考虑监测离群值朱家店滑坡位移预测研究

滑坡位移预测预报是滑坡防灾减灾的重要组成部分,提高滑坡位移预测的准确性与精确度是该项研究的重点与难点。本文在滑坡位移预测中考虑了监测样本的离群值,通过忽略、指定与修正离群值3种方式,研究滑坡位移预测样本离群值的最优处理方式。以三峡库区朱家店滑坡为例,基于ARIMA(p,d,q)模型,分别对累积位移与位移速率时间序列开展了预测研究。研究结果表明:修正离群值的预测结果介于忽略和指定离群值两者之间,更适用于存在监测离群值的滑坡位移预测;对于ARIMA模型,更适合采用位移速率进行预测预报;使用位移速率时间序列ARIMA(1,0,1)并修正离群值的预测结果为:2016年和2017年6月份滑坡前缘GP3"阶跃"位移分别为79. 0 mm和70. 2 mm,截止2017年8月,GP3累积位移将达1647. 7 mm。     

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H-P滤波法、ARIMA和VAR模型的库区滑坡位移综合预测

受库水位涨落及降雨等影响,库区滑坡位移表现出明显的周期性。基于位移时间序列分析,将滑坡监测位移分解为趋势项与周期项之和。趋势项反映滑坡变形的长期趋势,其主要受滑坡本身地质结构等因素影响。周期项反映滑坡变形的波动性,其主要受外部因素影响。以三峡库区巫山塔坪滑坡为例,考虑长江水位与降雨量影响,采用H-P滤波法从滑坡位移中分解出趋势项及周期项,利用差分自回归滑动平均模型（ARIMA）对趋势项进行平稳处理并计算趋势项预测值,利用向量自回归模型（VAR）计算周期项预测值。趋势项预测值与周期项预测值之和为滑坡位移预测值。与实际监测值及多种方法分析比较,表明综合预测所得结果能较好反映滑坡变形的趋势性和波动性,位移预测效果较好。     

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。     

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。     

滑坡预报的多元回归分析方法

在回顾了滑坡预报的概念、类型及已有滑坡预报的几种主要模型的基础上，利用多元回归分析方法，根据最小二乘法原理，建立了非线性回归预报模型，提出滑坡破坏的时间为位移．时间曲线的拐点，此方法一般适合于临滑预报。结合实例，利用黄龙西村滑坡位移．时间监测资料，采用该模型进行滑坡时间预报，和其他滑坡预报模型预报的结果接近，说明该模型具有一定的合理性。     

基于粒子群-变分模态分解、非线性自回归神经网络与门控循环单元的滑坡位移动态预测模型研究

以三峡库区八字门阶跃型滑坡为例,针对静态机器学习模型在周期项位移预测中的不足以及高频随机项位移预测困难等问题,提出了一种新的滑坡位移预测方法。基于时间序列分解思想,采用粒子群算法（PSO）对变分模态分解（VMD）进行参数寻优,并将位移时间序列分解为趋势项、周期项和随机项。趋势项主要受滑坡内部因素影响,采用傅里叶曲线进行拟合预测;周期项由外部因素导致,基于格兰杰因果检验进行成因分析,并引入一种对时间序列历史状态具有较高敏感性的非线性自回归神经网络（NARX）进行预测;随机项频率较高且影响因素无法判定,采用一维门控循环单元（GRU）进行预测。最后将各分量预测位移进行叠加重构,实现滑坡累计位移的预测。结果表明,提出的（PSO-VMD）-NARX-GRU滑坡位移动态预测模型精度较高,且各位移分量预测精度明显高于静态模型中BP神经网络、支持向量机（SVM）和传统自回归模型ARIMA,可为阶跃型滑坡位移预测提供参考。     

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。     

基于时间序列与人工蜂群支持向量机的滑坡位移预测研究

总结以往滑坡预测方法存在的诸多不足,针对滑坡监测位移-时间曲线特点,本文提出了一种基于时间序列的人工蜂群算法（ABC）与支持向量回归机（SVR）相结合的滑坡位移预测方法。以三峡库区白水河滑坡为例,通过对滑坡位移、降雨、库水位等因素的分析,研究影响滑坡位移变化的因素。用时间序列加法模型和移动平均法将滑坡位移分解为趋势项和周期项。以多项式最小二乘法拟合滑坡位移趋势项,用人工蜂群支持向量机模型对滑坡位移周期项进行训练和预测。通过灰色系统关联分析法计算多项因子与滑坡位移周期项之间的关联性。最终的滑坡总位移预测值为周期项预测值与趋势项预测值之和。与BP神经网络、PSO-SVR模型方法相比,该方法在滑坡位移预测中有更高的精度,在防灾减灾工作中有较好的推广应用前景。     

三峡库区滑坡台阶状位移趋势预测的警戒速度方法

对不同类型的35个滑坡进行统计分析,发现滑坡临滑前加速度和速度符合Voight模型的幂函数关系。由于无法准确判断三峡库区具台阶状位移特征的滑坡何时处于最后加速失稳阶段,故不能直接应用该模型进行预报。根据台阶状位移特征的滑坡变形特征,本文采用了基于Voight模型的警戒速度方法。该方法是基于Voight模型采用非线性回归分析求得模型参数,按不同风险级别要求求得紧急状态、警戒状态、提前警戒状态的速度阀值,并与实际监测的速度对比去预报滑坡所处的危险等级。采用警戒速度方法对白水河滑坡和新滩滑坡进行了分析,发现预测结果与实际较为接近,预测效果较好。     

