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。     

基于最小二乘配置法的优化GM（1,1）预测模型及其应用

针对灰色GM(1,1)预测模型预测结果精度低、模型缺乏稳定性的问题,基于最小二乘配置理论的GM（1,1)预测优化模型,首先通过使得生成序列新预测值的误差在最小二乘意义下最小,选取GM(1,1)模型的最优初值,利用指数函数法构造新的背景值;然后将优化的GM(1,1)模型和最小二乘配置理论有机结合,进一步对优化的GM(1,1)模型进行改进,构建优化的灰色最小二乘配置预测模型;最后通过对建筑物的沉降数据进行定量分析与预报,与其他模型进行对比分析。     

EEMD-PSOGSVM耦合模型在深基坑位移预测中的应用

针对单一预测模型的不足,提出EEMD分解与粒子群灰色支持向量机（particle swarm optimization grey support vector machine,PSOGSVM）相结合的基坑位移预测模型。以基坑时间序列的混沌性为基础,利用EEMD分解时间序列,采用相空间重构技术构造样本,应用PSOGSVM模型进行基坑预测,并与GM(1,1)、SVM、遗传小波神经网络进行对比。结果表明,该算法预测精度好,具有良好的稳定性,可有效地应用于基坑位移预测。     

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。     

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。      

GM(1,1)模型的改进及其在变形预测中的应用

为了提高GM(1,1)模型预测精度,采用积分优化、二次拟合优化以及残差改化方法,分步对GM(1,1)模型进行改进,建立灰色多重修正模型.具体改进步骤为:首先,利用积分优化方法对背景值进行纠正,减小模型误差并提高预测精度;接着,对模型参数(发展系数和灰作用量)进行二次拟合优化,使参数更加接近理论真值;然后,根据预测结果进行适当的残差改化,提高模型整体的预测精度;最后,建立根据GM(1,1)模型改进的灰色多重修正模型.以重庆南川地区甄子岩崩塌为例,建立灰色多重修正模型对危岩裂缝累计位移值进行模拟和预测,并与GM(1,1)模型进行对比.精度检验结果表明:灰色多重修正模型后验差比值(0.082 39)明显好于GM(1,1)模型(0.192 67),平均相对残差比(0.073 9)更远好于GM(1,1)模型(0.259 6),表明灰色多重修正模型在预测精度上有较大提高,可靠性更好.     

非等距GM(1,1)模型在沉降预测中的应用探讨

针对非等距沉降数据序列的建模问题,探讨了3种非等距GM(1,1)模型在沉降预测中的应用。结果显示,加权非等距GM(1,1)模型不适用于具有近似指数趋势的沉降数据,灰线性加权非等距GM(1,1)模型并非真正的非等距模型,模型预测式与时间无关,不能用于沉降预测,而对于笔者所建立的非等距GM(1,1)模型,其拟合函数等同于灰色线性回归组合模型,可用于近似指数趋势的沉降数据。通过实例分析对比了3种非等距GM(1,1)模型的应用效果,验证了上述观点的正确性。     

基于 CEEMDAN 理论和PSOＧELM 模型的滑坡λ移预测

对三峡库区中具有“阶跃型”λ移曲线的滑坡进行λ移预测的难度较高,为此,提出了基于自适应噪声完 整集合经验模态分解法的粒子群优化－极限学习机模型,并将该模型用于万州区塘角１号滑坡的λ移预测.首 先利用 CEEMDAN 法提取滑坡趋势项λ移和波动项λ移的不同IMF 组分,并使用 Elman神经网络对趋势项λ 移进行预测;其次结合历史监测资料,通过滑坡λ移对降雨、库水λ等诱发因素的响应分析,确定了７种不同的波 动项λ移影响因素,并使用 CEEMDAN 法分解得到上述因素的各IMF 分量;然后通过模糊熵分析,将波动项λ 移和诱发因素的IMF 分量一一对应,构建 PSOＧELM 模型进行波动项λ移的预测;最后将趋势项λ移预测值和 波动项λ移预测值叠加得到累积λ移的预测值.结果表明:和 ELM 模型、PSOＧELM 模型相比,基于 CEEMDＧ NAN 的 PSOＧELM 模型的预测精度更高,其均方根误差(RMSE)和拟合优度(R２)可达到０．５４mm 和０．９９,为滑 坡λ移预测提供了一种新手段.      

地铁隧道地表变形小波去噪及灰色-时序组合预测模型研究

以青岛地铁3号线地表变形横向观测线实测数据为例,开展小波去噪及时序组合预测模型的研究。首先,采用小波理论对观测值进行粗差剔除与去噪处理,根据均方误差最低、信噪比最高的原则,证实dmey小波1层分解、rigrsure软阈值小波去噪方法是最优的。其次,给出地铁隧道地表变形灰色-时序组合预测模型表达式,选用等维新息GM(1,1)模型和残差时间序列模型进行地表变形叠合预测。最后,通过小波去噪后时间序列预测模型、小波去噪前灰色-时序组合预测模型、小波去噪后灰色-时序组合预测模型进行计算分析,结果表明小波去噪后灰色-时序组合模型预测精度最高,并分析了各模型预测精度差别的成因。