基于时序分析及CNN-BiLSTM-AM的阶跃型滑坡位移预测

传统基于递归神经网络的模型对阶跃型滑坡位移预测能力不足,为解决这一问题,提出一种基于时序分析及卷积神经网络-双向长短期记忆-注意力机制(CNN-BiLSTM-AM)的滑坡位移动态预测模型。首先使用变分模态分解方法(VMD)将序列分解为趋势项、周期项和随机项。采用二次指数平滑法拟合趋势项位移,然后引入最大互信息系数法(MIC)计算各类影响因子与周期项位移相关性,对于周期项和随机项位移采用CNN-BiLSTM-AM混合模型进行多因素和单因素预测,最终累加各分量预测值得到累积位移预测结果。实验结果表明,所提方法在最终累计位移预测结果中拟合系数R~2达0.984和0.987,平均绝对误差(MAE)分别为5.334和3.947,均方根误差(RMSE)分别为6.196和4.941,相比卷积神经网络-长短期记忆(CNN-LSTM)、麻雀搜索算法-核极限学习机(SSA-KELM)和NARX方法,所提方法能够更好的捕捉监测数据的时间相关性,预测精度显著提高,可为阶跃型滑坡预警及防治工作提供参考。

基于XGBoost模型的降雨诱发阶跃型滑坡位移预测

滑坡位移预测一直是滑坡研究的热点之一。近年来,随着计算机科学的发展,越来越多的人工智能技术模型被用于滑坡位移的预测。相较于常用的如LSTM神经网络等机器学习模型,集成算法中的XGBoost模型在滑坡位移预测领域尚不多见。由于其在滑坡位移预测中具有预测精度更高、运行速度更快等优点,目前在学术界已成为研究的热点领域。文中以泉州市安溪县尧山村滑坡地灾点监测数据为例,运用Python搭建XGBoost模型,并通过最大信息系数的比较来选定与位移高度相关的特征,输入至模型中对滑坡位移进行预测。结果表明,XGBoost模型因其在目标函数中引入正则项来控制模型过拟合、模型数据集划分采用前向验证方式等优点,相较于大多数机器学习模型,能更加准确地预测降雨诱发阶跃型滑坡位移。该模型对此类滑坡的位移预测及早期监测预警具有重要参考意义。

阶跃型滑坡综合变形预测及监测预警方法研究

大型库岸滑坡的长期变形在汛期降雨作用下呈现明显的周期性“阶跃式”陡增特征。针对阶跃型滑坡的变形特征,本文提出了一种多源数据“融合-预测-预警”的三步式滑坡监测预警方法:(1)“融合”,即基于经验模态分解法将多点位移监测数据分别分解为趋势项和周期项,采用加权值法分别融合不同监测点的趋势项和周期项位移得到融合趋势项和融合周期项序列,并将两者叠加得到滑坡体的现状综合变形时间序列;(2)“预测”,即引入“一个预测周期”概念,采用滑动多项式拟合法和随机森林算法分别对融合趋势项和融合周期项进行预测并叠加得到滑坡体的预测综合变形时间序列;(3)“预警”,即基于斜率变点分析方法搜索综合变形曲线的“稳定点”和“跃迁点”,确定稳定变形和加速变形区间的斜率,建立阶跃型滑坡的四级递进式分级预警模型,基于该预警模型对滑坡现状进行预警。以向家坝水库某滑坡体自动化位移监测数据为研究对象,采用本文所提方法对该滑坡进行了综合变形预测和监测预警,结果表明:综合变形时间序列可以整体反映滑坡的变形演化规律,且预测结果可靠,根据分级预警模型判断此滑坡体当前处于稳定变形阶段(Ⅰ级预警)。

