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.      

基于APSO-SVR-GRU模型的白水河滑坡周期项位移预测

滑坡周期项位移的预测,是研究地质灾害中滑坡变形至关重要的一步。由于单一模型易受偶然因素影响,且无法充分利用有效信息,导致其预测精度不高,适用性不强。基于此,文中提出了一种结合自适应粒子群算法（APSO）、支持向量机回归算法（SVR）、门控神经网络算法(GRU)的组合模型。该模型通过自适应粒子群优化算法对支持向量机回归算法进行参数寻优,确定最优参数组合,然后利用最小二乘法对APSO-SVR模型与GRU模型赋权建立最优权重比组合模型。以三峡白水河滑坡作为研究对象,选取降雨量、库水位及位移量作为周期项位移的影响因子,对模型进行训练验证,结果表明：在白水河滑坡周期项位移预测中,文中所提出的APSO-SVR-GRU组合模型与单一模型相比,具有更高的预测精度和稳定性。     

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。     

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.     

基于一元线性回归模型八字门滑坡累积位移预测

我国滑坡灾害发生频繁,但滑坡的变形预测预报一直是难题,因此每年都因滑坡的变形破坏导致重大的人员伤亡和财产损失。以三峡库区八字门滑坡为研究对象,基于十多年的监测数据分析,研究分析了该滑坡的变形特征:八字门滑坡变形的主要影响因素为降雨和库水位下降,并且累积位移曲线具有"阶跃型"的变形特征。当外界因素去除或者减小的情况下,累积位移-时间曲线将变得平稳。根据此特性,选取每年变形曲线"阶跃段"（6~8月份）的监测数据,以累积位移为目标函数,基于一元线性回归模型,对八字门滑坡2004年到2017年同期的滑坡监测数据进行分析。结果表明:一元线性回归模型能够很好地模拟八字门滑坡"阶跃段"的变形过程,此变形阶段累积位移与时间呈线性关系,直线斜率基本相同。根据此线性关系,对滑坡的累积位移进行了预测,结果表明与实际监测数据相比较,预测误差在±5 mm以内,相对误差在1%以下,精度可以满足滑坡监测预警要求,可以为八字门滑坡的防治工作提供参考。     

基于位移的滑坡时间概率预测方法

滑坡位移是滑坡稳定性状态的重要表观特征。对数拟合法是一种基于位移观测数据对滑坡时间进行预测的常用方法。在实际应用中,受测量误差、环境噪声和模型假设等因素的影响,滑坡时间很难准确预测。本文将滑坡时间预测中的不确定性分为观测不确定性和模型不确定性两类。基于残差Bootstrap方法,提出了观测不确定性的标定方法;搜集了降雨型滑坡案例,标定了对数拟合法预测降雨型滑坡时间的模型不确定性。在此基础上,提出了可同时考虑以上两种不确定性的滑坡时间概率预测方法。算例表明,概率方法既能提供滑坡最可能发生的时间,也能提供滑坡在不同时间点之前发生的概率水平,其预测结果与实际观测滑坡时间更为符合,可为滑坡灾害的灾害预警提供有用的信息。     

基于时间序列分解和多变量混沌模型的滑坡阶跃式位移预测

三峡库区某些库岸滑坡在强降雨、库水位涨落等诱发因素影响下,其位移时间序列表现出阶跃式变化特征且可能存在混沌特性.但目前常用于滑坡位移预测的混沌模型,均建立在单变量混沌理论的基础之上.且已有的考虑了诱发因素的常规多变量模型,大都采用经验性的方法来选取输入变量;常规多变量模型对滑坡位移序列的非线性特征,及其与诱发因素间的动态响应关系缺乏数学理论上的深入分析.因此,提出一种基于指数平滑法、多变量混沌模型和极限学习机（extreme learing machine,ELM）的滑坡位移组合预测模型.指数平滑多变量混沌ELM模型首先对滑坡累积位移序列的混沌特性进行识别;然后用指数平滑法对累积位移进行预测,得到趋势项位移,并用累积位移减去趋势项位移得到剩余的波动项位移;之后对波动项位移及降雨量、库水位变化量这3个因子进行多变量相空间重构,并用ELM模型对多变量重构后的波动项位移进行预测;最后将预测得到的趋势项和波动项位移值相加,得到最终的累积位移预测值.以三峡库区白水河滑坡ZG93监测点的累积位移作为实例进行分析,并将模型与指数平滑多变量混沌粒子群-支持向量机（PSO-SVM）模型、指数平滑单变量混沌ELM模型作对比.结果表明滑坡位移序列存在混沌特性,模型能有效预测滑坡位移,其预测效果优于对比模型.且本文模型从混沌理论的角度将波动项位移与降雨量、库水位变化量的动态响应关系进行综合分析,更能反映滑坡位移系统演化的物理本质.      

