡蠕滑位移非线性预测模型。以鲁家坡滑坡东侧J05监测点的累计水平位移为例,划定测试区域与预测区域进行模型预测分析,并将新模型预测结果与Gaussian拟合预测模型、 BP神经网络预测模型预测结果进行对比分析。结果表明,相较于传统预测模型,新模型的预测效果有所提升,有一定的工程价值与实践价值。     

基于状态划分的滑坡位移预测方法研究

滑坡位移预测是滑坡灾害研究中的一个重要内容,然而现有研究将滑坡视为一个对外界响应稳定的系统,即相同的外界条件下,滑坡的位移变化是相同的。实际上,随着时间的推移,滑坡所处状态不断变化,相同的外界激励下的位移响应相差甚远。从滑坡状态与位移的响应规律出发,提出了一种基于状态划分的滑坡位移预测方法以实现更高精度的滑坡位移预测。采用K均值聚类法对滑坡变形速度和加速度进行了聚类分析,获取了表征滑坡变形程度和变形趋势的状态标签。根据状态标签对监测数据进行了划分,对每一类数据均单独构造一个BP神经网络,并依据上一时刻的状态标签选择对应的预测器来完成滑坡位移预测。将该方法运用到白水河滑坡的工程实例研究中,结果表明此方法具有较高的预测精度。     

Using an extreme learning machine to predict the displacement of step-like landslides in relation to controlling factors

In the evolution of landslides, besides the geological conditions, displacement depends on the variation of the controlling factors. Due to the periodic fluctuation of the reservoir water level and the precipitation, the shape of cumulative displacement-time curves of the colluvial landslides in the Three Gorges Reservoir follows a step function. The Baijiabao landslide in the Three Gorges region was selected as a case study. By analysing the response relationship between the landslide deformation, the rainfall, the reservoir water level and the groundwater level, an extreme learning machine was proposed in order to establish the landslide displacement prediction model in relation to controlling factors. The result demonstrated that the curves of the predicted and measured values were very similar, with a correlation coefficient of 0.984. They showed a distinctive step-like deformation characteristic, which underlined the role of the influencing factors in the displacement of the landslide. In relation to controlling factors, the proposed extreme learning machine (ELM) model showed a great ability to predict the Baijiabao landslide and is thus an effective displacement prediction method for colluvial landslides with step-like deformation in the Three Gorges Reservoir region.     

联合升降轨Sentinel-1A数据监测桃坪乡古滑坡沿坡向的形变速度场

单一平台或轨道的InSAR(Interferometric Synthetic Aperture Radar, InSAR)技术通常只能获取到滑坡体沿雷达卫星视线(LOS)方向的一维形变信息,无法直接获取到滑坡体沿坡向的形变信息,使得InSAR技术无法充分满足滑坡监测的工程需求。针对这一问题,本文提出联合升降轨Sentinel-1A数据提取滑坡沿坡向形变速度场的模型算法,其基本方法是：首先利用InSAR技术分别获取升轨和降轨沿LOS方向的形变速度场,然后根据坡向和坡度建立滑坡的滑动面坐标系,基于LOS方向与滑动面的几何关系对升降轨对应的LOS向形变速度值进行建模,在滑动面上不存在法线方向形变的合理假设下通过解算独立方程组获得滑坡体沿坡向的形变速度场和沿垂直坡向的形变速度场。本文选取四川省理县桃坪乡古滑坡作为研究对象,并通过模拟实验对模型的解算精度进行验证,结果表明：相比于LOS向形变速度场,重建的沿坡向和沿垂直坡向形变速度场更加清晰地揭露了滑坡体的主要位移模式和危险性较高的坡体区域。同时,模拟实验结果表明,模型算法的解算误差与噪声水平大致呈线性增加的关系,当噪声水平达到10 mm·a<...     

