联合PS-InSAR技术与多变量LSTM神经网络的高铁路基冻胀形变预测研究

针对传统形变监测及预测难以做到大范围监测和精准预测的问题,本文提出了联合PS-InSAR技术和多变量长短期记忆(M-LSTM)神经网络监测和预测高铁路基冻胀形变的方法。首先,该方法利用PS-InSAR技术获取路基冻胀空间分布特征;然后,使用皮尔逊相关系数法优化出3种冻胀诱发因素,所得数据经预处理后组成训练数据;最后,引入LSTM构建智能化、多变量冻胀预测模型,精确地预测路基冻胀形变趋势。研究结果表明,PS-InSAR技术在大范围形变监测中具有可靠性,M-LSTM模型预测精度比传统神经网络模型更高,平均判定系数(R^(2))、平均绝对误差(MAE)和平均均方根误差(RMSE)分别为0.973、0.024 mm和0.035 mm,说明M-LSTM模型在高铁路基冻胀形变预测中具有较好的应用价值,同时也为路基冻胀形变预测提供了新思路。

基于GM-GWO-SVR模型的斜坡形变预测

选取湖北省秭归县屈家坪斜坡作为研究区,使用56期Sentinel-1数据,采用SBAS-InSAR技术提取斜坡形变信息,分析发现斜坡呈现三处明显负形变,与降雨集中时段相吻合.在此基础上,建立了非等距GM(1,2)、GM-SVR、GM-GWO-SVR预测模型,并对研究区进行形变预测,预测结果经MAE、RMSE、MAPE和SSE四个指标评估,结果表明GM-GWO-SVR模型的预测效果最佳.

基于LSTM模型的时序InSAR地表形变预测

为了解长江沿江区域的地表形变状况及发展趋势,维护长江防洪安全和河势稳定,利用2017年3月至2022年3月期间覆盖长江南京段沿江区域的61景Sentinel-1A影像,基于SBAS-InSAR技术获取了地面沉降监测结果,并基于LSTM长短期记忆神经网络模型对特征点未来变化趋势进行了预测。结果表明:①与水准监测结果相比,长江南京段沿江区域SBAS-InSAR监测结果具有一定的准确性;研究区域地面年均形变速率在-31~19 mm/a,并形成4个沉降漏斗。②LSTM模型对研究区域的形变预测值与SBAS-InSAR监测的期望值具有较高的一致性,两者最大绝对误差为3.28 mm;采用该方法对研究区域特征点的沉降趋势进行预测发现,未来2 a特征点总体表现为缓慢下沉并趋于稳定的趋势。研究成果可为相关部门制定沿江地区保护及规划方案提供技术参考。

基于时序InSAR监测的VMD-SSA-LSTM矿区地表形变预测模型研究

矿区地表形变引起的滑坡、塌陷等灾害对矿山安全生产造成了极大影响,因此对地表形变进行预测对于矿山安全开采和灾害预警预报具有重要的现实意义。采用时序InSAR技术获取矿区面域式地表形变数据,结合变分模态分解算法(VMD)对其进行分解,通过构建麻雀优化算法(SSA)与长短期记忆神经网络(LSTM)相结合的预测模型,对分解后的形变分量进行综合预测;以云南省玉溪市大红山矿区为例,利用该模型对其地表形变进行了预测,结果表明:VMD算法在一定程度上可以解决矿山地表形变数据时序特征复杂且难以直接分析判别的问题;SSA-LSTM预测模型通过智能搜索算法自动寻找预测网络模型超参数,有效减少了人为因素对模型预测效果的干扰,模型预测结果的决定系数R2均大于0.96;同时,该模型采用“多维输入”的方式训练模型,提高了训练效率;该模型在预测精度、训练效率等方面均取得了较好的效果。采用VMD-SSA-LSTM预测算法对时间序列InSAR监测下的形变数据进行分析能有效预测矿区地表形变,可为矿山安全生产管理提供参考。

