基于極限學(xué)習(xí)的重大工程災(zāi)變滑坡預(yù)測(cè)研究.pdf

1、滑坡是位于中國(guó)長(zhǎng)江上游的三峽庫區(qū)最重要的地質(zhì)災(zāi)害之一。三峽庫區(qū)特殊的多山地形，三峽水庫蓄水引起的水位波動(dòng)和雨水滲入使得滑坡災(zāi)害成為庫區(qū)嚴(yán)重的地質(zhì)環(huán)境問題。由于位于長(zhǎng)江兩岸山脈上的大部分耕地都集中在老滑坡帶，滑坡災(zāi)害常常導(dǎo)致大量的人員傷亡和財(cái)產(chǎn)損失，甚至影響到長(zhǎng)江三峽移民工程的實(shí)施。為了降低滑坡帶來的危害，加強(qiáng)滑坡監(jiān)測(cè)和預(yù)測(cè)是十分必要的?；率且环N大面積的地面運(yùn)動(dòng)現(xiàn)象，巖石崩落，斜坡體的深度破壞和淺泥石流等都屬于滑坡的范疇?；卵莼^程被

2、認(rèn)為是一個(gè)復(fù)雜的非線性系統(tǒng)。它主要是由滑坡體內(nèi)在的能量和斜坡自身的約束條件所決定，但同時(shí)也受到復(fù)雜多變的外部自然環(huán)境因素的影響。例如強(qiáng)降雨，晝夜溫差，河流侵蝕，雨雪融化，地震和人類活動(dòng)。利用傳統(tǒng)的線性方法已經(jīng)難以描述這些復(fù)雜環(huán)境因素和滑坡體演化之間的關(guān)系。因此我們嘗試?yán)孟冗M(jìn)的計(jì)算智能方法，例如人工神經(jīng)網(wǎng)絡(luò)(ANNs)，作為工具研究滑坡預(yù)測(cè)問題。本研究主要內(nèi)容包括：
　?、艑?duì)滑坡位移單時(shí)間序列進(jìn)行了研究，基于”分解與集成”的預(yù)測(cè)思

3、想，提出了一種改進(jìn)的基于集成經(jīng)驗(yàn)?zāi)B(tài)分解(EEMD)和極限學(xué)習(xí)機(jī)(ELM)的M-EEMD-ELM模型。首先利用EEMD將非線性的滑坡位移監(jiān)測(cè)序列分解為一系列本征模函數(shù)(IMFs)和一個(gè)殘余項(xiàng)函數(shù)。然后對(duì)除最高頻IMF外的其他分解得到的子序列建立ELM預(yù)測(cè)模型。最后通過簡(jiǎn)單求和將ELM預(yù)測(cè)器對(duì)各個(gè)子序列的預(yù)測(cè)結(jié)果集成為最終的滑坡位移序列預(yù)測(cè)結(jié)果。以三峽庫區(qū)白水河滑坡為例驗(yàn)證了預(yù)測(cè)方法的有效性，結(jié)果顯示在同樣的實(shí)驗(yàn)條件下，本文提出的M-EE

4、MD-ELM預(yù)測(cè)模型能夠獲得比傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型和EEMD-ELM模型更高的預(yù)測(cè)性能。
　　⑵對(duì)外界環(huán)境因素，降雨和庫水位變化，與滑坡演化之間的關(guān)系進(jìn)行了研究。利用EEMD分解將降雨序列，庫水位序列和滑坡位移序列各自分解為一系列從高到底不同頻率的IMFs。并利用ELM神經(jīng)網(wǎng)絡(luò)模型建立降雨和庫水位子序列同滑坡位移子序列間的關(guān)系。對(duì)各個(gè)滑坡位移子序列建立ELM預(yù)測(cè)模型分別預(yù)測(cè)，最終的預(yù)測(cè)結(jié)果為各個(gè)子ELM預(yù)測(cè)模型預(yù)測(cè)結(jié)果的集成。以

5、三峽庫區(qū)白水河滑坡為實(shí)例驗(yàn)證了本文提出的EEMD-ELM預(yù)測(cè)方法比傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型具有更高的預(yù)測(cè)精度。
　?、菍⒘炕A(yù)測(cè)不確定性引入傳統(tǒng)的滑坡位移預(yù)測(cè)研究中，提出了一個(gè)新的基于隨機(jī)權(quán)值神經(jīng)網(wǎng)絡(luò)的滑坡位移預(yù)測(cè)模型。傳統(tǒng)的滑坡位移預(yù)測(cè)模型預(yù)測(cè)都是確定性的點(diǎn)預(yù)測(cè)，而我們研究的目標(biāo)是構(gòu)建預(yù)測(cè)區(qū)間(PIs)的區(qū)間預(yù)測(cè)模型。本文采用一種新的神經(jīng)網(wǎng)絡(luò)構(gòu)建預(yù)測(cè)區(qū)間的方法，上界下界估計(jì)(LUBE)，來建立預(yù)測(cè)模型。不同于傳統(tǒng)的LUBE方法，本

6、文提出的隨機(jī)權(quán)值單隱層前饋神經(jīng)網(wǎng)絡(luò)中的隱層權(quán)值和偏置能夠隨機(jī)選擇，而只有輸出權(quán)值需要調(diào)節(jié)。利用粒子群優(yōu)化(PSO)和萬有引力搜索(GSA)的混雜算法PSOGSA來優(yōu)化輸出權(quán)值。同時(shí)針對(duì)改進(jìn)的LUBE算法提出了一個(gè)新的神經(jīng)網(wǎng)絡(luò)目標(biāo)函數(shù)，該目標(biāo)函數(shù)由改進(jìn)的組合覆蓋寬度標(biāo)準(zhǔn)(CWC)和一個(gè)一范數(shù)正則化項(xiàng)組成。為了驗(yàn)證提出方法的有效性，本文對(duì)兩組標(biāo)桿數(shù)據(jù)集和一組三峽庫區(qū)典型滑坡實(shí)例數(shù)據(jù)集進(jìn)行了實(shí)例分析。實(shí)驗(yàn)結(jié)果顯示本文提出的方法能夠比傳統(tǒng)的方法

7、構(gòu)建更加優(yōu)質(zhì)的PIs。
　　⑷利用傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型常常對(duì)滑坡位移突變點(diǎn)難以實(shí)現(xiàn)有效的預(yù)測(cè)，這主要是由于訓(xùn)練樣本中滑坡位移突變這種小概率事件樣本的匱乏。為了克服這個(gè)問題，提出了一種將傳統(tǒng)的回歸預(yù)測(cè)問題轉(zhuǎn)化為分類預(yù)測(cè)問題的方法。通過利用K均值聚類分析滑坡位移變化量，將滑坡演化分為兩類：滑坡平穩(wěn)演化階段和滑坡位移突變階段。由于滑坡位移突變是一種小概率事件，因此滑坡位移分類實(shí)質(zhì)上是一種不平衡數(shù)據(jù)分類問題。為了克服數(shù)據(jù)的不平衡分布問題