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。     

滑坡位移的多模态支持向量机模型预测

将支持向量机（support vector machine,SVM）方法与信号分析中的经验模态分解（empirical mode decomposition, EMD）方法相匹配,提出了一种通过多模态支持向量机函数回归分析建模预测滑坡位移的理论方法。以边坡位移历史观测数据为基础,应用EMD方法获得滑坡形成过程中位移演化的几个特征时间模态,构成了多模态信息统计学习样本,确定了边坡位移演化的自适应多尺度变化信息。对应于每个经验模态的位移变化信息,引入了多模态SVM建模方法,然后合成不同经验模态下边坡位移的计算结果,得到滑坡位移的预测值。以卧龙寺新滑坡和新滩滑坡的监测数据为基础的理论预测结果表明,与采用遗传算法的神经网络方法的预测结果相比,支持向量机经验模态方法具有更强的预测能力,理论预测结果与实际监测值具有很好的一致性     

基于多算法参数优化与SVR模型的白水河滑坡位移预测

滑坡预测对于减轻地质灾害的危害十分重要,但对科学研究却很有挑战性。基于变形特征和位移监测数据,建立了三峡库区白水河滑坡的时间序列加法模型。在模型中,累计位移分为3个部分:趋势、周期和随机项,解释了由内部因素（地质环境,重力等）、外部因素（降雨,水库水位等）、随机因素（不确定性）共同作用的影响。在对位移数据进行统计分析后,提出了一个3次多项式模型对趋势项进行学习,并利用多算法寻优的支持向量回归机（SVR）模型对周期项进行训练与预测。结果表明,在预测精度上,基于时间序列与遗传算法-支持向量回归机（GA-SVR）耦合的位移预测模型要明显优于网格寻优（GS）以及粒子群算法（PSO）优化的支持向量回归机模型。因此,GA-SVR模型在滑坡位移预测方面可以得到较好的应用。在“阶跃型”滑坡位移预测中,GA-SVR将具有广阔的应用前景。     

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。     

基于ENN广义预测控制算法的滑坡位移多步预测

针对滑坡位移预测时变性和复杂性的特点,将具有动态反馈特性的Elman神经网络(ENN)引入到分析研究中,充分发挥ENN对非线性情况的适应性。同时将之与广义预测控制算法相结合,以ENN作为广义预测控制算法的预测模块,结合滚动优化和反馈校正,提出了基于ENN广义预测控制算法的滑坡位移多步预测模型。将该方法应用于重庆市巫山县龙井乡白泉村大水田滑坡的位移预测,证实多步预测能够对位移变化趋势进行良好的拟合,同时高精度地实现了邻近时步的预测;通过与ENN多步预测进行对比,验证了模型的有效性。     

滑坡位移动态实时跟踪预测

在滑坡动态观测数据时序系统建模理论方法基础上 ,采用限定记忆最小二乘递推法 ,提出滑坡位移动态跟踪预测问题 ,介绍了该方法的基本原理及预测步骤 ,通过实例的综合研究进一步证明了该动态跟踪预测方法的可行性 ,并达到一定的预测精度 ,可以对一定条件下的滑坡变形位移作出超前动态预测     

