共查询到18条相似文献，搜索用时 203 毫秒
1.
以三峡库区八字门阶跃型滑坡为例,针对静态机器学习模型在周期项位移预测中的不足以及高频随机项位移预测困难等问题,提出了一种新的滑坡位移预测方法。基于时间序列分解思想,采用粒子群算法（PSO）对变分模态分解（VMD）进行参数寻优,并将位移时间序列分解为趋势项、周期项和随机项。趋势项主要受滑坡内部因素影响,采用傅里叶曲线进行拟合预测;周期项由外部因素导致,基于格兰杰因果检验进行成因分析,并引入一种对时间序列历史状态具有较高敏感性的非线性自回归神经网络（NARX）进行预测;随机项频率较高且影响因素无法判定,采用一维门控循环单元（GRU）进行预测。最后将各分量预测位移进行叠加重构,实现滑坡累计位移的预测。结果表明,提出的（PSO-VMD）-NARX-GRU滑坡位移动态预测模型精度较高,且各位移分量预测精度明显高于静态模型中BP神经网络、支持向量机（SVM）和传统自回归模型ARIMA,可为阶跃型滑坡位移预测提供参考。 相似文献
2.
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
3.
基于灰色最小二乘支持向量机的边坡位移预测 总被引：1，自引：0，他引：1
利用边坡实测位移序列预测边坡未来时间的位移,可以有效地判断边坡的稳定性。在分析了灰色预测方法和最小二乘支持向量机各自的优缺点的基础上,提出了将二者相结合的一种新的预测模型--灰色最小二乘支持向量机预测模型。新模型既发挥了灰色预测方法中“累加生成”的优点,弱化了原始序列中随机扰动因素的影响,增强了数据的规律性,又充分利用了最小二乘支持向量机求解速度快、易于描述非线性关系的优良特性,避免了灰色预测方法及模型存在的理论缺陷。同时,采用遗传算法进行了模型的参数优化,通过2个工程实例说明灰色最小二乘支持向量机模型预测边坡位移的有效性,具有较高的精度。 相似文献
4.
混沌序列WA-ELM耦合模型在滑坡位移预测中的应用 总被引：1，自引：0，他引：1
《岩土力学》2015,(9):2674-2680
针对滑坡位移序列的混沌特性和传统时间序列预测模型的不足,提出了一种基于混沌时间序列的小波分解-极限学习机(WA-ELM)滑坡位移预测模型。该模型以滑坡位移序列混沌特性分析为基础,应用小波分析将位移序列分解为具有不同频率特征的分量,对各特征分量分别进行相空间重构并应用极限学习机进行预测,最后将各特征分量预测值叠加,得到原始位移序列的预测值。以三峡库区八字门滑坡为例,并与小波分析-支持向量机(WA-SVM)以及单独ELM模型进行对比研究。结果表明,基于混沌时间序列的WA-ELM模型预测精度较高且具有较好的通用性与稳定性,是一种有效的滑坡位移预测方法。 相似文献
5.
《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
6.
滑坡周期项位移的预测,是研究地质灾害中滑坡变形至关重要的一步。由于单一模型易受偶然因素影响,且无法充分利用有效信息,导致其预测精度不高,适用性不强。基于此,文中提出了一种结合自适应粒子群算法（APSO）、支持向量机回归算法（SVR）、门控神经网络算法(GRU)的组合模型。该模型通过自适应粒子群优化算法对支持向量机回归算法进行参数寻优,确定最优参数组合,然后利用最小二乘法对APSO-SVR模型与GRU模型赋权建立最优权重比组合模型。以三峡白水河滑坡作为研究对象,选取降雨量、库水位及位移量作为周期项位移的影响因子,对模型进行训练验证,结果表明:在白水河滑坡周期项位移预测中,文中所提出的APSO-SVR-GRU组合模型与单一模型相比,具有更高的预测精度和稳定性。 相似文献
7.
滑坡位移的多模态支持向量机模型预测 总被引：1，自引：0，他引：1
将支持向量机（support vector machine,SVM）方法与信号分析中的经验模态分解（empirical mode decomposition, EMD）方法相匹配,提出了一种通过多模态支持向量机函数回归分析建模预测滑坡位移的理论方法。以边坡位移历史观测数据为基础,应用EMD方法获得滑坡形成过程中位移演化的几个特征时间模态,构成了多模态信息统计学习样本,确定了边坡位移演化的自适应多尺度变化信息。对应于每个经验模态的位移变化信息,引入了多模态SVM建模方法,然后合成不同经验模态下边坡位移的计算结果,得到滑坡位移的预测值。以卧龙寺新滑坡和新滩滑坡的监测数据为基础的理论预测结果表明,与采用遗传算法的神经网络方法的预测结果相比,支持向量机经验模态方法具有更强的预测能力,理论预测结果与实际监测值具有很好的一致性 相似文献
8.