基于多因素-多尺度分析的阶跃型滑坡位移预测

为了定量分析阶跃型滑坡位移与诱发因素之间的时滞效应,提高位移预测精度,本文提出新的预测模型并进行对比分析。首先基于时间序列分析将滑坡累计位移分离为趋势项和周期项;然后采用最大信息系数(Cmi)、多元经验模态分解(MEMD)方法进行多因素分析和多尺度分析,构建出多因素-多尺度MEMD预测模型;最后以三峡库区八字门滑坡为例,通过Cmi选取最优滞后期的诱发因素作为模型输入,在用MEMD方法分解多元序列的基础上建立时间多尺度模型,并与单因素-单尺度模型、多因素-单尺度模型及单因素-多尺度EMD(经验模态分解)模型进行对比。结果表明:八字门滑坡降雨和库水位的最优滞后期分别为2 d和4 d;滑坡多元序列经MEMD方法分解后得到3组模态函数,每组均有7个分量,各对应分量的时间尺度一致,其中周期项位移受诱发因素的响应具有时间多尺度特性;多因素-多尺度MEMD预测模型的均方根误差相较于以上3种对比模型分别平均降低49.4%、36.9%和27.4%,平均绝对百分比误差分别平均降低38.0%、26.4%和15.8%。

基于LSO-RF模型的阶跃型滑坡位移速率预测方法

针对阶跃型滑坡在预测其位移速率时存在精度不高的问题,以泉州市安溪县尧山村阶跃型滑坡为例开展相应研究.首先,基于斯皮尔曼相关系数和灰色关联度综合分析,选取预测模型的输入特征;其次搭建结合扩展窗口法的狮群优化(LSO)-随机森林(RF)模型,提出一种适用于阶跃型滑坡位移速率预测的新方法.结果表明:综合斯皮尔曼相关系数和灰色关联度结果的特征选择方法,能弥补各自的局限性,选出最适合预测模型的输入特征组合;经过对比分析,LSO-RF模型预测阶跃型滑坡位移速率精度较高,能解决常见模型在预测阶跃型滑坡位移速率上的不足,可为阶跃型滑坡位移速率的预测提供参考.

三峡库区白家包阶跃型滑坡动态变形特征与机理

三峡库区内许多滑坡受库水位周期性涨落及降雨的影响,其变形时间曲线呈阶梯状,滑坡变形呈现出阶跃型动态变形演化特征。为了深入研究阶跃型滑坡的动态变形机理,评价预测该类型滑坡的稳定性及发展趋势,本文以白家包滑坡为例,根据现场地质调查及勘查资料,充分利用挖掘十多年的监测数据,分析其动态变形特征、变形机理、影响因素和稳定性,预测其动态变形发展趋势。结果表明此类滑坡由于渗透性能较差,当水库退水时,坡体内地下水向水库排水缓慢,形成地下水与库水位的正落差,指向坡体外侧的渗透压力增大,使得坡体稳定性降低。并且库水位下降速率越大,滑坡位移速率就越大。

基于集成学习的阶跃型滑坡阶跃点判别分析

针对阶跃型滑坡阶跃点识别和预测难的问题,提出了一种基于聚类分析和集成学习的阶跃型滑坡阶跃点识别和判别模型。以三峡库区八字门滑坡ZG110钻孔2010年4月至2016年12月80个滑坡位移、库水位和降雨数据为例,通过聚类分析方法识别滑坡累积位移-时间曲线中的阶跃点和平稳点,并利用K均值聚类分析检验分类结果的准确性。基于灰色关联确定了滑坡位移的最佳诱发因素,结合随机森林模型建立阶跃型滑坡阶跃点判别模型并利用八字门滑坡ZG111钻孔验证该模型的准确性。模型阶跃点和平稳点的识别准确率均达90%以上,表明该方法在阶跃型滑坡识别中具有较好的适用性,可为阶跃型滑坡的预测提供参考。

基于多变量自优化动态神经网络的“阶跃型”滑坡变形预测

传统累计变形预测方法在曲线结构分解和表征模型选择上具有多样性,由此引起了工作量大、预测精度低以及预测方法适用对象较局限等问题,为此考虑降雨量、库水位、库水位变化对滑坡累计变形的影响,基于非线性自回归模型建立了多变量自优化动态神经网络,并将其应用在三峡库区典型的“阶跃型”滑坡——白家包滑坡累计位移预测中。通过对滑坡变形累计曲线时间序列的分析,采用神经网络方法对全曲线模型进行求解,形成了非线性自回归神经网络模型,利用多种群遗传算法对神经网络的参数和结构进行优化训练,并将适应度函数均方误差作为预测模型误差偏离标准。结果表明:所提出的自优化动态神经网络对滑坡多个测点的累计位移拟合精度高,误差可控制在1%左右,预测过程减少了主观因素引起的误差,考虑了滑坡发展过程的动态性,可为“阶跃型”滑坡累计位移的实时预测提供参考。

