基于神经网络和多标度特征分析的古滑坡变形预测及趋势评价

提出一种新的古滑坡变形预测方法。首先结合集合经验模态分解(EEMD)和奇异值分解(SVD)对古滑坡变形数据进行分解,然后利用分项组合神经网络预测古滑坡复活区的变形,最后利用多重分形消除趋势波动分析(MF-DFA)进行古滑坡多标度趋势评价。以王家坡滑坡为例分析本文方法的有效性。结果表明,组合分解模型EEMD-SVD较单项分解模型具有更强的数据分解能力,可有效实现滑坡变形数据的信息分解;基于神经网络的分项组合预测模型适用于滑坡变形预测,所得预测结果的相对误差基本在2%左右,预测精度较高,且外推预测显示滑坡变形仍会进一步增加,增加速率为1.23~1.36 mm/周期;MF-DFA模型的多标度特征分析结果显示,滑坡变形具有多重分形特征,变形有进一步增加的趋势,这与预测结果较为一致,可佐证前述预测结果的准确性。

基于多标度特征分析及速率比趋势判断的基坑变形规律研究

为准确掌握基坑变形规律,在基坑变形监测成果基础上,先通过MF-DFA模型和Spearman秩次检验构建出基坑变形的多标度特征分析模型;再引入速率比概念,结合Spearman秩次检验,开展基坑变形趋势研究;最后,结合两者结果,综合开展基坑变形规律分析.实例分析表明:在多标度特征分析结果中,各监测点的h(q)值随q值的增加而减小,说明基坑变形具多重分形特征;同时,地表沉降变形和侧位移变形的多重分形谱宽度后续将会进一步增加,而桩顶竖向变形的多重分形谱宽度后续将会进一步减小,且各监测点的大波动所占比例均趋于减小.在速率比趋势判断结果中,各监测点的速率比随时间持续均具有较强的波动性,且近期速率比变化趋势虽具一定差异,但后续均呈减小趋势.综合上述,基坑变形的多重分形特征后续会进一步加深,且变形总体趋向于收敛方向发展.