共查询到19条相似文献，搜索用时 156 毫秒
1.
我国滑坡灾害发生频繁,但滑坡的变形预测预报一直是难题,因此每年都因滑坡的变形破坏导致重大的人员伤亡和财产损失。以三峡库区八字门滑坡为研究对象,基于十多年的监测数据分析,研究分析了该滑坡的变形特征:八字门滑坡变形的主要影响因素为降雨和库水位下降,并且累积位移曲线具有"阶跃型"的变形特征。当外界因素去除或者减小的情况下,累积位移-时间曲线将变得平稳。根据此特性,选取每年变形曲线"阶跃段"（6~8月份）的监测数据,以累积位移为目标函数,基于一元线性回归模型,对八字门滑坡2004年到2017年同期的滑坡监测数据进行分析。结果表明:一元线性回归模型能够很好地模拟八字门滑坡"阶跃段"的变形过程,此变形阶段累积位移与时间呈线性关系,直线斜率基本相同。根据此线性关系,对滑坡的累积位移进行了预测,结果表明与实际监测数据相比较,预测误差在±5 mm以内,相对误差在1%以下,精度可以满足滑坡监测预警要求,可以为八字门滑坡的防治工作提供参考。 相似文献
2.
滑坡位移预测预报是滑坡防灾减灾的重要组成部分,提高滑坡位移预测的准确性与精确度是该项研究的重点与难点。本文在滑坡位移预测中考虑了监测样本的离群值,通过忽略、指定与修正离群值3种方式,研究滑坡位移预测样本离群值的最优处理方式。以三峡库区朱家店滑坡为例,基于ARIMA(p,d,q)模型,分别对累积位移与位移速率时间序列开展了预测研究。研究结果表明:修正离群值的预测结果介于忽略和指定离群值两者之间,更适用于存在监测离群值的滑坡位移预测;对于ARIMA模型,更适合采用位移速率进行预测预报;使用位移速率时间序列ARIMA(1,0,1)并修正离群值的预测结果为:2016年和2017年6月份滑坡前缘GP3"阶跃"位移分别为79. 0 mm和70. 2 mm,截止2017年8月,GP3累积位移将达1647. 7 mm。 相似文献
3.
针对三峡库区"阶跃式"滑坡的变形特征,提出了一种新的滑坡位移预测方法。以白水河滑坡ZG118和XD-01监测点位移数据为例,采用基于软筛分停止准则的经验模态分解(SSSC-EMD)将累计位移-时间曲线和影响因子时间序列自适应地分解为多个固有模态函数(IMF),并采用K均值(K-Means)聚类法对其进行聚类累加,得到有物理含义的位移分量(趋势性位移、周期性位移以及随机性位移)和影响因子分量(高频影响因子和低频影响因子)。使用最小二乘法对趋势性位移进行拟合预测;采用果蝇优化-最小二乘支持向量机(FOA-LSSVM)模型对周期性位移和随机性位移进行预测。将各位移分量预测值进行叠加处理,实现滑坡累计位移的预测。研究结果表明,所提出的(SSSC-EMD)-K-Means-(FOA-LSSVM)模型能够预测"阶跃式"滑坡的位移变化规律,且预测精度高于传统的支持向量机回归(SVR)、最小二乘支持向量机(LSSVM)模型;并通过改变训练集长度,进行单因素分析,发现其与预测精度之间呈正相关关系。 相似文献
4.
《岩土力学》2017,(12):3660-3669
三峡库区滑坡地表位移-时间曲线多呈台阶型特征。基于位移响应成分模型的滑坡位移预测方法是该类滑坡位移预测的主要方法之一。针对目前水库滑坡波动项位移预测工作中尚未考虑主要诱发因素的高频成分与低频成分的问题,提出了基于时间序列集合经验模态分解(EEMD)与重构的粒子群优化-支持向量机回归(PSO-SVR)位移预测方法。以白水河滑坡2003年7月至2013年3月117个地表位移数据为例,采用EEMD法将位移时间序列分解为趋势项位移和波动项位移,该趋势项位移用最小二乘法的二次多项式拟合预测;根据EEMD和t检验法,确定高频降雨量、低频降雨量、高频库水位和低频库水位,结合其他常用因素,采用灰色关联分析确定白水河滑坡影响波动项位移的优势因素为高频降雨量和月间库水位变化,基于优势因素建立PSO-SVR模型预测波动项位移。结果表明,总预测值的平均相对误差为0.009 8,方差比为0.023 9,小误差概率为1,预测效果较好。利用该方法对三峡库区其他5个台阶型滑坡进行了预测,预测位移与实测位移较吻合,进一步证明了该方法的有效性,对同类滑坡的预测预报具有一定的借鉴意义。 相似文献
5.
