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。      

三峡库区堆积层滑坡间歇性活动预测:以白水河滑坡为例

三峡库区堆积层滑坡在季节性降雨和库水位周期波动的影响下呈现间歇性活动特征,滑坡活动强度与诱发因素作用强度和时间关系密切。以三峡库区白水河滑坡为例,分析了堆积层滑坡间歇性活动特征和诱发因素,发现降雨和库水位下降是滑坡变形的主要诱发因素。根据滑坡时序曲线特征,将滑坡累积位移分解为趋势项位移和周期项位移,采用多项式拟合的方法来预测趋势项位移,利用长短期记忆神经网络模型来预测周期项位移,并与极限学习机模型、广义回归神经网络模型的预测结果进行了对比分析,发现长短期记忆神经网络模型预测滑坡间歇性活动精度更高。     

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。      

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。     

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。      

间歇复活型库岸老滑坡地表位移预测

库岸老滑坡的间歇性复活给决策管理者判断滑坡处于何种变形阶段,以及未来将会出现何种发展趋势带来了极大的困难。将周期性库水位变动及季节性降雨入渗统一到滑坡体的地下水位变动,基于刚体极限平衡原理与Mohr Coulomb强度准则,推导了描述库岸老滑坡间歇性复活过程的复活速率与地表位移预测模型。以三峡库区三舟溪滑坡为例,首先通过数值模拟获得2009年1月1日至2009年12月31日的滑坡体地下水位序列,然后利用所建模型计算得出该时间段内滑坡复活速率序列,根据初始位移得出地表位移预测序列。与实测位移的比较结果显示预测效果良好,表明所建模型是合理的。此外,影响该模型预测精度的关键因素在于获得精确的实时地下水位与符合滑坡实际情况的模型参数。      

滑坡灾害预测预报信息共享平台

 滑坡是最常见的一种地质灾害,其主要诱因是降雨。滑坡灾害多发生在雨量充沛地域或洪水季节。南京市受自然环境和地质环境的影响,滑坡是其最主要的地质灾害类型之一,为了有效地预测滑坡的发生情况并最大限度地减少滑坡灾害为南京带来的损失,本文在已有的南京市地质灾害易发区等研究的成果上,结合南京市历史滑坡数据、气象资料和地质灾害预测数学模型构建了南京市滑坡灾害预测方法并确定了南京市滑坡灾害预测预报技术流程。在该预测方法和技术流程的基础上,本文同时应用了数据库技术、ArcGIS Server技术、AJAX远程调用技术、网页局部刷新技术和地图缓存技术等,融合地理信息系统功能与滑坡灾害预测预报业务功能,开发了南京市滑坡灾害预测预报信息共享平台。该平台可以对滑坡灾害基础数据和实时气象数据动态、科学地管理,结合南京市实时降雨数据可实现滑坡灾害预测预报并将灾害信息实时在线发布,同时提供对滑坡灾害信息的查询、检索、统计分析等功能,最终通过该信息共享平台,为南京市滑坡灾害的防灾减灾提供决策支持,为其他需要建立滑坡灾害预测信息共享平台的城市提供参考。     

一种基于M估计的Robust-ELM滑坡位移预测方法

采用传统ELM算法进行滑坡位移预测时,其网络输出权值由最小二乘估计得出,导致ELM抗差能力较差,从而造成网络训练参数不准确。为此,将M估计与ELM相结合,提出一种基于M估计的RobustELM滑坡变形预测方法。该方法利用加权最小二乘方法来取代最小二乘法计算ELM输出权值,以减少滑坡监测数据中粗差对ELM预测的干扰。分别以链子崖、古树屋滑坡体为例,将Robust-ELM进行了单维、多维粗差的抵御性验证。结果表明,该方法能够有效降低粗差对预测的影响,具有良好的抗差能力。     

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。     

基于滑坡灾害预警分级的应急处置措施

滑坡灾害应急处置能力是地质灾害减灾防灾的重要方面。目前,基于滑坡灾害预测和预警分级成果,系统性的应急措施分类研究还鲜有展开,因此,以三峡库区白水河滑坡为例,运用时间序列加法模型将滑坡累计位移分解为趋势项位移与周期项位移,并分别应用多项式拟合及自回归（AR）模型对2个分量进行预测,在此结果上采用聚类分析方法将滑坡变形分为匀速变形与加速变形阶段,综合判断滑坡灾害预警等级,开展了针对滑坡预警分级的应急措施研究。结果表明:白水河滑坡预警等级主要为蓝色和黄色2种类型,对处于不同的预警等级下的滑坡,可根据滑坡变形特征快速决策,基于滑坡灾害预测和预警分级结果能更有效地指导滑坡应急处置。      

