基于诱发因素响应与支持向量机的阶跃式滑坡位移预测

受库水位周期性调度和降雨的影响,三峡库区部分滑坡的位移变形呈台阶状。针对滑坡的这种变形特征,提出一种基于诱发因素响应分析的进化支持向量机位移预测模型:应用移动平均法将滑坡总位移分解为趋势项位移和周期项位移,趋势项位移变化受坡体地质条件控制,应用多项式函数进行预测;周期性位移变化受诱发因素联合控制,选取变形主导因素作为影响因子建立进化支持向量机模型进行预测;将分项位移预测值叠加即为总位移预测值。以库区典型阶跃式滑坡——八字门滑坡为例,应用进化支持向量机模型进行预测研究。结果表明:诱发因素响应分析是滑坡位移预测的关键;基于诱发因素响应的进化支持向量机耦合模型在阶跃式变形期有较好的预测效果,是一种行之有效的阶跃式滑坡位移预测方法。

“阶跃式”滑坡突变预测与核心因子提取的平衡集成树模型

“阶跃式”滑坡在复杂多变的地质环境作用下呈现突变与稳定交替、不平衡的演化形态,根据此特点提出了边坡突变与稳定分类的平衡集成树模型,建立高维地质环境影响因子与致变之间的关联,并应用于三峡库区26个具有“阶跃”特征的滑坡。考虑到直接使用分类器难以捕捉有效信息,模型利用了合成边界少数类过采样原理适当提升突变样本比率,再分别组合随机森林和梯度提升树进行优化和训练,并对测试集和预测集进行评估校核。同数据平衡前后的不同模型进行对比实验,平衡集成树模型能够有效提高突变预测的整体精度,并量化得出了所有地质环境因子的特征重要性指标,最终应用于样本外的王爷庙滑坡结果表明,模型取得了较高的预报水平。该方法能够实现突变的有效预测,并发现核心影响因子及其数据分布特征,为研究“阶跃式”滑坡机理和预警提供了新的思路。

降雨及库水位共同作用下滑坡阶跃位移临界面的识别方法

针对目前“阶跃式”滑坡位移预测模型的不足,提出一种表征“阶跃式”滑坡特征的降雨及库水位作用下的阶跃位移预测模型。该模型首先采用西原蠕变模型拟合滑坡趋势项位移,经过自适应遗传算法下的滑动阶跃识别方法与移动平均算法下的阶跃位移提取方法得到阶跃位移;然后针对阶跃位移,分析选取降雨及库水位影响因子,经过粒子群优化算法(PSO)得到最优相关性下的降雨及库水位综合指标;最后对数据集进行LOF(local outlier factor)算法剔除离群值处理与ADASYN(adaptive synthetic)算法过采样处理,经过蝗虫优化算法优化支持向量机(GOA-SVM)进行二分类后实现对滑坡阶跃位移的分类与预测。以“阶跃式”滑坡——白水河滑坡为例,选取监测点ZG118从2003年6月~2009年8月典型阶跃时间段的数据进行研究。预测结果:数据集总体预测准确率为72.73%,阶跃位移数据集预测准确率为100%,未发生阶跃位移数据集预测准确率为66.67%,预测效果良好。当降雨与库水位作用成为“阶跃式”滑坡阶跃发生的主导因素时,该模型为此类滑坡位移预测提供了新的思路与探索。