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。     

基于新型仿生智能方法的边坡变形位移预测

边坡地变形,具有高度复杂的非线性演化特征。将BP神经网络和免疫克隆算法改进并集成结合,提出一种新型的仿生智能方法,即免疫克隆神经网络。并利用其强大的非线性拟合能力,对边坡进行变形位移的预测。结果表明,此方法拥有较高的预测精度,为边坡变形位移的预测提供了行之有效的途径,从而为边坡稳定性判别和滑坡预报提供了可靠的分析依据。     

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。     

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。     

位移时空综合分析法及其在边坡工程中的应用

以往对监测位移数据分析方法主要是位移-时间关系分析。但监测数据包含了大量对工程设计和施工都很有用的信息,其中不乏位移-空间方面的信息;另一方面,从工程设计和施工角度看,除需要位移-时间信息外,还需要位移-空间信息。位移时空综合分析法的提出旨在综合位移-时间和位移-空间等两方面的信息,为工程设计和施工服务。该方法依表现形式不同又分为竖线法和曲面法两种。本文将通过五强溪船闸边坡工程实例,来进一步说明位移时空综合分析法的原理及其应用。     

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     

边坡位移预测的非线性组合模型及应用

通过边坡现场监测位移序列来预测未来时间边坡的位移,可以有效地评价和判断边坡的稳定性。多种非线性分析方法的组合可以有效提高预测精度,将灰色理论与投影寻踪回归各自的优缺点的基础上,提出了将二者相结合的一种新的预测模型--时序投影寻踪回归模型。新模型既发挥了灰色预测方法中“累加生成”的优点,弱化了原始序列中随机扰动因素的影响,增强了数据的规律性,又充分利用了投影寻踪回归方法易于描述非线性关系的优良特性,避免了灰色预测方法及模型存在的理论缺陷。同时,对模型的可靠性进行了验证。将文中提出的时序投影寻踪回归方法应用到 2 个工程实例,研究结果表明该模型预测值与实测值吻合较好,具有较高的精度,可为边坡位移的预测提供一条新的途径。     

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PSO-SVM的凤县公路边坡地质灾害空间预测

边坡地质灾害是造成凤县公路长时间中断的主要原因之一,开展灾害空间预测对提高公路抗灾能力和区域防减灾能力具有重要意义。在分析凤县公路边坡地质灾害概况和选取预测因子的基础上开展灾害隐患点调查,采用粒子群改进支持向量机模型(PSO-SVM)和地理信息系统进行灾害空间预测并逐网格计算灾害易发性指数,应用成功率法检验预测结果,基于灾害易发性指数将凤县分为高易发、中易发、低易发和基本安全4级易发区。结果表明:凤县公路边坡地质灾害的易发性指数最小为0. 08、最大为0. 96,粒子群改进支持向量机的曲线下面积为0. 907,易发性从西向东逐渐降低;基本安全、低易发、中易发和高易发区分别占凤县总面积的48. 34%、23. 92%、18. 46%和9. 28%,灾害调查确定的423处灾害隐患点中有23处、41处、96处和263处位于以上区域,分别占总数的5. 31%、9. 45%、22. 16%和63. 08%,G316和S201、S205均有部分路段穿越高易发区。 更多还原杆应变的响应规律。得出:加固边坡土体对输入的地震波有垂直放大作用,水平方向放大作用不明显;在地震频率和幅值共同影响下,边坡加速度响应具有明显的差异。同一锚杆沿长度方向应变分布呈"前小后大"的模式;同列不同层锚杆在垂直方向应变响应差别较大,顶层、底层锚杆应变较边坡中部的锚杆应变响应明显。利用ABAQUS数值软件模拟振动台试验过程,得出锚固边坡动力响应特征与振动台试验结果一致。     

基于集对分析组合理论的全风化边坡位移预测研究

风化花岗岩边坡位移受多种不确定因素影响,其预测是一个复杂的不确定性问题。以平益高速某风化花岗岩边坡为研究对象,先利用少量位移监测数据建立五种单项预测模型,然后基于集对关系准则定量分析各单项模型预测值与实测值间的集对关系,并通过联系数确定组合权重系数,最终建立了关于边坡位移的组合预测模型,并将预测数据与实测数据进行了对比验证。研究表明,利用集对分析组合理论建立的模型实现了预测信息的优化组合,相对单项模型,组合模型的预测相对误差最大不超过20%,绝对误差平方SSE、标准误差SE等指标偏小,可为边坡动态施工管理提供更加可靠的依据。拓宽了集对分析组合理论的应用范围,也为解决其他类似工程的位移预测问题提供了思路。     

基于实时更新数值模型的高陡边坡动态仿真分析方法及应用

在水电工程中,河谷两遍的工程边坡具有尺度大、高而陡的特点。同时这些边坡服务年限长,稳定性要求高。对于耦合考虑施工进度和工程安全的动态分析还较少涉及。由于地质参数、边坡结构和开挖支护的实时变化,对边坡工程安全的实时评价已成为制约水利水电工程建设安全的关键技术问题。考虑边坡施工过程中开挖进度的调整、新地质信息的揭露、支护方案的修改及计算参数的修正等信息实时变化的客观实际,重点针对目前较少涉及的施工期高边坡工程安全的实时分析和控制问题,提出了基于数值模拟技术的边坡实时安全仿真方法;基于数据库技术和ABAQUS二次开发技术实现施工进度信息、地质信息及支护信息到数值计算模型的动态映射,开发了边坡安全实时分析系统,最终实现了与施工进程相适应的边坡安全状态实时仿真分析和预测。     

