共查询到20条相似文献，搜索用时 46 毫秒
1.
三峡库区某些库岸滑坡在强降雨、库水位涨落等诱发因素影响下,其位移时间序列表现出阶跃式变化特征且可能存在混沌特性.但目前常用于滑坡位移预测的混沌模型,均建立在单变量混沌理论的基础之上.且已有的考虑了诱发因素的常规多变量模型,大都采用经验性的方法来选取输入变量;常规多变量模型对滑坡位移序列的非线性特征,及其与诱发因素间的动态响应关系缺乏数学理论上的深入分析.因此,提出一种基于指数平滑法、多变量混沌模型和极限学习机（extreme learing machine,ELM）的滑坡位移组合预测模型.指数平滑多变量混沌ELM模型首先对滑坡累积位移序列的混沌特性进行识别;然后用指数平滑法对累积位移进行预测,得到趋势项位移,并用累积位移减去趋势项位移得到剩余的波动项位移;之后对波动项位移及降雨量、库水位变化量这3个因子进行多变量相空间重构,并用ELM模型对多变量重构后的波动项位移进行预测;最后将预测得到的趋势项和波动项位移值相加,得到最终的累积位移预测值.以三峡库区白水河滑坡ZG93监测点的累积位移作为实例进行分析,并将模型与指数平滑多变量混沌粒子群-支持向量机（PSO-SVM）模型、指数平滑单变量混沌ELM模型作对比.结果表明滑坡位移序列存在混沌特性,模型能有效预测滑坡位移,其预测效果优于对比模型.且本文模型从混沌理论的角度将波动项位移与降雨量、库水位变化量的动态响应关系进行综合分析,更能反映滑坡位移系统演化的物理本质. 相似文献
2.
时序分析在边坡位移预测中的应用 总被引：10，自引：2，他引：10
根据对边坡变形规律的研究，建立了边坡位移序列的叠合时序模型。将边坡位格分解为确定性位移和随机性位移两部分，并实现了基于误差方差最小原则的边坡位移中长期预测。 相似文献
3.
4.
水平液化场地地表往返位移的求解是基础和地下工程抗震设计的迫切需求。利用双层模型模拟实际水平场地,提出了可考虑液化层存在下的土表位移简化计算方法并给出频域理论解答,同时采用逐循环累计方法给出水平场地任意荷载下土表位移时域解答。采用适于水平场地孔压增量模型,并逐循环修正土层模量,模拟液化引起的土层的非线性过程。振动台试验结果和提出棋型的计算结果吻合,验证了所提方法能够反映土体液化对土表位移影响的基本过程。提出的方法和解答物理意义明确,可代表土体液化对土表位移影响的基本形态,并可用于频域及时域的无量纲分析。 相似文献
5.
6.
基于不同开挖阶段围岩阶段变形曲线几何特征,提出一种基于"S"型函数的隧道开挖全过程变形预测模型,实现隧道开挖全过程中的围岩变形预测。对比分析了常用"S"型函数适应性,建立了基于Logistic模型的隧道围岩变形分析模型,模型精度控制在2%以内,并提出了模型参数辨识过程。利用Logistic隧道围岩变形模型,讨论了隧道开挖瞬时变形特征,提出了一种求解隧道瞬时开挖变形值的方法,计算出不同工程条件下瞬时变形值处于2. 192～43. 288 mm,瞬时位移占最终位移的6. 61%～18. 33%。以马尾山隧道为工程实例,建立了具体的工程隧道围岩变形模型,得到隧道开挖瞬时位移值处于1. 041～9. 475 mm,瞬时位移占总位移比值处于5. 52%～36. 44%。 相似文献
7.
阶跃型位移特征滑坡时间预测预报研究 总被引：1，自引：0，他引：1
滑坡时间预测预报目前主要以滑坡最终破坏的时间为目标函数,但对于变形特征为阶跃型的滑坡却难以准确地预测其破坏时间。为此,提出以位移作为此类滑坡时间预报的目标函数。将滑坡位移分解为蠕变位移和波动位移,采用二次移动平均法分别提取,然后采用多项式拟合和灰色GM(1,1)模型分别对蠕变位移和波动位移进行预测,最后将两部分预测位移相加得到滑坡预测的总位移。以典型阶跃型位移特征滑坡——三峡库区八字门滑坡为例,运用其位移监测数据进行验证,并对多模型预测结果进行对比分析,结果表明,该位移预测模型预测精度良好,能较好地预测阶跃型位移特征滑坡位移。 相似文献
8.