渐进式滑坡由于其位移-时间曲线不规则而无法准确判断其趋势位移和随机位处变形阶段,导致很难预测其失稳破坏的时间.为此,提出了R/S分析方法,将滑坡总位移分解为趋势位移和随机位移两部分,然后分别采用神经网络模型和多项式拟合对两种位移进行预测,最后将两部分预测位移加起来预测其总位移.以典型渐进式滑坡——八字门滑坡为例,对前述模型进行验证,并将其预测结果与GM(1,1)模型预测结果进行对比.研究结果表明本模型预测的结果误差小于2％,而GM(1,1)模型预测结果误差接近40％,说明该模型更适合预测渐进式滑坡的位移. 相似文献
6.
建立一种准确可靠的方法来预测高填方边坡因蠕变破坏而发生滑坡的时间是困难的,但对防止财产和生命损失又至关重要。在总结高填方土质边坡蠕变破坏过程中的位移、速度特征的基础上,通过改进Saito模型的应变率公式,提出了基于改进人工蜂群算法的滑坡中短期预测的实用模型。将进入加速变形阶段后的滑坡位移时间序列作为输入,通过人工蜂群算法反演实用模型参数后输出预测的滑坡时间。以3个高填方滑坡为实例,应用滑坡位移监测点的测量数据,验证了该方法在滑坡时间预测上的准确性和可靠性。同时,将该方法预测的滑坡时间结果与传统的Saito系列模型预测的滑坡时间结果进行了比较。结果表明,在通过滑坡位移的时间序列进行滑坡时间预测时,所提出的实用模型比两种Saito模型更准确可靠。 相似文献
7.
8.
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
9.
《地质科技情报》2020,(2)
研究库水位波动和降雨影响下滑坡的位移变形特征并分析其破坏机制,对了解三峡库区滑坡的演化过程具有重要意义。以奉节曾家棚滑坡为例,基于GPS地表监测位移分析了滑坡在不同特征库水位运行阶段的变化规律,结合灰色关联度模型确定了滑坡不同部位的变形在不同阶段的主要控制因素,借助GEO-Studio软件模拟了曾家棚滑坡在历史降雨和库水位波动耦合作用下的稳定性变化,并与定量分析结果进行了交叉检验。结果表明:曾家棚滑坡的运动状态随时间变化,从缓慢蠕变状态进入阶跃变形状态。平面上,中东部坡体与西部坡体相比,运动更加强烈;剖面上,前缘变形早且变形量大。曾家棚滑坡变形失稳过程为初期蓄水启动了曾家棚古滑坡,前缘首先发生变形;降雨作为中后期主控因素,和库水位波动联合作用共同诱发了滑坡多次阶跃变形,使滑坡前中后部形成贯通裂缝;最终由二十年一遇的暴雨诱发滑坡发生整体破坏。 相似文献
10.
《岩土力学》2017,(12)
三峡库区滑坡地表位移—时间曲线多呈“台阶型”特征。基于位移响应成份模型的滑坡位移预测方法是对该类滑坡位移预测的主要方法之一。针对目前水库滑坡波动项位移预测工作中尚未考虑主要诱发因素的高频成份与低频成份的问题,提出了基于时间序列EEMD重构的滑坡位移PSO-SVR预测的方法。以白水河滑坡2003年7月至2013年3月117个地表位移数据为例,采用EEMD法将地表位移时间序列分解为趋势项位移和波动项位移,该趋势项位移用最小二乘法的二次多项式拟合预测;根据EEMD和t检验法,确定高频降雨量、低频降雨量、高频库水位和低频库水位,结合其它常用因素,采用灰色关联分析确定白水河滑坡影响波动项位移的优势因素为高频降雨量和月间库水位变化,基于优势因素建立PSO-SVR模型预测波动项位移。结果表明,总预测值的平均相对误差为0.009 8,方差比为0.023 9,小误差概率为1,预测效果较好。利用该方法对三峡库区其它5个“台阶型”滑坡进行了预测,预测位移与实测位移较吻合,进一步证明了该方法的有效性,对同类滑坡的预测预报具有一定的借鉴意义。 相似文献
11.