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。     

矿井涌水量时间序列ARIMA预测模型研究

基于云南某矿山矿井涌水量时序数据,运用时间序列分析软件EViews 8.0经过差分运算、模型定阶、模型识别、模型检验等步骤建立了合适的ARIMA模型ARIMA(0,1,2)。利用该模型对该矿井2017年7-11月的涌水量进行预测,得出了预测结果,并与实际数据进行了对比分析。研究结果表明:预测结果与实际数据最大相对误差为6.0%,最小相对误差为1.8%,平均相对误差2.5%,与实测数据有较好的拟合,预测效果较好,说明了ARIMA模型可以用于矿井涌水量预测,并可为矿井涌水量预报和水害防治工作提供依据。     

基于光纤监测和PSO-SVM模型的马家沟滑坡深部位移预测研究

滑坡位移预测效果一方面取决于预测模型的优劣,另一方面取决于野外监测数据的质量。针对目前滑坡常规监测技术与评价方法的不足,本文采用光纤监测技术、监测数据与PSO-SVM预测模型相结合的评价方法,对三峡马家沟Ⅰ号滑坡的深部位移进行了预测;通过对320个滑坡深部位移光纤监测数据分析,基于时间序列法,将滑坡位移分为趋势性位移和波动性位移;趋势性位移采用拟合法进行预测,波动性位移采用PSO-SVM模型进行预测;最后将趋势项和波动项位移预测值叠加得到累积位移的预测值。研究结果表明,PSO-SVM模型对波动性位移预测的均方根误差0.51 mm,平均绝对百分误差0.37 mm,能准确预测滑坡波动项位移;累积位移预测值与实测值的相关系数为0.98,均方根误差为0.54 mm,预测效果较好,可以用来对滑坡深部位移进行短期预测。     

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。     

Verhulst滑坡预测预报模型的改进及其应用

Verhulst生物生长模型是一种统计型的滑坡预测预报模型,针对原始Verhulst模型中把第一个数据点作为已知条件的理论依据不存在,可能导致预报精度较低问题,将前人改进Verhulst模型的方法应用到滑坡预测预报中,推导出用改进模型和速度最大值判据预报滑坡发生时间的计算公式。通过分析表明,原始Verhulst模型中以速度最大值作为预报滑坡发生时间的判据缺乏合理性,以加速度和加加速度最大值作为预报判据应更合理,并推导出用加速度和加加速度最大值判据预报的计算公式。基于推导的公式,编写Matlab程序进行计算,将原始和改进的Verhulst模型以及3种判据应用于一些滑坡实例的预报中。结果表明,（1）与原始Verhulst模型相比,改进模型的预报效果较好,其预报滑坡发生的时间更早,且更准确;（2）与速度最大值判据相比,加速度和加加速度最大值判据的预报效果较好,其预报时间较早,且较准确;（3）可把原始模型中单一的时间预报值拓展为一段预报的时间范围,该预报时间范围的上限是加速度最大值时刻,下限是加加速度最大值时刻;（4）用改进模型和该时间段范围判据进行预报能起到提前预报的作用,且预报结果较准确。此外,经讨论认为临近破坏时,裂缝的增多以及动摩擦系数小于静摩擦系数导致抗滑力降低,剩余下滑力增大,是使滑体产生加速度逐渐增大运动的原因。     

滑坡位移非线性时间序列预测模型研究

从分析滑坡位移的实际变化情况和滑坡位移演变规律的角度出发,将滑坡位移分解为受其自身地质结构属性控制的趋势项位移分量和由外界环境因素影响的周期项位移分量。采用经验模态分解法对滑坡位移趋势项和周期项进行非线性时间序列的分解;在此基础上采用标准GM(1,1)灰色模型、滚动GM(1,1)灰色模型和灰色马尔科夫模型分别对滑坡位移的趋势项和周期项进行预测,将预测结果进行叠加运算,即可得到滑坡位移的预测值。以三峡库区白水河滑坡的位移变化情况为例,通过分析对比滑坡位移的实测值与预测值之间的位移-时间关系曲线,可以很好地预测出滑坡位移的发展变化趋势。这说明对滑坡位移进行时间序列分解,有助于提高滑坡位移的预测精度,并可有效应用于滑坡位移预测的工程实例中。     

利用BP神经网络进行水库滑坡变形预测

滑坡变形监测与预测是滑坡预警预报中一种非常重要的途径。文章首先简单介绍了神经网络的基本原理和学习算法,然后利用某水库滑坡24期的GPS地表位移监测数据及其诱发因素即水库水位、降雨等资料,采用BP神经网络模型对该水库滑坡变形进行建模,最后将6期水库水位、降雨等资料输入模型进行滑坡变形预测,结果表明预测结果与实测数据符合性好,总体上能较好反映变形趋势。     

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。     

基于非平稳时间序列分析的滑坡变形预测

滑坡的位移监测资料通常可用来预测滑坡的变形发展趋势,位移的发展反映了滑坡的变形过程.为了预测在现有条件持续情况下的滑坡变形趋势,将滑坡位移监测数据视为非平稳时间序列,应用时间序列分析方法,建立了滑坡变形趋势的预测模型.以三峡库区秭归县白水河滑坡为例,通过对变形预警区监测点位移实测时间序列的分析,取监测点ZG93和XD-04为代表,建立了时间序列预测模型,从第17个月开始向前做6步预测,分析预测曲线与实测曲线之间的关系,并计算预测误差,结果显示除个别数据点之外,预测误差均在±9%以内,曲线吻合较好,说明所建模型效果良好,从而为判断白水河滑坡未来的变形发展趋势提供了可靠的理论依据.