强夯加固地基的土体竖向位移计算方法研究 总被引：2，自引：0，他引：2
根据动力分析中应力边界与速度边界之间的关系,将应力边界时程转化为速度边界时程,提出计算土体竖向位移的新方法,并进行了简化和多角度对比性研究。在钱家欢加卸载模型应力和竖向位移计算的基础上,提出将正弦荷载形式和三角形荷载形式分别引入,推导出竖向位移的两种简化计算方法。两种方法概念清楚、物理意义明确,形式简单且相同,区别仅在于系数不同。工程实例表明,两种方法计算出的竖向位移均接近于实测位移,但正弦荷载形式下的位移计算方法更能反映实际情况。 相似文献
9.
Prediction on landslide displacement plays an important role in landslide early warning. Many models have been proposed for this purpose. However, the accuracy of the prediction results by these models often varies under different conditions. Rational evaluation and comprehensive consideration of these results still remain a scientific challenge. A new comprehensive combination model is proposed to predict the landslides displacement. The elementary displacement prediction is made by the support vector machine model, the exponential smoothing model, and the gray model (GM)(1,1). The results of the models are comprehensively evaluated by combining the results and introducing the accuracy matrix. The optimal weight in the evaluation work is obtained. A rational prediction result can be attained based on the so-called combination model. The proposed method has been tested by the application of Qinglong landslides in Guizhou Province, China. The comparison between the prediction results and in situ measurement shows that the prediction precision of the proposed model is satisfactory. The root-mean-square error (RMSE) of the combination model can be reduced to 1.4316 (monitoring site JCK2), 1.2623 (monitoring site JCK4), 2.3758 (monitoring site JCK6), 2.2704 (monitoring site JCK8), 1.4247 (monitoring site JCK11), and 0.9449 (monitoring site JCK12), which is much lower than the RMSE of the individual models.
相似文献10.
隧洞围岩损失位移估计的智能优化反分析 总被引：1，自引：0，他引：1
隧洞开挖过程中围岩监测断面的布置一般滞后于掌子面开挖,监测断面布置前围岩已发生的位移称为损失位移。采用优化反分析思路求取损失位移,该思路将损失位移的求解转化为以实测位移与计算位移的误差作为目标函数、岩体力学参数作为决策变量的全局优化反分析问题。针对该全局优化反分析问题是一类高度非线性多峰值且计算代价较高的优化问题,将性能优异的粒子群优化算法与高斯过程机器学习方法相融合,结合FLAC3D数值计算程序,提出隧洞围岩损失位移优化反分析的粒子群-高斯过程-FLAC3D智能协同优化方法。算例研究表明,该方法是可行的,不仅能获得可靠的损失位移预测结果,而且可获取合理的围岩计算模型力学参数,具有全局性好、计算效率高的特点,克服了传统优化反分析方法容易陷入局部最优或过于依赖初始学习样本的局限性。将该方法应用到锦屏二级水电站辅助洞BK14+599断面的损失位移反分析,获得了该断面围岩的损失位移和力学参数,其中,损失位移较大,原因在于岩体开挖后在短时间内弹性变形大。因此,对于地下工程,特别是深部地下岩体工程,在围岩稳定性评价与围岩参数反分析中,损失位移不可忽视,应给予足够重视。 相似文献
11.
Prediction of landslide displacement with an ensemble-based extreme learning machine and copula models 总被引：2，自引：0，他引：2
Research on the dynamics of landslide displacement forms the basis for landslide hazard prevention. This paper proposes a novel data-driven approach to monitor and predict the landslide displacement. In the first part, autoregressive moving average time series models are constructed to analyze the autocorrelation of landslide triggering factors. A linear ensemble-based extreme learning machine using the least absolute shrinkage and selection operator is applied in predicting the displacement of landslides. Five benchmarking data-driven models, the support vector machine, neural network, random forest, k-nearest neighbor, and the classical extreme learning machine, are considered as baseline models for validating the ensemble-based extreme learning machines. Numerical experiments demonstrated that the proposed prediction model produces the smallest prediction errors among all the algorithms tested. In the second part, parametric copula models are fitted on the predicted displacement, to investigate the relationship between the triggering factors and landslide displacement values. The Gumbel-Hougaard copula model performs best, which indicates strong upper tail correlation between the triggering factors and displacement values. Thresholds for the triggering factors can be obtained by monitoring the landslide moving patterns with large displacement values. The effectiveness and utility of the proposed data-driven approach have been confirmed with the landslide case study in the region of the Three Gorges Reservoir. 相似文献
12.