基于变形速率分解的阶跃型滑坡预测——以呷爬滑坡为例

阶跃型滑坡位移预测是滑坡变形现状研究与危害评估的重要工作,而阶跃预测的研究多为平稳波动信号,基于滑坡阶跃运动特征的变形速率分解方法提供了非线性变形阶段阶跃滑坡信号分解的新思路。以呷爬滑坡为例,通过差分与离散小波变换(DWT)平滑方法得到变形速率数据,并基于滑坡阶跃运动特征将变形速率数据分解为由外部诱发因素决定的小尺度波动项与内在控制因素决定的大尺度趋势项,其中变形速率趋势项信号通过添加震荡函数的反Logistic函数模型(ILF)预测,并结合曲率极值法判识滑坡变形状态;变形速率波动项信号则运用长短时记忆神经网络(long short-term memory,LSTM)构建非线性映射模型,以降雨、库水位作为诱发输入,趋势项预测结果作为控制输入进行预测。预测结果表明,基于变形速率分解模型针对呷爬滑坡非线性过程数据的预测精度相比传统的位移拟合分解模型更高,外部因素映射能力更强,因此基于变形速率分解是基于阶跃运动机制预测的有效思路,解决了非线性变形阶段的阶跃滑坡预测问题。

谭家河滑坡监测与精细化预警模型研究

为研究谭家河滑坡的变形阈值,通过综合分析降雨、库水位和GNSS自动监测等数据,针对谭家河滑坡实际情况,建立了谭家河滑坡的5级递进式分级预警模型。研究结果显示:①滑坡高水位位移变化小,低水位位移变化大;②谭家河滑坡位移速率与库水位速率相关,库水位下降、位移增加,库水位上升、位移减小;③在库水位160 m以下、库水位速率阈值为0.6 m/d、位移速率阈值为0.5 mm/d条件下,滑坡形成“阶跃”;④在库水位下降期间以及低库水位运行期,累计降雨量大于175 mm会对滑坡的变形产生影响,也可形成“阶跃”。

基于前期雨型影响的汉江支流堵河左岸麻池村1号滑坡监测预警降雨阈值研究

【目的】降雨是诱发滑坡变形破坏的重要因素,不同降雨模式引起的降雨入渗类型对滑坡稳定性影响各不相同,由此形成的滑坡灾害经常造成严重的经济损失和人员伤亡,合理的考虑前期降雨是实现准确预警预报的前提。【方法】以麻池村1号滑坡为例,首先精细分析了降雨作用下滑坡的地表-深部位移变形特征,定性评价滑坡变形过程与降雨因素的响应关系,以此研究4种不同降雨型式下滑坡渗透稳定性系数的动态演变规律,探讨不同降雨模式对滑坡的影响,并通过滑坡阶跃区段位移与前期降雨指标的相关性分析,确定了对滑坡稳定性最不利的前期降雨型式下的降雨阈值。【结果】结果显示:GNSS监测系统自2019年6月首测以来,地表累积位移为881.22~1067.88 mm,最大日位移速率达264 mm/d(G6),2021年汛期强降雨频次增高,滑坡各变形区域出现“整体阶跃”现象。【结论】结果表明:(1)滑坡受降雨因素影响,变形呈现阶跃型演化特征,深部位移曲线反映了不同岩土成分结构的水敏性;(2)递增型前期降雨对滑坡的稳定性尤为不利,递增型降雨更有利于地表雨水的入渗;(3)滑坡的前期有效降雨持时为10 d,其对应的7次“阶跃”变形与前期降雨型式密切相关,递增型的前期降雨更易诱发滑坡加速变形。基于“一个降雨过程”理论,获取“前期(10 d)+当期降雨(1 d)”模式下递增型前期降雨的滑坡降雨阈值为86 mm。验证表明该降雨阈值预测效果较好,具有重要的灾害预警意义和参考价值。