Prediction of landslide displacement with step-like behavior based on multialgorithm optimization and a support vector regression model 总被引：2，自引：2，他引：0
Landslide prediction is important for mitigating geohazards but is very challenging. In landslide evolution, displacement depends on the local geological conditions and variations in the controlling factors. Such factors have led to the “step-like” deformation of landslides in the Three Gorges Reservoir area of China. Based on displacement monitoring data and the deformation characteristics of the Baishuihe Landslide, an additive time series model was established for landslide displacement prediction. In the model, cumulative displacement was divided into three parts: trend, periodic, and random terms. These terms reflect internal factors (geological environmental, gravity, etc.), external factors (rainfall, reservoir water level, etc.), and random factors (uncertainties). After statistically analyzing the displacement data, a cubic polynomial model was proposed to predict the trend term of displacement. Then, multiple algorithms were used to determine the optimal support vector regression (SVR) model and train and predict the periodic term. The results showed that the landslide displacement values predicted based on data time series and the genetic algorithm (GA-SVR) model are better than those based on grid search (GS-SVR) and particle swarm optimization (PSO-SVR) models. Finally, the random term was accurately predicted by GA-SVR. Therefore, the coupled model based on temporal data series and GA-SVR can be used to predict landslide displacement. Additionally, the GA-SVR model has broad application potential in the prediction of landslide displacement with “step-like” behavior. 相似文献
12.
突发型黄土滑坡灾前变形量小,加速阶段历时短,预警预报难度大。为探究该类滑坡失稳时间预测的新途径,降低滑坡造成的经济损失和人员伤亡,以2019年甘肃黑方台地区发生的4起滑坡为研究对象,基于改进的切线角模型确定滑坡变形阶段,提出以改进切线角为指标的简化累计计算方法;采用斜率模型（SLO模型）从滑坡各变形阶段起算进行失稳时间预测,从速度倒数变化趋势、滑坡成灾模式等方面分析预测结果差异。研究发现:（1）斜率模型在突发型黄土滑坡失稳时间预测方面具有一定的可行性,从80°切线角起算得到的预测精度最高;（2）以切线角为划分指标进行简化累计计算能降低数据波动对预测结果的影响,反映预测寿命变化趋势,提高预测精度;（3）速度倒数变化趋势呈“凹”型时提前预测概率大,速度倒数变化趋势呈“凸”型时滞后预测概率大,速度倒数变化趋势呈线性时模型预测精度较高;（4）该模型在黄土滑移崩塌型滑坡中的预测效果要优于静态液化型滑坡。 相似文献
13.
加卸载响应比理论在滑坡时间预测预报中的应用越来越广泛,但基本都以降雨型堆积层滑坡为研究对象,加卸载参数以降雨量、地下水水位为主,而对于水库型滑坡研究较少。为此,提出了一种以库水位为加卸载参数,以滑坡加速度为加卸载响应参数的预测模型,并以典型水库型滑坡——八字门滑坡为例对其准确性进行验证。研究结果表明,以库水位为加卸载参数的加卸载响应比理论预测模型能较准确地对水库型滑坡进行预测预报。 相似文献
14.