基于多模态和图卷积的飞机部段形变预测方法

近年来,随着人工智能技术的发展,深度神经网络在智能制造中得到了广泛应用。本文将深度神经网络与飞机部段的形变预测相结合,提出了一种基于图卷积和多模态的飞机部段形变预测方法。在对飞机部段的形变分析中,对飞机部段的结构数据与工况数据两种模态的数据进行特征提取并在特征级和决策级进行融合。飞机结构数据为点云数据,具有非欧几里得数据的特性,在对飞机部段结构数据进行特征提取时,引入了基于图卷积的特征提取网络。基于ModelNet40和飞机部段的结构和工况数据构建了包含4种飞机部段的形变数据集,并在该数据集上进行了实验。实验结果表明,该方法在各个部段中的平均预测均方误差为0.188,并在机头部段取得了最好的预测结果,可以有效的对飞机部段的形变状况进行预测。

灰色马尔科夫Verhulst动态模型在滑坡形变预测中的应用

为解决陈旧信息和波动性数据造成的传统灰色Verhulst模型预测精度较低的问题,提出一种利用滑动窗口和马尔科夫模型对原始灰色Verhulst模型改进的方法。通过长度可变的滑动窗口来实现数据的动态更新,使得灰色Verhulst动态模型的预测值更加接近最新的变化趋势。之后利用马尔科夫模型对得到的灰色Verhulst动态模型预测值进行修正,提高了模型的预测精度。实验结果表明,灰色马尔科夫Verhulst动态模型在滑坡形变预测中的预测平均相对误差相比于传统的灰色Verhulst模型降低了69. 6%,均方根差比降低了0. 39,小误差概率提高了0. 166 7。对于波动性较大的滑坡监测数据,灰色马尔科夫Verhulst动态模型预测精度优于传统灰色Verhulst模型。

径向基神经网络的大桥形变预测

为解决由于材料老化、疲劳效应、荷载作用和环境变化等多种因素造成的大桥基础及上部结构形变影响,必须对大桥形变及其影响因素进行监测.针对大桥形变影响因素复杂多变的特点,采用径向基神经网络形变预测模型,推导了网络参数的改进算法,利用大桥实际监测数据,建立了径向基网络形变预测模型.研究结果表明:该方法在水平方向和垂直方向均能够达到4 mm以内的形变预测精度,能够为大桥的安全运行提供保障.

无偏扩展灰色模型及其在高边坡形变预测中的应用

推导基于原序列和一阶生成序列的扩展GM(1,M)模型无偏解法,并给出灰色模型的最大预测时间尺度计算式。新建立的模型具有数值稳定、建模客观以及无偏性的特点。应用实例表明,对于小湾水电站高边坡工程,无偏扩展GM(1,M)预测精度及可靠性均优于无偏GM(1,1)和扩展GM(1,M)。

基于主成分分析的BP神经网络模型的形变预测方法

主成分分析可以提取形变主要信息，BP神经网络具有很强的预测功能，提出将两者相结合用于形变监测数据处理。通过MATLAB编程实现了该算法，并用实测数据进行验证，证明此方法能够提高预测数据的精度和可靠性。结果表明：与其他方法相比，基于主成分分析的改进BP神经网络能取得更好的预测效果。

基于卡尔曼滤波的PS-InSAR地表形变预测方法

PS-In SAR是用于监测大范围地表形变的微波遥感技术,可提供精确地表形变信息,但该技术无法对形变趋势进行预测。现有形变预测方法只能预测少数监测点的形变,不适用于大面积预测。针对这些问题,提出一种基于卡尔曼滤波的PS-In SAR地表形变预测方法。结合PS-In SAR方法的技术流程,从理论上推导设计卡尔曼滤波器,通过真实的多时相SAR数据对该方法进行验证。实验结果表明,该算法可充分利用PS-In SAR形变监测信息,有效预测大面积观测区域的形变趋势。

基于EMD和RBF神经网络的大坝形变预测

利用长期观测数据结合预测模型对大坝的形变趋势进行估计评价是大坝结构安全监测的必要内容。本文综合利用EMD和RBF神经网络,研究大坝变形时间序列中非线性周期信号变化的内在规律,使用西龙池L022号站4000期数据作为训练样本,对后续80期数据进行预测,并通过对预测结果与实测变形差值的统计分析评价本文方法的预测水平。结果表明,N、E、U 3个方向的RMSE分别为0.878 6、0.360 4和2.235 mm。与BP进行对比,RBF预测效果更好,受数据精度影响较小,MAE、RMSE较BP分别最高可提高63%、57%,且本文方法计算效率高,泛化能力强。