受库水位涨落及降雨等影响,库区滑坡位移表现出明显的周期性。基于位移时间序列分析,将滑坡监测位移分解为趋势项与周期项之和。趋势项反映滑坡变形的长期趋势,其主要受滑坡本身地质结构等因素影响。周期项反映滑坡变形的波动性,其主要受外部因素影响。以三峡库区巫山塔坪滑坡为例,考虑长江水位与降雨量影响,采用H-P滤波法从滑坡位移中分解出趋势项及周期项,利用差分自回归滑动平均模型（ARIMA）对趋势项进行平稳处理并计算趋势项预测值,利用向量自回归模型（VAR）计算周期项预测值。趋势项预测值与周期项预测值之和为滑坡位移预测值。与实际监测值及多种方法分析比较,表明综合预测所得结果能较好反映滑坡变形的趋势性和波动性,位移预测效果较好。 相似文献
13.
总结以往滑坡预测方法存在的诸多不足,针对滑坡监测位移-时间曲线特点,本文提出了一种基于时间序列的人工蜂群算法（ABC）与支持向量回归机（SVR）相结合的滑坡位移预测方法。以三峡库区白水河滑坡为例,通过对滑坡位移、降雨、库水位等因素的分析,研究影响滑坡位移变化的因素。用时间序列加法模型和移动平均法将滑坡位移分解为趋势项和周期项。以多项式最小二乘法拟合滑坡位移趋势项,用人工蜂群支持向量机模型对滑坡位移周期项进行训练和预测。通过灰色系统关联分析法计算多项因子与滑坡位移周期项之间的关联性。最终的滑坡总位移预测值为周期项预测值与趋势项预测值之和。与BP神经网络、PSO-SVR模型方法相比,该方法在滑坡位移预测中有更高的精度,在防灾减灾工作中有较好的推广应用前景。 相似文献
14.
Chao Zhou Kunlong Yin Ying Cao Emanuele Intrieri Bayes Ahmed Filippo Catani 《Landslides》2018,15(11):2211-2225
Landslide displacement prediction is an essential component for developing landslide early warning systems. In the Three Gorges Reservoir area (TGRA), landslides experience step-like deformations (i.e., periods of stability interrupted by abrupt accelerations) generally from April to September due to the influence of precipitation and reservoir scheduled level variations. With respect to many traditional machine learning techniques, two issues exist relative to displacement prediction, namely the random fluctuation of prediction results and inaccurate prediction when step-like deformations take place. In this study, a novel and original prediction method was proposed by combining the wavelet transform (WT) and particle swarm optimization-kernel extreme learning machine (PSO-KELM) methods, and by considering the landslide causal factors. A typical landslide with a step-like behavior, the Baishuihe landslide in TGRA, was taken as a case study. The cumulated total displacement was decomposed into trend displacement, periodic displacement (controlled by internal geological conditions and external triggering factors respectively), and noise. The displacement items were predicted separately by multi-factor PSO-KELM considering various causal factors, and the total displacement was obtained by summing them up. An accurate prediction was achieved by the proposed method, including the step-like deformation period. The performance of the proposed method was compared with that of the multi-factor extreme learning machine (ELM), support vector regression (SVR), backward propagation neural network (BPNN), and single-factor PSO-KELM. Results show that the PSO-KELM outperforms the other models, and the prediction accuracy can be improved by considering causal factors. 相似文献
15.
