基于最优加权组合模型及高斯－牛顿法的滑坡变形预测研究

在对最优加权组合理论和高斯－牛顿法优化非线性模型参数的方法研究的基础上,依托于洒勒山滑坡的实际变形监测资料,建立了该滑坡变形预测的3个非线性预测模型:指数模型、Verhulst模型和灰色GM（1,1）模型;利用最优加权组合理论建立了洒勒山滑坡的最优加权组合预测模型,并运用高斯－牛顿法对各单一模型和组合模型的参数进行了优化。通过对比分析得出:组合模型的预测精度高于任何单一模型的预测精度;参数优化后各单一模型的预测精度都有不同程度的提高;参数优化后的组合模型预测精度是最高的。因此,综合运用最优组合理论和高斯－牛顿法处理滑坡预测预报模型,是提高滑坡预测预报精度的行之有效的方法。     

Prediction on landslide displacement using a new combination model: a case study of Qinglong landslide in China

Prediction on landslide displacement plays an important role in landslide early warning. Many models have been proposed for this purpose. However, the accuracy of the prediction results by these models often varies under different conditions. Rational evaluation and comprehensive consideration of these results still remain a scientific challenge. A new comprehensive combination model is proposed to predict the landslides displacement. The elementary displacement prediction is made by the support vector machine model, the exponential smoothing model, and the gray model (GM)(1,1). The results of the models are comprehensively evaluated by combining the results and introducing the accuracy matrix. The optimal weight in the evaluation work is obtained. A rational prediction result can be attained based on the so-called combination model. The proposed method has been tested by the application of Qinglong landslides in Guizhou Province, China. The comparison between the prediction results and in situ measurement shows that the prediction precision of the proposed model is satisfactory. The root-mean-square error (RMSE) of the combination model can be reduced to 1.4316 (monitoring site JCK2), 1.2623 (monitoring site JCK4), 2.3758 (monitoring site JCK6), 2.2704 (monitoring site JCK8), 1.4247 (monitoring site JCK11), and 0.9449 (monitoring site JCK12), which is much lower than the RMSE of the individual models.

     

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。     

改进欧拉算法的GM(1,1)模型预测滑坡变形

在传统的GM(1,1)模型建模的基础上,采用改进欧拉算法简化GM(1,1)模型中参数的求解过程,进行滑坡变形动态预测。本文根据某高速公路滑坡治理过程中的变形监测数据,应用改进的模型进行滑坡变形动态预测,通过预测结果和实际监测数据进行对比分析,结果表明:改进欧拉算法的GM(1,1)模型参数计算简单,且预测精度为一级;不仅适用于滑坡变形等时距监测数据的低增长序列预测,也适用于高增长序列预测,证明该改进欧拉算法的有效性。     

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...     

中心逼近式灰色GM(1,1)模型在滑坡变形预测中的应用

黄龙西村滑坡位于甘肃天水,属黄土高势能滑坡,滑体体积3.9105m3,基底为花岗闪长岩。为了提高滑坡灰色GM(1,1)模型的预测精度,采用一种改变背景值的方法--中心逼近式灰色GM(1,1)模型。通过黄龙西村滑坡实例验证分析,结果表明中心逼近式灰色GM(1,1)模型的预测值与该滑坡实际监测值十分接近,且其残差平方和及平均误差百分比明显比传统灰色GM(1,1)模型的残差平方和及平均误差百分比小,具有较高的预测精度。同时,可通过调整模型中参数m的取值,使中心逼近式灰色GM(1,1)模型具有更高的预测精度。经计算,当m=6时,中心逼近式灰色GM(1,1)模型的预测精度比传统灰色GM(1,1)模型提高了5.34%。     

Prediction of landslide displacement with step-like behavior based on multialgorithm optimization and a support vector regression model

Landslide prediction is important for mitigating geohazards but is very challenging. In landslide evolution, displacement depends on the local geological conditions and variations in the controlling factors. Such factors have led to the “step-like” deformation of landslides in the Three Gorges Reservoir area of China. Based on displacement monitoring data and the deformation characteristics of the Baishuihe Landslide, an additive time series model was established for landslide displacement prediction. In the model, cumulative displacement was divided into three parts: trend, periodic, and random terms. These terms reflect internal factors (geological environmental, gravity, etc.), external factors (rainfall, reservoir water level, etc.), and random factors (uncertainties). After statistically analyzing the displacement data, a cubic polynomial model was proposed to predict the trend term of displacement. Then, multiple algorithms were used to determine the optimal support vector regression (SVR) model and train and predict the periodic term. The results showed that the landslide displacement values predicted based on data time series and the genetic algorithm (GA-SVR) model are better than those based on grid search (GS-SVR) and particle swarm optimization (PSO-SVR) models. Finally, the random term was accurately predicted by GA-SVR. Therefore, the coupled model based on temporal data series and GA-SVR can be used to predict landslide displacement. Additionally, the GA-SVR model has broad application potential in the prediction of landslide displacement with “step-like” behavior.     

