滑坡位移预测模型补充评价方法

针对目前滑坡位移预测模型评价方法中总体性指标区分能力不足,以及对滑坡高风险期预测效果评价不准确等问题,设计滑坡位移预测模型快速位移期综合误差(CERDP)和峰值预测误差(PPE)两个补充评价指标以及对应的补充评价技术流程。基于滑坡监测数据的实例研究表明,所提补充评价指标和应用流程合理可行,可以有效地应对均方根误差(RMSE)等指标差异不显著带来的评价不准确问题,遴选出总体性能可靠,在风险时段和最高风险时点表现更好的模型,为滑坡风险管理工作提供有效的技术支持。

基于改进灰狼优化与支持向量回归的滑坡位移预测

针对滑坡位移难以预测、影响因素难以选择等问题,提出一种结合了二次移动平均(DMA)法、变分模态分解(VMD)、改进灰狼优化(IGWO)算法与支持向量回归(SVR)的模型进行滑坡位移预测。首先,利用DMA提取滑坡位移趋势项和周期项,采用多项式拟合对趋势项进行预测;其次,对滑坡周期项的影响因素进行分类,采用VMD对原始影响因子序列进行分解获得最优序列;再次,提出一种结合SVR与基于改进Circle多策略的灰狼优化算法CTGWO-SVR(Circle Tactics Grey Wolf Optimizer with SVR)对滑坡周期项进行预测;最后采用时间序列加法模型求出累计位移预测序列,并采用灰色预测的后验证差校验和小概率误差对模型进行评价。实验结果表明,与GA-SVR和GWO-SVR模型相比,CTGWO-SVR的预测精度更高,拟合度达到0.979,均方根误差分别减小了51.47%与59.25%,预测精度等级为一级,可满足滑坡预测的实时性和准确性要求。

基于EEMD-CNN-LSTM的新型综合模型在滑坡位移预测中的应用

滑坡位移预测是滑坡稳定性评价的重要环节。尽管基于深度学习范式的时间序列方法预测滑坡位移取得了一定的成果,但由于滑坡位移数据的非平稳性、周期性和趋势性变化特征,导致当前时间序列模型的滑坡位移的多变量预测容易过拟合。为解决这一问题,针对滑坡位移数据的波动性和由周期项与趋势项位移叠加组成的特性,提出一种基于孤立森林(Isolation Forest,IF)异常检测、集成经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)、卷积神经网络(Convolutional Neural Networks,CNN)和长短期记忆神经网络(Long Short-Term Memory,LSTM)相结合的滑坡位移预测模型。选择三峡库区以降雨为影响因子的阶跃型白家包滑坡为研究对象,引入IF算法对滑坡原始位移数据进行异常检测,使用EEMD方法提取滑坡趋势项和周期项位移,通过CNN捕捉局部周期项和趋势模式,并基于LSTM模型预测总体位移。结果表明,EEMD-CNN-LSTM在预测降雨情况时滑坡总体位移的均方根误差(RMSE)、平均绝对误差(MAE)、评价绝对百分比误差(MAPE)和决定系数(R2)4种指标分别为0.4190、0.3139、0.2379和0.9997,前3种精度评价指标较现有模型分别提升32.3%、25.1%、7.3%。相较于传统的LSTM模型、随机森林方法和EEMD-LSTM方法,EEMD-CNN-LSTM模型在有、无降雨这一外部影响因素下具有显著优势,能够较大地降低过拟合,提高预测的准确性。