交叉隧道施工中新建隧道周围复合地层与间距对既有隧道的沉降影响研究 总被引：1，自引：0，他引：1
沿海地区特别是广州地区地铁建设多在复合地层中进行盾构施工,开挖引起的地层沉降很难控制,如何防止大面积的地层沉降,保证既有建(构)物安全成为施工难题。基于此,本文提出了复合地层盾构施工的地质概化模型,运用三维有限元方法对交叉隧道盾构施工进行了建模分析,研究了不同的复合地层类型及不同的覆土厚度与间距下,新建隧道盾构正交下穿施工对既有隧道沉降的影响。结果表明,新建隧道在近似均一土层中下穿施工引起的既有隧道沉降最大,上软下硬地层次之,长距离硬岩段最小,沉降随土层弹性模量的增加而减小;同时,既有隧道沉降随覆土厚度的增加而增大;随隧道间距的增大而减小,当间距小于2倍衬砌外径时,既有隧道沉降较大,存在损坏的危险。最后,提出了相应的沉降控制对策。 相似文献
16.
在现行条分法的基础上,建立了一种全新的边坡条块力-位移分析方法。现行条分法中条块底边的力学参数采用极限平衡状态力学参数,即每个条块底边均处于极限平衡状态,这种极限平衡状态对于残余应力是较为适宜的。采用理想弹塑性模型和一种全新的本构模型描述土条块底边力学特性,并以不平衡推力法为例,提出了临界状态条块的确定方法,针对可能的破坏模式进行了分析,并提出了边坡整体破坏各条块的应力和位移的确定方法,计算出相应的稳定系数,如传统强度折减法、综合下滑力-抗滑力法、主推力法、综合位移法和富余位移法稳定系数。通过计算分析论证了理想弹塑性模型在不改变力学参数的情况下是难以描述边坡渐近破坏过程的,而一种全新的本构模型可以描述渐近破坏各条块的力学行为。提出的条块力-位移法可以确定边坡在不同荷载和位移条件下的稳定性,也可以获得边坡的推力变化和滑面移动特征,进而实施边坡的应力、位移和稳定性的初步预测预报。 相似文献
17.
结合支持向量机和马尔可夫链,提出了一种新的位移时序预测模型--支持向量机－马尔可夫链预测模型（SVM-MC）。通过对实测位移值的学习,利用经粒子群算法优化的支持向量机对位移时间序列的宏观发展趋势进行滚动预测;在此基础上应用马尔可夫链确定位移时序的状态转移概率矩阵,通过对状态的划分、实测值与支持向量机拟合值的绝对误差及相对误差等指标的分析,实现了对预测结果的改进。将该模型应用到某工程永久船闸高边坡的位移时序预测中,结果表明,该模型具有科学可靠、预测精度高的优点,在岩土体位移时序预测中具有有一定工程应用价值。 相似文献
18.
边坡位移是滑坡演化的宏观体现,分析并预测滑坡位移发展态势对于防灾减灾具有重要意义。由于滑坡位移曲线具有明显的非线性特征,单一模型往往难以刻画其非线性与复杂性。为发展一种普遍适用于滑坡位移的预测方法,提出了一种联合多种数据驱动模型的新方法。该方法根据时间序列分析理论,将滑坡位移序列分解为趋势项和周期项,趋势项采用并联型灰色神经网络处理,周期项则采用人工蜂群算法（ABC）优化后的极限学习机模型（ELM）处理,从而充分应用各种模型的优点。以三峡库区白水河和八字门滑坡为例,对位移数据进行分析处理后,灰色神经网络模型预测其趋势性位移,改进后的极限学习机模型对周期性位移进行训练及预测。结果表明:在预测精度上,优化后的极限学习机模型准确度高于极限学习机模型及小波神经网络等方法,提出的灰色神经网络与ABC-ELM的组合模型可作为实际工程的一个参考。 相似文献
19.
矩形桩沉桩挤土效应与传统圆形截面桩不同,传统的理论模型和试验技术不适用于研究矩形截面桩沉桩挤土效应。基于透明土变形可视化技术,研究了矩形截面桩沉桩挤土的位移场变化规律。试验结果表明,矩形桩沉桩后,桩周可以分为两块区域：靠近矩形桩身的过渡区域,在此区域内挤土位移模式呈现非柱对称特征,过渡区半径约为4deq～5deq,远离桩身的圆孔扩张区域,该区域内挤土位移呈现柱对称特征。根据矩形截面桩的沉桩挤土试验,推导出了矩形桩截面的修正扩孔理论,并将理论计算的位移值与模型试验测量值进行对比,验证修正扩孔理论的合理性。 相似文献