《地质科技情报》2019,(6)
对三峡库区中具有"阶跃型"位移曲线的滑坡进行位移预测的难度较高,为此,提出了基于自适应噪声完整集合经验模态分解法的粒子群优化-极限学习机模型,并将该模型用于万州区塘角1号滑坡的位移预测。首先利用CEEMDAN法提取滑坡趋势项位移和波动项位移的不同IMF组分,并使用Elman神经网络对趋势项位移进行预测;其次结合历史监测资料,通过滑坡位移对降雨、库水位等诱发因素的响应分析,确定了7种不同的波动项位移影响因素,并使用CEEMDAN法分解得到上述因素的各IMF分量;然后通过模糊熵分析,将波动项位移和诱发因素的IMF分量一一对应,构建PSO-ELM模型进行波动项位移的预测;最后将趋势项位移预测值和波动项位移预测值叠加得到累积位移的预测值。结果表明:和ELM模型、PSO-ELM模型相比,基于CEEMDNAN的PSO-ELM模型的预测精度更高,其均方根误差(RMSE)和拟合优度(R~2)可达到0.54 mm和0.99,为滑坡位移预测提供了一种新手段。 相似文献
9.
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
10.
PSO-LSSVM模型在位移反分析中的应用 总被引：4，自引：1，他引：3
提出了一种基于均匀设计原理、最小二乘支持向量机(LSSVM)和粒子群优化算法(PSO)的快速位移反分析方法。该方法利用均匀设计和有限差分法获得学习样本,再用粒子群算法搜索最优的最小二乘支持向量机模型参数。并用最小二乘支持向量机回归模型建立反演参数与监测点位移值之间的非线性映射关系,最后用粒子群算法从全局空间上搜索与实测位移最吻合的反演参数。该反演模型利用了粒子群算法高效简单、均匀设计构造高质量小样本以及最小二乘支持向量机的小样本、泛化性能好的特点。将该模型应用于龙滩水电站左岸地下厂房区岩体地应力场的反演分析中,计算结果与实测的位移值和地应力值均吻合较好,说明了该模型在岩土工程快速反演分析中具有良好的应用价值。 相似文献
11.
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
12.
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
13.
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
14.
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
15.
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
16.
Pierre Belle Bertrand Aunay Séverine Bernardie Gilles Grandjean Bernard Ladouche Romain Mazué Jean-Lambert Join 《Landslides》2014,11(3):343-355
The prediction of landslide movement acceleration is a complex problem, among others identified for deep-seated landslides, and represents a crucial step for risk assessment. Within the scope of this problem, the objective of this paper is to explore a modelling method that enables the study of landslide function and facilitates displacement predictions based on a limited data set. An inverse modelling approach is proposed for predicting the temporal evolution of landslide movement based on rainfall and displacement velocities. Initially, the hydrogeology of the studied landslides was conceptualised based on correlative analyses. Subsequently, we applied an inverse model with a Gaussian-exponential transfer function to reproduce the displacements. This method was tested on the Grand Ilet (GI) and Mare-à-Poule-d’Eau (HB) landslides on Reunion Island in the Indian Ocean. We show that the behaviour of landslides can be modelled by inverse models with a bimodal transfer function using a Gaussian-exponential impulse response. The cumulative displacements over 7 years of modelling (2 years of calibration period for GI, and 4 years for HB) were reproduced with an RMSE above 0.9. The characteristics of the bimodal transfer function are directly related to the hydrogeological functioning demonstrated by the correlative analyses: the rapid reaction of a landslide can be associated with the effect of a preferential flow path on groundwater level variations. Thus, this study shows that the inverse model using a Gaussian-exponential transfer function is a powerful tool for predicting deep-seated landslide movements and for studying how they function. Beyond modelling displacements, our approach effectively demonstrates its ability to contribute relevant data for conceptualising the sliding mechanisms and hydrogeology of landslides. 相似文献
17.
18.
对不同类型的35个滑坡进行统计分析,发现滑坡临滑前加速度和速度符合Voight模型的幂函数关系。由于无法准确判断三峡库区具台阶状位移特征的滑坡何时处于最后加速失稳阶段,故不能直接应用该模型进行预报。根据台阶状位移特征的滑坡变形特征,本文采用了基于Voight模型的警戒速度方法。该方法是基于Voight模型采用非线性回归分析求得模型参数,按不同风险级别要求求得紧急状态、警戒状态、提前警戒状态的速度阀值,并与实际监测的速度对比去预报滑坡所处的危险等级。采用警戒速度方法对白水河滑坡和新滩滑坡进行了分析,发现预测结果与实际较为接近,预测效果较好。 相似文献