基于物理模型试验的多层滑带滑坡变形演化特征

滑坡变形演化特征一直是滑坡灾害预测与防治领域急需解决的关键问题, 但对于多层滑带滑坡的变形演化特征却少有研究。以物理模型试验为手段建立了三层滑带滑坡物理试验模型, 完成了多层滑带滑坡变形演化全过程的模拟。基于PIV技术获取坡表位移数据, 通过柔性测斜仪监测滑坡深部位移, 同时布设土压力盒获取滑坡内部土压力的变化情况, 实现了多层滑带滑坡演化过程多参量数据分析。试验结果表明, 多层滑带滑坡破坏过程可分为初始、等速、加速和破坏4个阶段。不同破坏阶段滑坡的主要变形区域不同, 下层滑体受到上层滑体牵引作用, 在重力和推力作用下滑坡变形逐渐向浅层发展。变形过程中滑坡应力逐渐向滑带集中, 滑坡推力沿埋深方向呈多级梯形分布。加速变形阶段滑带处应力迅速增大, 滑坡体内产生多层应力集中带, 滑带位置推力变化与滑坡位移显著相关。      

基于EEMD的大坝变形多步预测方法研究

针对大坝变形具有非线性和非平稳性的特点,提出一种基于集合经验模态分解(EEMD)的大坝变形多步预测新算法。首先从时频分析出发,利用集合经验模态分解将变形时间序列分解成具有不同频率特征的分量;然后采用游程判定法对波动程度相似的分量重构为高、中和低频3个分量;最后对3个分量分别建立相应的多步预测模型,叠加各预测值即为最终预测结果。经算例验证,并与AR模型、BP神经网络和支持向量机的多步预测进行对比分析,同时建立不同预测步长进一步验证。结果表明,该算法预测精度较高,在大坝变形波动剧烈的时段也能保证较好的预测效果,可以应用于大坝变形预测。     

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。      

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。      

优化循环神经网络在滑坡位移预测中的应用

以中国典型黄土滑坡域甘肃黑方台党川6#滑坡体为例,基于滑坡体北斗和位移计时序监测数据,首先利用深度学习框架Tensorflow分别构建3种循环神经网络滑坡位移预测模型：简单循环神经网络(simple recurrent neural network,SimpleRNN)、长短期记忆网络(long short-term memory,LSTM)和门控循环单元(gated recurrent unit,GRU),并进一步针对循环神经网络在参数设置时多采用经验手动调参或采用网格搜索法,易造成人为主观影响较大和计算效率低下的突出问题,引入遗传算法（genetic algorithm,GA）优化循环神经网络参数的自动最佳化选取,分别构建3种基于遗传算法改进的循环神经网络滑坡位移高精度预测模型：GA-SimpleRNN、GA-LSTM、GA-GRU。研究结果表明,改进参数自动寻优后的3种循环神经网络预测模型具有更优的预测性能,特别是GA-GRU模型预测精度最高,更适用于滑坡体长时序位移的高精度预测。     

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。     

改进哈里斯鹰优化算法与BP神经网络组合的滑坡位移高精度预测模型

开展滑坡位移高精度预测研究对于滑坡灾害的防灾预警具有重要意义。针对哈里斯鹰优化算法(HHO)搜索精度低且会陷入局部最优的问题,对其进行改进并进一步与BP神经网络组合,同时有效兼顾滑坡外部影响因子,发展了一种改进哈里斯鹰优化算法(IHHO)与BP神经网络组合(IHHO-BP)的滑坡位移高精度预测模型。结合我国典型黄土滑坡——甘肃黑方台党川滑坡HF08、HF05和HF09等3个监测点的北斗/GNSS实测数据,验证了IHHO-BP模型在3个实测数据集中的位移预测精度均优于单一BP神经网络模型,以及哈里斯鹰优化算法、麻雀搜索算法(SSA)、粒子群算法(PSO)、遗传算法(GA)与BP神经网络组合的预测模型。结果表明：引入Levy变异、局部增强和随机化Halton序列种群初始化策略的改进哈里斯鹰优化算法,可有效解决哈里斯鹰优化算法搜索精度低且会陷入局部最优的问题;IHHO-BP模型具有更好的泛化能力,可有效提升滑坡位移的预测精度,该组合预测模型具有更好的推广应用价值。     

新滩滑坡及预测

本文在介绍新滩滑坡的基础上,分析了滑坡前三年的形变监测资料,建立了堆积层推动式的滑坡模型。文章提出以历史崩滑临界值为先验,改进了预测滑坡时间的拐点法,这次新滩滑坡的曲线拐点出现在大滑前约28天。拐点出现后的水平月位移蘧度均在2米以上。     

顾及降雨及库水位因素的滑坡时滞分析与预测——以三峡库区新铺滑坡为例

降雨及库水位涨落是引起库岸滑坡形变失稳的主要诱发因素,但滑坡位移速率对此类诱发因素的响应具有一定的滞后性,影响人类对滑坡所处运动状态的判断与预测.针对常规预测模型中未考虑时滞效应的问题,利用三峡库区新铺滑坡的GNSS位移监测数据、奉节气象站降雨数据以及三峡库区库水位涨落数据,通过对监测区内9个GNSS监测点的位移速率序...     

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。