高填方边坡失稳时间预测的实用模型

建立一种准确可靠的方法来预测高填方边坡因蠕变破坏而发生滑坡的时间是困难的,但对防止财产和生命损失又至关重要。在总结高填方土质边坡蠕变破坏过程中的位移、速度特征的基础上,通过改进Saito模型的应变率公式,提出了基于改进人工蜂群算法的滑坡中短期预测的实用模型。将进入加速变形阶段后的滑坡位移时间序列作为输入,通过人工蜂群算法反演实用模型参数后输出预测的滑坡时间。以3个高填方滑坡为实例,应用滑坡位移监测点的测量数据,验证了该方法在滑坡时间预测上的准确性和可靠性。同时,将该方法预测的滑坡时间结果与传统的Saito系列模型预测的滑坡时间结果进行了比较。结果表明,在通过滑坡位移的时间序列进行滑坡时间预测时,所提出的实用模型比两种Saito模型更准确可靠。     

Prediction of landslide displacement with step-like behavior based on multialgorithm optimization and a support vector regression model

Landslide prediction is important for mitigating geohazards but is very challenging. In landslide evolution, displacement depends on the local geological conditions and variations in the controlling factors. Such factors have led to the “step-like” deformation of landslides in the Three Gorges Reservoir area of China. Based on displacement monitoring data and the deformation characteristics of the Baishuihe Landslide, an additive time series model was established for landslide displacement prediction. In the model, cumulative displacement was divided into three parts: trend, periodic, and random terms. These terms reflect internal factors (geological environmental, gravity, etc.), external factors (rainfall, reservoir water level, etc.), and random factors (uncertainties). After statistically analyzing the displacement data, a cubic polynomial model was proposed to predict the trend term of displacement. Then, multiple algorithms were used to determine the optimal support vector regression (SVR) model and train and predict the periodic term. The results showed that the landslide displacement values predicted based on data time series and the genetic algorithm (GA-SVR) model are better than those based on grid search (GS-SVR) and particle swarm optimization (PSO-SVR) models. Finally, the random term was accurately predicted by GA-SVR. Therefore, the coupled model based on temporal data series and GA-SVR can be used to predict landslide displacement. Additionally, the GA-SVR model has broad application potential in the prediction of landslide displacement with “step-like” behavior.     

不同类型滑坡渐进破坏过程与稳定性研究

滑坡的类型一般可分为牵引式滑坡、推移式滑坡和复合式滑坡,根据其滑面的发展形态,依次表现为前进式渐进破坏模式、后退式渐进破坏模式和复合式渐进破坏模式。基于岩土体应变软化特性,揭示了滑坡渐进破坏过程的本质是滑带力学参数弱化的过程,初步探讨了3种类型滑坡渐进破坏过程的远动特点和力学特征和滑坡渐进演化过程。以不平衡推力法和3种类型滑坡的演化特征为基础,提出3种类型滑坡渐进破坏过程中临界状态条块确定方法,通过建立滑坡渐进破坏稳定性计算模型和计算公式,提出滑坡随着渐进演化过程的滑带参数取值方法,并阐述了渐进破坏过程的稳定性计算实现过程,实现不同类型滑坡渐进破坏过程的稳定性分析。以3个典型滑坡为例,分析得出滑坡渐进破坏过程中牵引式滑坡和复合式滑坡稳定性降低速率由大到小再到大和推移式滑坡稳定性降低速率由小到大的过程,3种类型滑坡在渐进破坏过程中不同部位对稳定性的贡献不同,验证了不同类型滑坡的变形规律。研究结论可对不同类型滑坡的稳定性发展进行初步预测和为滑坡治理提供指导意义。     

基于优化经验模态分解和聚类分析的滑坡位移智能预测研究

针对三峡库区"阶跃式"滑坡的变形特征,提出了一种新的滑坡位移预测方法。以白水河滑坡ZG118和XD-01监测点位移数据为例,采用基于软筛分停止准则的经验模态分解(SSSC-EMD)将累计位移-时间曲线和影响因子时间序列自适应地分解为多个固有模态函数(IMF),并采用K均值(K-Means)聚类法对其进行聚类累加,得到有物理含义的位移分量(趋势性位移、周期性位移以及随机性位移)和影响因子分量(高频影响因子和低频影响因子)。使用最小二乘法对趋势性位移进行拟合预测;采用果蝇优化-最小二乘支持向量机(FOA-LSSVM)模型对周期性位移和随机性位移进行预测。将各位移分量预测值进行叠加处理,实现滑坡累计位移的预测。研究结果表明,所提出的(SSSC-EMD)-K-Means-(FOA-LSSVM)模型能够预测"阶跃式"滑坡的位移变化规律,且预测精度高于传统的支持向量机回归(SVR)、最小二乘支持向量机(LSSVM)模型;并通过改变训练集长度,进行单因素分析,发现其与预测精度之间呈正相关关系。     