基于改进多种群遗传算法的尾矿坝形变预测

针对遗传神经网络(GA-BP)建立的尾矿坝形变预测模型易出现早熟现象、预测结果不稳定、容易陷入局部最优值的不足,引入一种具有混沌局部搜索的多种群自适应遗传算法。该算法以双种群寻优为基础,改进了遗传参数的计算方式,分别以种群进化中染色体适应度值的集中程度和空间距离的分布作为自适应交叉率、变异率的计算依据应用于不同种群中,提高了种群的多样性和遗传算法全局搜索的能力;同时引入混沌局部搜索技术(CLS),完善了遗传算法局部搜索能力的不足。采用改进的遗传神经网络模型对贵州省白岩尾矿坝三维变形数据进行预测,并与传统的GA-BP和AGA-BP模型预测结果进行比较。结果表明:改进后的模型预测精度更高,结果更加稳定,具有良好的预测效果。

基于多元回归的高铁墩台沉降形变预测分析

高铁桥梁中的墩台形变在量级上呈现出较小的特征,且墩台在形变监测过程中时常会受到外界条件或随机噪声的干扰,使得采集的数据和后处理预测数据显现出较大的波动,给数据分析和后续的变形预测带来较大影响。本文将多元回归法引入到高速铁路桥梁的墩台变形分析数据预处理中,在顾及温度和荷载对墩台作用基础上,利用Matlab建立了多元回归预测模型。实验结果表明,相比传统的GM(1,1)预测模型,多元回归法具有一定的优势,预测结果与实际形变值更加接近。

基于PCA-CLEAN的输电杆塔形变预测方法

多径信号是北斗卫星导航系统定位的主要误差源,会造成电杆塔形变预测精度下降,针对此,提出一种基于主成分分析(principal component analysis,PCA)和CLEAN算法的输电杆塔形变预测方法。首先利用PCA对接收信号进行分析,自动确定接收信号中包含多径信号的个数,在此基础上利用CLEAN算法对多径信号进行抑制。同时针对BP神经网络模型预测精度受初值影响大,易陷入局部最优解的问题,提出一种模拟遗传退火(genetic simulated annealing,GSA)算法对BP网络进行优化,确保其收敛于全局最优解的同时提升预测精度。最后基于仿真数据开展试验,结果表明所提方法能够有效抑制多径信号,同时可以获得较高的预测精度。

基于回归分析及卡尔曼滤波的闽赣断裂带垂直形变预测

断裂带的活动性与地震活动有着密切的关系,断裂带垂直形变监测对捕捉地震前兆异常情况、预测地震危险性均有着非常重要的作用。基于闽赣断裂带5年跨断层水准观测数据,首先,通过拟合残差、F检验置信度水平综合判断各监测场地的多项式拟合阶数,构建了拟合效果较优的多项式回归模型;其次,引入卡尔曼滤波理论,分析并确定滤波先验信息,建立了垂直形变的卡尔曼滤波模型;最后,基于建立的两种模型对闽赣断裂带垂直形变进行预测分析。结果表明:当测段高差前后两期出现较大波动时,多项式回归模型预测精度略高于卡尔曼滤波模型;反之,监测场地测段高差变化较为平缓时,采用卡尔曼滤波模型预测精度优于1mm,在实际应用中,可以综合应用两种模型进行垂直形变预测,以提高预测效果。

形变预测中两种模型的对比研究

小高层建筑物在各种因素的影响下,会产生水平位移、沉降位移、倾斜、裂缝等变形。本研究以广西某地小高层沉降监测工程为例,先将沉降观测的原始数据进行图表化分析,再运用回归模型和灰色系统模型对样本进行预测,将预测的结果作成预测图形,最后将两种预测模型得出的预测结果与实测结果相减得出残差数据,并将得出的数据绘制成表格进行比较,将得出的残差数据作为预测精度,最终得出精度较高的模型为高阶非线性回归分析模型。