滑坡位移多重分形特征与滑坡演化预测

在系统分析滑坡位移监测资料和位移演化特征的基础上,根据多重分形理论基本原理,对滑坡位移演化所具有的复杂性、突变性和非线性特征进行了分析和研究。单一分形维数对滑坡位移的演化趋势预测存在不足,文中分别以新滩滑坡、丹巴滑坡和黄蜡石滑坡为例,计算了滑坡位移时序演化的多重分维数演化特征。分析和评价位移演化规律与多重分维数演化特征的关系发现,多重分维数D1 > D2 > … > D∞时,滑坡趋于稳定;D1 < D2 < … < D∞时,滑坡向失稳破坏演化。当滑坡位移时序多重分维数演化特征出现拐点时,即分维数由D1 > D2 > … > D∞,经D1 > … > Dn < Dn+1 < … < D∞到 D1 < D2 < … < D∞的演化过程时,滑坡向不稳定的状态演化;当分维数由D1 < D2 < … < D∞,经D1 > … > Dn D2 > … > D∞的演化过程时,滑坡向趋于稳定的状态演化。研究表明,可以运用多重分维数演化特征对滑坡位移演化趋势与规律进行评价与预测。     

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。     

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R/S分析方法的渐进式滑坡位移预测研究

渐进式滑坡由于其位移-时间曲线不规则而无法准确判断其趋势位移和随机位处变形阶段,导致很难预测其失稳破坏的时间.为此,提出了R/S分析方法,将滑坡总位移分解为趋势位移和随机位移两部分,然后分别采用神经网络模型和多项式拟合对两种位移进行预测,最后将两部分预测位移加起来预测其总位移.以典型渐进式滑坡——八字门滑坡为例,对前述模型进行验证,并将其预测结果与GM(1,1)模型预测结果进行对比.研究结果表明本模型预测的结果误差小于2％,而GM(1,1)模型预测结果误差接近40％,说明该模型更适合预测渐进式滑坡的位移.     

基于ARDL模型的滑坡地下水水位预测

滑坡稳定性与地下水水位变化有密切的关系,准确预测滑坡地下水位的波动过程,能有效地开展滑坡预警并降低成本。利用中林滑坡的监测数据,建立降雨量和地下水水位的自回归分布滞后(ARDL)模型,能突破隐藏裂隙的优先流难以刻画的局限,确定降雨引起地下水水位变化的滞后时间、影响系数和有效时段。通过统计在不同降雨强度下地下水水位变幅的变异系数,分析影响滑坡地下水水位的有效降雨量阈值,并对ARDL模型进行修正。将模型预测值与实测值进行对比,验证模型对滑坡地下水水位预测的有效性。研究表明,修正后的模型能更好地预测强降雨条件下滑坡地下水水位迅速涨落的过程。     

滑坡位移时序预测的核函数构造

获得支持向量机(SVM)背景下滑坡位移时序准确预测的关键,是构造或选择一合适的核函数。通过分析滑坡位移时序曲线特征以及不同类型Mercer核的性质,从基于核函数上的封闭运算角度,构造出支持向量机背景下预测滑坡位移时序的最佳核函数。利用3组不同特征的滑坡位移时序,对构造出的核函数进行性能检验,数值实验表明：对于典型的3组滑坡时序,LPG与MPG核的学习性能要优于简单核,且前者适合复杂位移时序的回归预测,而后者更适合规律性较强的简单时序曲线的建模预测。此外,探讨了这两种核函数下的核参数取值对模型精度的影响。     

基于主控因子分析与GM-IAGA-WNN联合模型的平推式滑坡位移预测研究——以垮梁子滑坡为例

滑坡位移预测模型是滑坡预警系统建立的核心,而模型可靠性与精确性关键在于主控因子的选取与基础理论模型的构建。学者们通过大量滑坡实例研究,已取得了诸多成果,但是由于滑坡位移变化具有强烈的个性特征及趋势发展的不确定性问题,在多因子联合作用下的位移预测模型尚有不足之处。本文以西南地区普遍存在的平推式滑坡——垮梁子滑坡为研究对象,结合前人已有的研究成果,综合考虑坡体内外各项影响因子,利用灰色关联度与相关性分析对坡体变形主控因子进行优化筛选。以此为基础,提出一种基于GM（1,1）灰色模型与改进型自适应遗传算法（IAGA）进行优化的小波神经网络（WNN）联合预测模型构建方案。通过对垮梁子滑坡历时5年的监测数据挖掘分析,得知滑坡变形受累计降雨、渗压、地下水位及土体含水率影响显著,预测结果与实际监测比较吻合。相较于传统BP神经网络模型、小波神经网络模型和未优化遗传算法-小波神经网络联合模型,该联合模型具有更好的稳定性与精度优势,在滑坡预警预报研究中具有良好的应用前景。