基于机器学习的高铁边坡位移预测不确定性度量与应用

为解决不确定性问题对高铁边坡位移预测精度的影响,引入区间预测理论量化位移预测中的不确定性问题,并建立Bootstrap-GRU-BP混合区间预测模型(BGB模型)。该模型首先采用基于Bootstrap的门控循环单元(Gated Recurrent Unit,GRU)算法度量位移预测均值和认知误差的方差,再采用BP算法度量随机误差的方差,然后将位移预测均值、认知误差和随机误差的方差3者结合在一起,量化出一定置信水平下的预测区间。最后,基于杭绍台高铁沿线边坡的监测数据,探讨BGB模型认知不确定性的响应特征,并通过对比多种区间预测模型来验证BGB模型的优越性。结果表明:BGB模型不仅能构造清晰可靠的预测区间,还能提供高精度的点预测结果;改变模型输入特征和预测算法会导致认知不确定性的改变,而BGB模型所构造的预测区间能正确地响应不确定性的变化;对比以极限学习机(Extreme Learning Machine,ELM)和支持向量回归(Support Vector Regression,SVR)为核心的区间预测模型,BGB模型的区间预测和点预测性均能更优。研究成果可为高铁边坡位移发展提供可靠的预测结果,进而为高铁边坡可靠度分析提供理论基础。

基于时序InSAR的GRU-ARIMA云南昭通吉那古滑坡位移预测

为实现对滑坡体形变的长期监测和高精度位移预测,以云南昭通吉那古滑坡体为例,采用小基线集合成孔径雷达干涉测量(SBAS-InSAR)技术对滑坡体形变开展长时序监测,并在对比门控循环单元(GRU)、长短时记忆网络(LSTM)、支持向量机(SVM)、差分自回归移动平均(ARIMA)等模型预测滑坡周期项、趋势项形变优劣性的基础上,设计一种基于时序InSAR反演结果和GRU-ARIMA组合的滑坡体位移预测模型。实验结果表明,组合位移预测模型能够兼顾周期项和趋势项结果的准确性。滑坡体位移预测值与InSAR验证集时间序列结果均方根误差为1.15 mm,R^(2)为0.996 mm,组合预测方法与实际观测值具有较高的一致性。

考虑频率因子的VMD-GRA-BP库区滑坡位移预测模型

为了减少库区滑坡失稳可能带来的损失,确保水电工程的安全稳定运行及保障周边民众的生命财产安全,探讨提升库区滑坡位移预测精度的方法。提出结合频率因子(frequency factor,FF)和变分模态分解-灰色关联度分析-误差反向传播神经网络(variational mode decomposition-grey relational analysis-back propagation neural network,VMD-GRA-BP)模型的库区滑坡位移预测方法,并应用于三峡库区滑坡。研究结果表明:FF对周期位移分量的预测效果有一定的提升,VMD-GRA-BP模型能够简化复杂非线性库区滑坡位移预测问题,BP模型预测性能优异,预测精度多高于支持向量机(support vector machine,SVM)和k最近邻(k-nearest neighbor,KNN)模型。研究结果可为库区滑坡位移预测和预警提供参考。

机理引导下的阶跃型滑坡位移预测深度学习模型

阶跃型滑坡变形时间曲线呈阶梯状,阶跃变形量大,准确预警预报困难。针对现有模型在阶跃型滑坡快速变形阶段预测误差大的问题,提出一种机理引导下的阶跃型滑坡变形预测模型,该模型在深入分析滑坡变形机理上,结合变分模态分解开展滑坡位移和影响因子的动态响应分析,为Informer模型提供合理有效的外部影响因子输入,结合多头注意力机制和池化层,实现阶跃期时序数据关键周期信息的有效提取。本研究以三峡库区白水河滑坡为例,收集水库蓄水以来连续15年的逐月位移监测数据及同期逐天的降雨和库水位数据。试验结果表明,本文模型在阶跃型滑坡位移预测中整体预测精度较高,与主流预测模型相比,该模型对快速变形期的阶跃变形预测较为准确,预测误差较小。