降雨诱发滑坡阶跃型变形的预测分析及应用

滑坡进入蠕动变形阶段之后,往往难以及时开展勘察治理工作,合理的临灾预警是有效减少滑坡灾害损失的重要手段。首先确定降雨诱发"阶跃型"滑坡的预警关键判据为前期降雨、当次降雨、位移速率,并引入"一个降雨过程"定义滑坡监测的降雨区间,将预警过程分为当次降雨和前期降雨+当次降雨两种模式。然后运用最小二乘法确定滑坡"阶跃"变形曲线上的"破坏拐点"和"稳定拐点"用以确定变形加速区间,以此求解前期降雨、当次降雨以及移速率阈值。最后以王家坡滑坡为例,设计了两种模式下的5级递进式分级预警模型。研究表明:(1)前期降雨与当次降雨组成"一个降雨过程"的时间间隔为7 d;(2)王家坡滑坡的位移速率阈值为20 mm/d;(3)前期降雨+当次降雨模式下王家坡滑坡的前期降雨、当次降雨阈值分别为10、15 mm,当次降雨模式下王家坡滑坡的降雨阈值为25 mm。

阶跃型位移特征滑坡位移预测模型研究

滑坡位移变形的产生及演变,对于滑坡安全稳定性的评价至关重要。由于阶跃型变形特征滑坡的破坏时间预测精度较低的,故本文建立以位移作为目标函数来反映滑坡位移变化规律的预测模型。将滑坡累积位移分解为趋势项位移和周期项位移,分别采用多项式拟合和自回归模型进行预测,最后叠加两个分位移预测值得到总位移预测值。本文以万州区花园养鸡场滑坡为例,运用其位移监测数据进行模拟和验证,并对模型预测结果进行对比分析。

一种基于位移监测的“降雨阶跃型”滑坡预警系统

"降雨阶跃型"滑坡是一种在强度较大的降雨作用下,位移变形呈现出"阶跃型"动态演化特征的滑坡。其位移变形相对有规律,但由于变形时间长、临滑模式复杂,导致预警难度大。为了建立合理有效的"降雨阶跃型"滑坡预警系统,通过分析预警所需的关键判据,确定预警系统基本设计原则,并以王家坡滑坡为典型案例,设计5级递进式分级预警系统。研究表明:(1)王家坡滑坡的日降雨量、日位移速率阈值分别为25 mm/d、20 mm/d。(2)王家坡滑坡5级递进式分级预警系统,发出Ⅰ级绿色预警的方程为:0≤y <-1. 25x+10;发出Ⅱ级蓝色预警的方程为:-1. 25x+10≤y <-1. 25x+20;发出Ⅲ级黄色预警的方程为:-1. 25x+20≤y <-1. 25x+30;发出Ⅳ级橙色预警的方程为:-1. 25x+30≤y <-1. 25x+40;发出Ⅴ级红色预警的方程为:y≥-1. 25x+40。

基于时间序列与长短时记忆网络的滑坡位移动态预测模型

针对滑坡演化的动态特性和传统静态预测模型的不足,提出一种基于时间序列与长短时记忆网络(long and short term memory neural network,LSTM)的滑坡位移动态预测模型。该模型首先采用移动平均法将滑坡累积位移分解为趋势项位移和周期项位移。然后采用多项式函数预测趋势项位移;基于滑坡变形特征与诱发因素的响应分析,建立LSTM模型进行周期项位移预测。最后将各分项位移叠加,即实现滑坡累积位移的预测。以三峡库区典型阶跃型滑坡——白水河滑坡为例,并与支持向量机模型(support vector machine,SVM)进行对比分析。结果表明,与静态模型SVM相比,动态模型LSTM的预测精度较高,在阶跃式变形期的预测优势尤为突出,且不依赖于训练数据时效性的分析。该模型为三峡库区阶跃型滑坡位移预测提供了新的思路和探索。