考虑渐进破坏过程的滑坡推力计算方法

在滑坡防治工程设计当中,推力确定是治理工程设计是否合理有效的前提。本文进行了3种类型滑坡的渐进变形破坏模式分析,从滑带参数弱化的角度阐述了不同类型滑坡的渐进演化过程,并以滑带力学参数经历峰前应力阶段、软化阶段、残余应力阶段刻画了滑带空间形态所经历的峰前应力状态、临界应力状态、残余应力状态3个阶段;基于不平衡推力法,提出3种类型滑坡临界状态条块的确定方法,把滑坡划分为发生剪切段和未发生剪切段,提出了不同类型滑坡渐进破坏过程中推力计算公式及计算过程中滑带参数取值方法。以任意滑坡为例,从不同类型滑坡角度分析了滑坡在渐进破坏过程中推力的变化规律,结果表明：不同类型滑坡渐进破坏到第5状态时,牵引式滑坡、推移式滑坡和复合式滑坡的推力大小分别为4 100,4 980和3 150 kN/m,推移式滑坡推力最大,说明滑坡以不同模式破坏时推力存在明显差异。此计算方法不仅反应了不同类型滑坡的渐进破坏过程,又解决了具有应变软化性质的滑坡推力计算问题,在实际工程中为滑坡的设计提供合理的推力。     

滑坡变形空间评价的位移速率比方法研究

实测数据表明,松散土质斜坡和具有时效变形特征的岩质斜坡的滑坡变形往往具有蠕变特点,即从开始出现变形到最终失稳破坏一般需经历初始变形、等速变形和加速变形3个阶段。基于典型的滑坡累积位移-时间曲线特征,提出了采用位移速率比作为通用指标来判定滑坡上各点变形阶段的方法：多个连续时段均为等速变形即相邻位移速率比位于0～2之间时,认为进入等速变形阶段;当位移速率比大于2时,初步认为,其进入加速变形阶段。结合典型实例建立了位移速率比判定滑坡上各点变形阶段的判定标准：在滑坡位移速率比大于2之后,滑坡体进入加速变形阶段,对加速变形阶段可再作进一步细分：位移速率比为2～6时,为滑坡体的初加速阶段,为6～8时,滑坡体进入中加速阶段,大于8则为临滑阶段。基于地理信息系统（Geographic information system,简称GIS）平台,建立了滑坡变形空间评价的位移速率比方法,并对金坪子滑坡的空间变形状态进行了评价,验证了该方法的可行性和合理性。     

Displacement prediction of step-like landslide by applying a novel kernel extreme learning machine method

Landslide displacement prediction is an essential component for developing landslide early warning systems. In the Three Gorges Reservoir area (TGRA), landslides experience step-like deformations (i.e., periods of stability interrupted by abrupt accelerations) generally from April to September due to the influence of precipitation and reservoir scheduled level variations. With respect to many traditional machine learning techniques, two issues exist relative to displacement prediction, namely the random fluctuation of prediction results and inaccurate prediction when step-like deformations take place. In this study, a novel and original prediction method was proposed by combining the wavelet transform (WT) and particle swarm optimization-kernel extreme learning machine (PSO-KELM) methods, and by considering the landslide causal factors. A typical landslide with a step-like behavior, the Baishuihe landslide in TGRA, was taken as a case study. The cumulated total displacement was decomposed into trend displacement, periodic displacement (controlled by internal geological conditions and external triggering factors respectively), and noise. The displacement items were predicted separately by multi-factor PSO-KELM considering various causal factors, and the total displacement was obtained by summing them up. An accurate prediction was achieved by the proposed method, including the step-like deformation period. The performance of the proposed method was compared with that of the multi-factor extreme learning machine (ELM), support vector regression (SVR), backward propagation neural network (BPNN), and single-factor PSO-KELM. Results show that the PSO-KELM outperforms the other models, and the prediction accuracy can be improved by considering causal factors.     

两类经典滑坡发生时间预报模型的理论分析

老化和应变速率对土体强度和变形性质的影响研究,以及野外事例观察,已经证实大多数滑坡的形成机制可以由深部蠕变理论解释。土体蠕动速率在滑坡爆发之前将随着造成滑坡因素的增加而增加。根据这一理论,人们可以建立早期滑动的唯象蠕变方程来预测滑坡。早期的这类代表模型是Saito模型和Voight模型。本文重新进行的理论分析表明:这些模型具有丰富的理论内涵和深入的理论基础,具备滑坡预报模型要求的所有条件,包含的参数物理意义明确,因而具有新的生命力。