基于图深度学习与北斗监测的边坡位移预测研究

位移预测是边坡地质灾害监测预警的关键,本文以温州绕城高速公路边坡为例,提出了一种新的基于图深度学习与北斗监测的边坡多因子位移预测方法。首先基于北斗高精度监测点位的空间位置对整体监测体系的图结构进行建模,构建图节点之间的邻接矩阵。再对北斗高精度位移、降雨量、地下水位与土壤含水率多因子监测数据进行去粗差、插值与归一化等时序数据处理,并进行时空相关性分析,结果表明位移主要受连续两个月的降雨量、三级边坡的地下水位与土壤含水率的影响。将最先进的基于图深度学习的GTS(Graph for Time Series)预测模型引入边坡位移预测中,提出适用于北斗高精度边坡变形监测的GTS-BDS位移预测模型。当预测时长为1 h时,其均方根误差(RMSE)、平均绝对误差(MAE)与平均绝对百分比误差(MAPE)指标评价分别达到0.301、0.154与3.5%,均优于LSTM与T-GCN等模型。本文所提出的位移预测方法充分利用了北斗高精度及其他传感器监测点位之间的空间拓扑与监测数据的时序特征,从整体监测体系的角度提升边坡位移预测的准确率与可靠性,在边坡安全预警中具有良好的应用前景。

基于MISSA-CNN-BiLSTM模型的尾矿坝位移预测

为应对尾矿坝位移预测所面临的复杂情况和精度要求,提出一种基于多算法耦合的尾矿坝位移动态预测模型。首先,基于时间序列分解模型将累计位移分为趋势项和周期项,利用高斯回归时间序列预测模型预测趋势项位移;然后,运用不同Copula函数研究诱发因素与周期项位移的整体相关性,鉴于周期项位移影响因素多样性与强非线性的特点,采用多策略融合的改进麻雀搜索算法改进麻雀搜索算法(MISSA)-卷积神经网络(CNN)-双向长短期记忆(BiLSTM)模型预测周期项位移;最后,将高斯回归趋势项位移预测值和MISSA-CNN-BiLSTM周期项位移预测值叠加。结果表明:尾矿坝累积位移预测值与实测值基本一致,预测结果相关性系数R为0.996,均方根误差(RMSE)为0.13 mm,建立的MISSA-CNN-BiLSTM多算法耦合模型预测精度较高,且能较好地预测尾矿坝位移的阶跃型变化。

基于时间序列与CNN-GRU的滑坡位移预测模型研究

滑坡位移预测是滑坡预警的重要依据之一。针对以往预测模型在预测精度上存在的不足,提出了一种基于时间序列与卷积门控循环单元(CNN-GRU)的滑坡位移动态预测模型。首先,利用小波分析确定存在趋势项位移后,利用指数平滑法对累计位移分解得到趋势项与周期项位移,将趋势项采用五次多项式拟合;之后,采用自相关函数检验位移的周期特征,利用灰色关联法判断各因子与周期项之间的关联度,并将周期项与影响因子一起输入CNN-GRU模型进行预测;最终,叠加得到累计位移预测值。以三峡库区白水河滑坡为例,选取2004年1月至2012年12月数据进行研究,最终预测结果平均绝对误差百分比仅为0.525%,RMSE为9.614、R^(2)为0.993。试验结果表明,CNN-GRU具有更高的预测精度。

随机森林优化的静动态耦合模型在滑坡位移预测中的应用

以重庆市奉节县生基包滑坡为例,首先采用静态的支持向量回归(SVR)机器学习算法和动态的长短期记忆神经网络(LSTM)机器学习算法对滑坡位移进行预测;其次引入随机森林(RF)算法,在输入因素筛选的基础上,对SVR模型和LSTM模型的预测结果进行更优解分类预测;最后通过RF模型输出概率值,对静动态耦合模型(SVR-LSTM)进行权重赋值,得到RF优化的SVR-LSTM滑坡位移预测模型。结果表明LSTM模型预测整体优于SVR模型,RF优化的SVR-LSTM滑坡位移预测模型集成了静态SVR与动态LSTM预测模型的优势,其预测性能与单一的SVR模型和LSTM模型相比更优。研究提供了一种滑坡位移预测模型集成的思路,为三峡库区的地质灾害预测预报提供借鉴和参考。