基于InSAR监测和PSO-SVR模型的高填方区沉降预测

基于小基线集干涉测量技术(small baseline subsets interferometric synthetic aperture radar,SBAS-InSAR)和机器学习知识对高填方区域进行地表沉降监测及预测,对工程项目的施工、检修、运营等工作都具有重要的指导意义。文章以重庆东港集装箱码头为研究对象,选取2018—2019年覆盖研究区的31景Sentinel-1A数据,利用SBAS-InSAR技术获取该区域的地表沉降数据,并进行内外精度评定;通过信息量模型分析地表沉降易发地地势特点,选择预测点位;通过灰色关联分析计算动态影响因素与沉降量之间的灰色关联度,使用主成分分析法从影响因素中提取出主成分,构建训练集和测试集,通过粒子群算法-支持向量机法(particle swarm optimization-support vector regression,PSO-SVR)预测模型对测试集数据进行预测。为验证该模型在高填方区域沉降预测的可靠性和优异性,将自回归差分整合移动平均模型(autoregressive integrated moving average model,ARIMA)作为对比模型,分别将PSO-SVR模型的预测结果和ARIMA模型的预测结果与测试集进行对比。结果表明:PSO-SVR模型的预测精度优于ARIMA模型,在高填方区域地表沉降预测中具有较好的实用性。

基于多时相InSAR技术的大渡河瀑布沟水电站形变监测与预测

形变监测与预测是对水电站异常情况进行预警和及时采取补救措施的关键。提出了一种长短期记忆(LSTM,long short-term memory)神经网络方法来预测大渡河流域瀑布沟水电站干涉合成孔径雷达(InSAR,interferometric synthetic aperture radar)的时间序列形变。该方法首先利用多时相干涉合成孔径雷达(MT-InSAR,multi-temporal interferometric synthetic aperture radar)技术对2018—2020年瀑布沟水电站的哨兵一号(Sentinel-1)图像进行时间序列形变监测,然后基于时间序列InSAR形变数据采用LSTM神经网络建立了形变预测模型,最终获取瀑布沟水电站的形变速率结果和时序形变的预测结果。结果表明,瀑布沟水电站最大沉降速率达到-34 mm/a,LSTM预测模型训练和测试过程中点尺度的均方根误差(root mean squared error,RMSE)和绝对误差平均值(mean absolute error,MAE)最小值分别为2.343 mm和2.010 mm,2.094 mm和1.654 mm。LSTM形变预测模型的预测结果显示2020年5—9月的累计沉降值将达到71.29 mm。结果表明LSTM神经网络是一种有效InSAR时序形变预测方法。同时该模型的预测结果也可用于瀑布沟水电站的形变预警和辅助决策。

基于灰色GM(1,1)的优化模型预测大坝形变

以往的灰色GM(1,1)优化模型往往忽略了灰度模型随时间变化的灰色量和灰色过程这一重点,其中的灰色作用量是时间的线性函数,传统的模型把其看为不变常数,而对时间的精度影响没做深层次的考虑,建模时较少的考虑时间相关度和灰作用量的影响,势必会影响预测精度,造成模型效果欠佳,故本文尝试对这两个因素分别建立优化GM(1,1)模型,即引入基于时间的加权R-GM(1,1)模型和用灰作用量b1+b2k替代b的K-GM(1,1)模型,并对实例数据进行分析,取得了较好的拟合与预测能力。

长短时记忆网络TS-InSAR地表形变预测

预测地面沉降对于城市基础设施损害的早期预警和及时采取补救措施具有重要意义。本文提出基于时序InSAR数据采用长短时记忆网络(LSTM)模型来预测地面沉降。以香港国际机场为研究区域,基于Sentinel-1A升轨影像利用时序雷达干涉技术(TS-InSAR)获取2015年—2020年机场时序地面沉降监测InSAR结果;利用机场时序InSAR形变结果建立堆叠式LSTM预测模型,并将预测结果与InSAR真实结果进行对比分析。结果表明,2015年—2020年香港国际机场地表垂直方向的平均形变速率为-19—5 mm/a。预测值与真实值的拟合均方根误差和平均绝对误差均较低,分别为0.75 mm和0.61 mm,同时其相关系数为0.99,表明LSTM预测模型在点级尺度上具有良好的性能,能够基于时序InSAR数据较准确预测地面沉降。但预测过程中发现,LSTM模型不适合长期预测,长期预测会出现失效性。本文提出的堆叠式LSTM预测模型可以作为一种有效方法来预测地表形变,尽管LSTM模型只是适用于短期预测,但其预测结果可用于辅助决策、早期预警和减轻危害。