Using an extreme learning machine to predict the displacement of step-like landslides in relation to controlling factors

In the evolution of landslides, besides the geological conditions, displacement depends on the variation of the controlling factors. Due to the periodic fluctuation of the reservoir water level and the precipitation, the shape of cumulative displacement-time curves of the colluvial landslides in the Three Gorges Reservoir follows a step function. The Baijiabao landslide in the Three Gorges region was selected as a case study. By analysing the response relationship between the landslide deformation, the rainfall, the reservoir water level and the groundwater level, an extreme learning machine was proposed in order to establish the landslide displacement prediction model in relation to controlling factors. The result demonstrated that the curves of the predicted and measured values were very similar, with a correlation coefficient of 0.984. They showed a distinctive step-like deformation characteristic, which underlined the role of the influencing factors in the displacement of the landslide. In relation to controlling factors, the proposed extreme learning machine (ELM) model showed a great ability to predict the Baijiabao landslide and is thus an effective displacement prediction method for colluvial landslides with step-like deformation in the Three Gorges Reservoir region.     

加权函数组合预测边坡变形模型的研究

边坡变形监测是边坡监测的主要内容之一,其变形预测问题是边坡工程中主要技术难题之一。考虑边坡位移变形预测模型的局限性,如神经网络预测方法需要大量的实测数据作为学习样本,灰色系统模型要求原始数据序列必须满足指数规律,且数据序列变化速度不能太快等。建立了边坡变形反向传播神经网络预测模型,同时给出了灰色GM(1,1)边坡预测模型。提出边坡的神经网络与灰色系统加权函数组合预测模型,采用动态规划解法,将原模型转化为多阶段决策问题,使组合预测误差的平方和最小,得到组合权重,这样得到的变形预测结果的精度将大大提高,弥补了单一方法的局限性,满足工程预测的需要。通过边坡实例加以验证,加权函数组合预测模型的预测结果精度有一定提高,能够与实际监测数据相吻合,达到准确预测的目的。     

石榴树包滑坡变形监测及演化趋势分析

石榴树包滑坡是长江三峡河段中大型滑坡之一黄腊石滑坡群的一个重要组成部分,它位于巴东县城东1.5km的长江北岸,下距三峡坝址66km。该滑坡体现代变形活动自20世纪70年代以来渐趋明显,特别是三峡水库蓄水以来,滑坡的变形十分显著。本文在调查分析石榴树包滑坡形态特征、结构特征及变形破坏特征的基础上,基于滑坡10多年的变形监测资料,研究了石榴树包滑坡的影响因素和变形演化特征和规律,并利用灰色GM(1,1)模型预测了滑坡的变形发展趋势,为滑坡减灾防灾实践和滑坡治理方案的设计提供了依据。     

岩溶山区崩滑灾害变形破坏地质模式分类

岩溶山区特殊的地质结构导致崩塌、滑坡等地质灾害时常发生,带来了严重的人员伤亡和经济社会损失。研究岩溶山区崩滑灾害特征,建立相应的变形破坏地质模式,对于岩溶山区崩滑灾害风险防控与治理工程具有重要理论意义与指导价值。文章以典型地质灾害形成演化过程为例,在系统地分析研究区典型崩滑灾害地质背景、影响因素、动力学与运动学特征的基础上,提出了岩溶山区崩滑灾害变形破坏地质模式,得出以下主要结论:（1）影响崩滑成灾基本因素（崩滑灾害体势能、岩溶结构面、岩组结构、斜坡地貌和斜坡结构）、影响因素（水文地质条件、工程活动、地震、降雨）和变形运动特征（运动形式和变形机制）三个方面,据此建立了岩溶山区崩滑灾害地质分类指标体系。（2）结合研究区特征对模型体系里面的每个要素进行系统分析,崩滑灾害的发生是各个要素相互组合、相互作用的结果。（3）总结了研究区内5种典型崩滑地质模式:高势能反倾降雨型高速远程滑坡—碎屑流模型、高势能斜倾视向采矿型高速远程崩滑灾害模型、超高势能横向陡倾地震型高速远程滑坡、高势能采矿型高速崩塌—碎屑流模型、低势能差异风化崩塌模型。为后续开展物理模拟、数值模拟、稳定性计算和变形破坏预测等工作奠定基础。下一步将更加深入全面地建立研究区的崩滑灾害模式,并进行崩滑灾害的危险性分级工作。      