滑坡预测对于减轻地质灾害的危害十分重要,但对科学研究却很有挑战性。基于变形特征和位移监测数据,建立了三峡库区白水河滑坡的时间序列加法模型。在模型中,累计位移分为3个部分:趋势、周期和随机项,解释了由内部因素（地质环境,重力等）、外部因素（降雨,水库水位等）、随机因素（不确定性）共同作用的影响。在对位移数据进行统计分析后,提出了一个3次多项式模型对趋势项进行学习,并利用多算法寻优的支持向量回归机（SVR）模型对周期项进行训练与预测。结果表明,在预测精度上,基于时间序列与遗传算法-支持向量回归机（GA-SVR）耦合的位移预测模型要明显优于网格寻优（GS）以及粒子群算法（PSO）优化的支持向量回归机模型。因此,GA-SVR模型在滑坡位移预测方面可以得到较好的应用。在“阶跃型”滑坡位移预测中,GA-SVR将具有广阔的应用前景。 相似文献
15.
Predicting the deformation and evolution tendency of landslides is essential to landslide disaster prevention and mitigation.
At present, most of the proposed models for landslide displacement prediction belong to single models. It is difficult to
accurately describe the deformation and evolution law only by a single model for the complexity of landslides and limitation
of the models. In this paper, we presented an application of linear combination model with optimal weight in landslide displacement
prediction. We took Huanlongxicun and Saleshan landslides in Gansu province of China as examples, firstly to build GM(1,1)
and Verhulst models for displacement prediction of the two landslides; then build two linear combination models of the two
landslides, on the basis of the combining theory with optimal weight and the prediction results of the GM(1,1) and Verhulst
models. The results show that the prediction accuracies of the combining models are much higher than those of the single models
for both Huanglongxicun landslide and Saleshan landslide. Therefore, the combining model with optimal weight is an effective
and feasible method to further improve accuracy for landslide displacement prediction. 相似文献
16.
滑坡坡面位移特征及其应用 总被引：1，自引：0，他引：1
阳吉宝 《地质灾害与环境保护》1999,10(4):46-50
在详细分析滑坡坡面位移特征的基础上,提出根据坡面位移矢量确定滑坡滑动面,预报滑坡发生时间的原理和方法。 相似文献
17.
As the traditional displacement value of a landslide is very easy to be affected by rainfall, it is very difficult to establish a stable and uniform destabilized criterion of landslide in terms of the displacement value. So, it determines that establishment of an effective and stable dynamic displacement prediction parameter is very important in forecast of the debris landslides caused by rainfall. In order to determine this kind of prediction parameter, this paper first completes analysis on the relationship between the destabilized mechanism of the debris landslide and the rainfall dynamic rules. The relationship above shows that the periodical change value of rainfall can be taken as the dynamic unload–load parameter (ULP) of landslide, and the homologous change value of mensal landslide displacement can be taken as the stability displacement response parameter (DRP). Then, on the basis of the relationship between the ULP and the stability DRP of this kind of landslide, the unload–load displacement response ratio (ULDRR) appraisal parameter of this kind of landslides is established in this paper. Finally, the stability of typical debris landslides in China has been systematically studied by means of ULDRR appraisal parameter and model. We find that the ULDRR values conform to the evolutional rule of slope deformation and instability. So, it has been proved that the ULDRR parameter and the appraisal model are suitable and effective for prediction and evaluation of stability and evolution rule of rainfall-induced landslides. 相似文献
18.
Using an extreme learning machine to predict the displacement of step-like landslides in relation to controlling factors 总被引：4，自引：2，他引：2
In the evolution of landslides, besides the geological conditions, displacement depends on the variation of the controlling factors. Due to the periodic fluctuation of the reservoir water level and the precipitation, the shape of cumulative displacement-time curves of the colluvial landslides in the Three Gorges Reservoir follows a step function. The Baijiabao landslide in the Three Gorges region was selected as a case study. By analysing the response relationship between the landslide deformation, the rainfall, the reservoir water level and the groundwater level, an extreme learning machine was proposed in order to establish the landslide displacement prediction model in relation to controlling factors. The result demonstrated that the curves of the predicted and measured values were very similar, with a correlation coefficient of 0.984. They showed a distinctive step-like deformation characteristic, which underlined the role of the influencing factors in the displacement of the landslide. In relation to controlling factors, the proposed extreme learning machine (ELM) model showed a great ability to predict the Baijiabao landslide and is thus an effective displacement prediction method for colluvial landslides with step-like deformation in the Three Gorges Reservoir region. 相似文献