基于信号残差修正与PSO-RVM的混凝土拱坝位移组合预测模型

传统的混凝土拱坝位移预测模型仅考虑各类影响因子对预测结果的影响,未充分挖掘残差序列中的有效信息。为此,首先运用关联向量机(RVM)结合粒子群(PSO)算法建立拱坝位移预测的PSO-RVM模型;然后采用奇异谱分析(SSA)对残差序列进行分解,并根据奇异值的累计贡献率筛选分量进行重构;其次利用随机森林算法(RF)对重构序列进行预测,得到残差序列的修正值;最后将PSO-RVM模型预测值与残差序列修正值叠加,建立基于信号残差修正与PSO-RVM的混凝土拱坝位移组合预测模型PSO-RVM+。工程实例表明,奇异谱分析与随机森林算法能有效提取残差序列中的有效信息并对残差进行修正;相较于PSO-RVM、RVM及传统的回归模型(SWR)等位移预测模型,PSO-RVM+组合预测模型的预测性能更优、适应性更强。本研究能为大坝安全监控与健康诊断提供一种新的思路。

基于MHA-BiLSTM的尾矿坝位移预测

尾矿坝变形受多因素影响,针对传统预测方法受到数据复杂性和非线性关系的限制,导致预测精度不足的问题,提出多头注意力机制(Multi-Head Attention)和双向长短时记忆网络(BiLSTM)结合预测尾矿坝位移的方法。在预测中,首先利用Z-score和Savitzky-Golay滤波对原始数据消除异常值和噪声的干扰;然后,利用灰色关联度方法确定坝体位移影响因素;最后,采用MHA-BiLSTM模型对坝体位移进行预测。以辽宁省某尾矿库实测数据为例,为评估新模型的性能与传统BiLSTM模型进行对比,结果表明该方法能够更准确地预测出坝体位移变化情况。

基于CRITIC赋权法与PSO-SVR模型的滑坡地表位移预测

针对支持向量机在滑坡位移预测中输入项权值无差异,从而影响模型预测精度的问题,提出一种基于CRITIC(criteria importance though intercrieria correlation)赋权法与粒子群优化算法(particle swarm optimization,PSO)支持向量回归机(support vector regression,SVR)的滑坡位移预测模型。该模型首先采用皮尔逊相关性分析法,选取与模型输出项相关性较强的三项影响因素,然后由CRITIC赋权法求得对应权值,将加权后的训练集输入基于CRITIC赋权法与PSO-SVR的预测模型,以实现对滑坡地表位移的预测。结果表明:相比SVR、PSO-SVR以及基于熵权法与PSO-SVR的预测模型,本模型具有良好的泛化能力,均方根误差和判定系数分别比未赋权模型降低38.24%和提高6.64%,能有效提高预测精度,预测效果优于其他对比模型。

基于FA-BP神经网络的巷道位移预测研究

针对传统位移预测算法求解巷道位移时预测精度不佳且误差大等问题,建立萤火虫算法(FA)优化BP神经网络的预测模型,解决了BP神经网络初始权值和阈值难以确定、预测模型参数局部最优及预测精度不佳等问题。以锦丰金矿30中段巷道为研究对象,利用巷道顶板和两帮的位移监测数据进行预测分析,并采用BP神经网络模型与FA-BP神经网络模型进行比较。研究结果表明:FA-BP神经网络模型的平均相对误差分别为0.15%和0.13%,BP神经网络模型分别为-2.02%和0.87%,说明FA-BP神经网络模型具有更好的预测精度。

基于CEEMDAN-LSTM的滑坡位移预测

建立滑坡地质灾害高精度的位移预测模型对滑坡灾害的提前预报十分重要,并且滑坡变形具有阶梯状曲线特性,通常具有隐性的周期性。因此,以三峡库区白水河新滩滑坡为例,基于阶梯状滑坡位移的内在季节性特征,提出了一种基于自适应白噪声的完整经验模态分解(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN)和长短时记忆网(Long Short-Term Memory,LSTM)的位移预测方法。首先利用CEEMDAN将滑坡累计位移分解为趋势项和周期项,然后利用多项式函数预测趋势项位移;再利用LSTM模型预测周期项位移,最后将各分量位移累加得到最终的模型计算。结果表明,CEEMDAN-LSTM模型具有精确度较高的预测效果。