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。     

考虑环境变量作用的滑坡变形动态灰色-进化神经网络预测研究

滑坡变形预测对于指导灾害的预防工作、保护人民的生命和财产安全具有重大实用价值。从系统论观点出发,结合岩土体流变理论和时序分析原理,在深入研究影响滑坡变形的主控环境变量基础上,将位移时序分解为趋势项和偏离项。采用灰色系统模型提取位移时序趋势项,结合遗传算法和人工神经网络建立起进化神经网络模型,逼近主控环境变量与位移偏离项之间的非线性关系。根据蠕变阶段和变形对环境变量响应情况,实时调整模型,建立起滑坡变形预测的动态灰色-进化神经网络（GM-ENN）模型。将此预测思路和方法应用于三峡库区某滑坡变形预测研究中,证实了模型的有效性和实用性,显示了动态预测的重要性。     

回采工作面周期来压步距的灰色预测

利用灰色系统理论, 将回采工作面周期来压视为灾变, 仿线性GM(1, 1)预测模型建模机理, 本文建立了包括线性模型在内的统一非线性GM(1, 1)预报模型。利用非线性模型特例Verhulst模型和线性模型分别对两个不同矿山条件老顶周期来压步距进行预测, 结果表明, 不同的地质条件将适合不同的预测模型, 不能简单一概用线性模型进行预测。对于地质条件发生灾变的情形可建立激励预测模型对周期来压步距进行预测。     

Unload–load displacement response ratio parameter and its application in prediction of debris landslide induced by rainfall

As the traditional displacement value of a landslide is very easy to be affected by rainfall, it is very difficult to establish a stable and uniform destabilized criterion of landslide in terms of the displacement value. So, it determines that establishment of an effective and stable dynamic displacement prediction parameter is very important in forecast of the debris landslides caused by rainfall. In order to determine this kind of prediction parameter, this paper first completes analysis on the relationship between the destabilized mechanism of the debris landslide and the rainfall dynamic rules. The relationship above shows that the periodical change value of rainfall can be taken as the dynamic unload–load parameter (ULP) of landslide, and the homologous change value of mensal landslide displacement can be taken as the stability displacement response parameter (DRP). Then, on the basis of the relationship between the ULP and the stability DRP of this kind of landslide, the unload–load displacement response ratio (ULDRR) appraisal parameter of this kind of landslides is established in this paper. Finally, the stability of typical debris landslides in China has been systematically studied by means of ULDRR appraisal parameter and model. We find that the ULDRR values conform to the evolutional rule of slope deformation and instability. So, it has been proved that the ULDRR parameter and the appraisal model are suitable and effective for prediction and evaluation of stability and evolution rule of rainfall-induced landslides.     

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。     

考虑时滞效应的库区滑坡位移预测——以新铺滑坡为例

库区滑坡失稳每年不同程度影响区内人民生活和生产安全,滑坡位移精准预测对于灾害风险预警及防灾减灾十分重要。常规的位移预测方法未充分考虑降雨、库水位波动等诱发因素对滑坡变形的时滞效应,无法精确识别滞后天数及各因素的影响程度,制约了预测精度的提高。本文以三峡库区新铺滑坡为例,根据2021年度的位移监测与水文气象数据集,利用皮尔逊相关系数法定量描述了山坡尺度上降雨、库水位波动对滑坡变形的时滞效应,结合BP神经网络建立了一种考虑时滞效应的滑坡位移预测模型。分析结果表明：在山坡尺度上,库水位波动对地表变形的时滞效应明显,滞后时间呈现出从近岸向远岸逐渐增加的规律;降雨量对地表变形的时滞效应较弱,在山坡尺度上呈现相关度不高、滞后天数较短的规律;与未考虑时滞因素的模型相比,本研究中的滑坡位移预测模型拟合优度提升了55.77%,均方根误差降低了31.60%,模型预测精度显著提高。研究成果一定程度上揭示了特大型库区滑坡的变形机理,并为同类滑坡的位移精准预测提供了参考依据。     

滑坡时间预报的费尔哈斯反函数模型法

费尔哈斯模型是德国生物学家费尔哈斯１９３７年提出的一种生物增长模型。本文利用这一模型的反函数来拟合和描述边坡变形特征，建立了滑坡时间的预报判据和预报模型。     

灰色新陈代谢GM(1,1)模型在高速公路滑坡中的变形预测研究

传统GM(1,1)模型用于预测时,该模型在初始的少量数据中,才能充分利用有限的数据反映系统的发展变化,越往后监测,该模型的预测精度就越弱。而在实际应用中,必须不断考虑那些随时间相继进入系统的扰动或驱动因素,随时将每一个新得到的数据置入系统中,建立新信息GM(1,1)模型进行动态预测。因此,针对传统GM(1,1)模型存在的不足,文章建立了灰色新陈代谢GM(1,1)滑坡预测模型,并利用该模型对巴达高速公路滑坡位移变形进行了预测。结果表明,灰色新陈代谢GM(1,1)模型精度较高,预测误差较小,有很好的工程应用价值。     

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。