基于極限學習的重大工程災變滑坡預測研究.pdf

1、滑坡是位于中國長江上游的三峽庫區(qū)最重要的地質(zhì)災害之一。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和雨水滲入使得滑坡災害成為庫區(qū)嚴重的地質(zhì)環(huán)境問題。由于位于長江兩岸山脈上的大部分耕地都集中在老滑坡帶，滑坡災害常常導致大量的人員傷亡和財產(chǎn)損失，甚至影響到長江三峽移民工程的實施。為了降低滑坡帶來的危害，加強滑坡監(jiān)測和預測是十分必要的?；率且环N大面積的地面運動現(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、認為是一個復雜的非線性系統(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，但同時也受到復雜多變的外部自然環(huán)境因素的影響。例如強降雨，晝夜溫差，河流侵蝕，雨雪融化，地震和人類活動。利用傳統(tǒng)的線性方法已經(jīng)難以描述這些復雜環(huán)境因素和滑坡體演化之間的關(guān)系。因此我們嘗試利用先進的計算智能方法，例如人工神經(jīng)網(wǎng)絡(ANNs)，作為工具研究滑坡預測問題。本研究主要內(nèi)容包括：
　?、艑挛灰茊螘r間序列進行了研究，基于”分解與集成”的預測思

3、想，提出了一種改進的基于集成經(jīng)驗模態(tài)分解(EEMD)和極限學習機(ELM)的M-EEMD-ELM模型。首先利用EEMD將非線性的滑坡位移監(jiān)測序列分解為一系列本征模函數(shù)(IMFs)和一個殘余項函數(shù)。然后對除最高頻IMF外的其他分解得到的子序列建立ELM預測模型。最后通過簡單求和將ELM預測器對各個子序列的預測結(jié)果集成為最終的滑坡位移序列預測結(jié)果。以三峽庫區(qū)白水河滑坡為例驗證了預測方法的有效性，結(jié)果顯示在同樣的實驗條件下，本文提出的M-EE

4、MD-ELM預測模型能夠獲得比傳統(tǒng)的神經(jīng)網(wǎng)絡預測模型和EEMD-ELM模型更高的預測性能。
　?、茖ν饨绛h(huán)境因素，降雨和庫水位變化，與滑坡演化之間的關(guān)系進行了研究。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。對各個滑坡位移子序列建立ELM預測模型分別預測，最終的預測結(jié)果為各個子ELM預測模型預測結(jié)果的集成。以

5、三峽庫區(qū)白水河滑坡為實例驗證了本文提出的EEMD-ELM預測方法比傳統(tǒng)的神經(jīng)網(wǎng)絡預測模型具有更高的預測精度。
　?、菍⒘炕A測不確定性引入傳統(tǒng)的滑坡位移預測研究中，提出了一個新的基于隨機權(quán)值神經(jīng)網(wǎng)絡的滑坡位移預測模型。傳統(tǒng)的滑坡位移預測模型預測都是確定性的點預測，而我們研究的目標是構(gòu)建預測區(qū)間(PIs)的區(qū)間預測模型。本文采用一種新的神經(jīng)網(wǎng)絡構(gòu)建預測區(qū)間的方法，上界下界估計(LUBE)，來建立預測模型。不同于傳統(tǒng)的LUBE方法，本

6、文提出的隨機權(quán)值單隱層前饋神經(jīng)網(wǎng)絡中的隱層權(quán)值和偏置能夠隨機選擇，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。同時針對改進的LUBE算法提出了一個新的神經(jīng)網(wǎng)絡目標函數(shù)，該目標函數(shù)由改進的組合覆蓋寬度標準(CWC)和一個一范數(shù)正則化項組成。為了驗證提出方法的有效性，本文對兩組標桿數(shù)據(jù)集和一組三峽庫區(qū)典型滑坡實例數(shù)據(jù)集進行了實例分析。實驗結(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。
　?、壤脗鹘y(tǒng)的神經(jīng)網(wǎng)絡預測模型常常對滑坡位移突變點難以實現(xiàn)有效的預測，這主要是由于訓練樣本中滑坡位移突變這種小概率事件樣本的匱乏。為了克服這個問題，提出了一種將傳統(tǒng)的回歸預測問題轉(zhuǎn)化為分類預測問題的方法。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