基于鲸鱼优化混合神经网络的滑坡位移预测

针对静态机器学习模型难以有效反映滑坡的动态演化特性,且存在时序过长时历史数据遗忘导致位移预测结果不稳定的问题。提出一种基于鲸鱼优化卷积神经网络(convolutional neural networks, CNN)和双向门控循环神经网络(bidirectional gated recurrent neural network, BiGRU)的滑坡位移动态预测方法。首先对滑坡影响因子进行特征筛选,构建数据集,建立CNN-BiGRU网络模型,使用鲸鱼优化算法(whale optimization algorithm, WOA)对模型进行超参数寻优,使用CNN网络模型从滑坡数据中提取潜在的特征向量,将特征向量以时间序列的形式输入BiGRU模型中,利用其处理时间序列数据的优势,完成滑坡位移预测。结果表明:所提出模型得到的滑坡位移预测精度较高,与未优化的CNN-BiGRU相比均方根误差(root mean square error, RMSE)下降了0.030 5 mm。

逻辑回归优化的静—动态耦合模型在滑坡位移预测中的应用

滑坡位移的准确预测是滑坡预警系统的重要组成部分。本研究提出一种基于逻辑回归优化的静—动态耦合滑坡位移预测模型,以应对滑坡演化的动态特性体现在传统静态预测模型中的不足。以八字门滑坡为案例进行研究,首先采用移动平均法将累积位移分解为趋势项和周期项两个部分,随后采用静态机器学习算法——支持向量回归(SVR)和动态机器学习算法——长短期记忆神经网络(LSTM)来预测滑坡位移;其次,通过引入逻辑回归分类算法(LR),在原输入因子的基础上进行筛选,对SVR模型和LSTM模型的预测结果进行分类计算;最后,通过逻辑回归模型的输出,更新静动态耦合模型的结果,得到优化的SVR-LSTM滑坡位移预测模型。结果显示,优化后的模型相较于SVR模型和LSTM模型,其RMSE和MAPE分别降低了5.93 mm、0.28%和0.71 mm、0.03%。集成模型融合了静态(SVR)和动态(LSTM)模型的优势,其预测性能优于单一的SVR模型和LSTM模型。本研究为滑坡位移预测模型提供了一种新思路,可以为三峡库区的地质灾害预测提供参考。

基于EMD-SVR的高挡墙护坡位移预测方法

针对传统基于单一模型的护坡位移预测方法预测精度较低的问题,提出了一种基于经验模态分解(EMD)和支持向量回归(SVR)的预测模型(EMD-SVR)。首先对护坡位移时间序列进行EMD分解,将原始复杂序列分解为一系列结构相对简单的本征模函数(IMF);然后分别对每个IMF建立SVR模型进行变形趋势预测,同时提出改进的粒子群算法对SVR核参数进行全局寻优,提升预测性能;最后综合叠加各IMF预测值获得最终护坡位移变化趋势预测结果。实验结果表明,该方法比SVR、BP神经网络等单一模型的预测精度更高,最大预测误差等4项指标表现更优。

基于残差修正的混凝土坝位移双层阶预测模型

传统的混凝土坝位移监测模型往往忽略残差序列中的有效信息,导致对大坝位移的预测效果不佳。旨在提高预测模型的精度。针对这一问题,提出一种考虑信号残差修正的混凝土坝位移双层阶预测模型。首先根据传统混凝土坝位移预测的统计模型选取大坝位移的影响因子;其次通过麻雀搜索算法(SSA)确定极限学习机(ELM)中的超参数,建立单层阶预测模型SSA-ELM,进而得到大坝的单层阶模型位移预测值;再次,基于最小样本熵(SE)和相关分析法,通过变分模态分解法(VMD)对残差序列分解重构;最后利用SSA-ELM对重构后序列进行修正,并将修正值与单层阶模型位移预测值进行叠加,构建双层阶预测模型SSA-ELM-VMDρ+,进而得到最终的位移预测值。工程实例验证表明,与其他模型相比,该双层阶模型预测精度高,泛化能力强,有效的挖掘了残差中的有效信息,并克服了噪声干扰。本研究为大坝安全监控、健康服役诊断与管理运行提供了新的参考。