基于振动台试验的地震作用下岩质边坡位移演化特征

汶川地震受灾区域岩质边坡失稳频发,灾区滑坡危害问题严重,岩质边坡位移演化特征的研究对灾后边坡监测及预警具有重要意义。本文针对金沙江特大桥桥址边坡开展了包含陡倾结构面及顺向贯通性结构面的复杂岩质边坡振动台模型试验研究。根据相似理论,试验采用水泥、砂、铁粉、黏土与混合剂的配合材料模拟玄武岩,采用PVC板模拟凝灰岩结构面。利用光学测量系统采集了边坡表面实时位移数据,分析了位移响应波形、PGD(测点最大位移值,Peak Ground Displacement)分布以及PGD演化规律。结果表明,水平输入和垂直输入的PGD演化规律基本一致,振动台地震输入烈度在Ⅷ度前,PGD呈线性增大趋势;Ⅷ度时,边坡模型在陡倾结构面处相对位移达到约1.5 cm;大于Ⅷ度时,PGD呈加速放大趋势,可以认为此时边坡呈不稳定状态;Ⅸ度时,边坡呈整体滑动破坏模式,滑动面由陡倾结构面处剪入,在坡脚附近剪出。     

基于灰色最小二乘支持向量机的边坡位移预测

利用边坡实测位移序列预测边坡未来时间的位移,可以有效地判断边坡的稳定性。在分析了灰色预测方法和最小二乘支持向量机各自的优缺点的基础上,提出了将二者相结合的一种新的预测模型--灰色最小二乘支持向量机预测模型。新模型既发挥了灰色预测方法中“累加生成”的优点,弱化了原始序列中随机扰动因素的影响,增强了数据的规律性,又充分利用了最小二乘支持向量机求解速度快、易于描述非线性关系的优良特性,避免了灰色预测方法及模型存在的理论缺陷。同时,采用遗传算法进行了模型的参数优化,通过2个工程实例说明灰色最小二乘支持向量机模型预测边坡位移的有效性,具有较高的精度。     

地震作用下堆积体边坡的坡面变形与失稳机制

地震作用下堆积体边坡的动力响应特性十分复杂,单一抗震安全系数不足以评价其动力稳定性。通过大型振动台试验,研究了连续多级地震荷载作用下,地震波的类型、卓越频率及峰值加速度对堆积体边坡坡面永久位移的影响,并初步分析其失稳机制。试验结果表明,相同峰值加速度下振动型地震波比冲击型地震波更容易产生坡面永久位移,地震波卓越频率对坡面永久位移也有重要影响;堆积体边坡在峰值加速度apeak=0.2g时开始有大颗粒石砾滚落,对应的坡面永久位移在apeak=0.2g～0.3g之间开始产生并显著增大,另外利用考虑坡面几何形态变化的改进Newmark法对坡顶的永久位移进行了估算。通过坡面永久位移评价堆积体边坡的动力稳定性有一定合理性。     

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。     

边坡变形模拟预测的普适灰色模型

传统灰色GM(1,1)模型,多适用于等间距监测数据序列的模拟预测;对非等间距序列,一般经过等间距处理或经过繁复的变换计算直接建立非等间距模型.从边坡变形模拟预测的角度来讲,传统灰色GM(1,1)模型只有当边坡变形呈低增长序列时,才能获得较高的模拟和预测精度,而对呈高增长序列的边坡变形往往产生较大的滞后误差.以优化灰色模型背景值为基础构建的普适GM(1,1)模型,不仅适用于边坡变形等间距监测数据的低、高增长序列,而且适用于非等间距的低、高增长序列,且都能获得很高的模拟和预测精度,对边坡变形的模拟预测具有普遍的适用性.     

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。     

基于遗传算法的地下水位动态预测双线性模型

提出了建立双线性模型(BM)的一套简便通用的方法。用加速遗传算法可同时估计BM 模型各参数,成功地解决了BM建模这一难题,为BM模型的广泛应用提供了新工具。实例计算 结果说明:用这套方法预测地下水位动态是可行而有效的;通过利用预测过程中产生的残差信 息进行反馈矫正,保证了BM模型劫高的拟合精度和稳健的预测性能,增强了对复杂非线性动态 系统的适应性。     

基于变系数回归模型的三峡库区滑坡位移预测

降雨-库水联合作用影响着三峡库区滑坡,而降雨、库水分别对滑坡演化的贡献及作用规律迄今尚不明确.以库区树坪滑坡和八字门滑坡为例,通过分析降雨和库水位资料,采用变系数回归模型,对滑坡位移进行预测.实验结果表明:经过改进的变系数回归模型方法不仅比传统的线性回归模型、自回归积分滑动平均模型、支持向量机模型方法具有更高的预测精度,而且能定量地给出各影响因素对滑坡位移的贡献.