点击名片 关注我们
标题
Title
期刊: Acta Geotechnica
作者：Haijia Wen*, Jiafeng Xiao, Xuekun Xiang, Xiongfeng Wang & Wengang Zhang
年份：2024
1
摘要
由于阶跃式涉水滑坡的位移具有高度非线性和复杂性，因此难以开发出合理准确的预测模型。滑坡位移的有效预测取决于预测模型的性能和监测数据的质量，而监测数据受暴雨和洪水的影响很大。为了提高研究模型的预测精度，使用全球导航卫星系统（GNSS）监测地表位移。基于 GNSS 的位移数据通过结合粒子群优化（PSO）、引力搜索算法（GSA）和支持向量回归（SVR）开发混合模型。中国云阳典型涉水岩质滑坡九县坪滑坡的位移具有明显的阶跃分布特征。首先，归纳分析九县坪滑坡的变形特征和破坏模式。通过奇异谱分析（SSA）降低数据噪声后，将阶跃式滑坡位移分解为趋势项和周期项。然后，开发用于趋势项预测的多项式拟合模型，同时通过 PSO-SVR、GSA-SVR 和 PSO-GSA-SVR 开发多个模型用于预测周期项。对这三个模型进行了比较，并在重构后再次评估去除随机项的顺序。最后，通过趋势位移和周期位移叠加得到累计位移。同时，与实际监测位移进行了比较。结果表明：（1）滑坡位移的阶跃现象主要受降雨和库水位（RWL）的影响，滑坡突变段的位移总体呈凸形变形；（2）SSA 可以有效地将高度非线性的阶跃式滑坡位移分解为趋势项和周期项；（3）混合优化的 PSO-GSA-SVR 模型用于预测周期位移的相关系数大于 0.85，整体位移预测模型的相关系数为 0.99。这项工作为预测典型阶跃式涉水岩质滑坡提供了更好的位移预测模型。
2
图表
九仙坪滑坡位置及无人机正射影像
九仙坪滑坡变形特征：a.房屋变形特征；b.道路变形特征；c.滑坡后缘张拉裂缝；d.墙体变形特征；e.滑坡前缘裸岩。
II-II′剖面图和位移监测布置图
图 6 A、B、C 和 D 区域监测数据详情
预测方法流程图
a. 周期性位移。b. 降雨量与周期性位移之间的关系。c. 地下水位（RWL）、地下水位变化（RWLchange）与周期性位移之间的关系。d. 年位移、月位移与周期性位移之间的关系。
3
结论
本文提出了基于混合优化算法的位移预测模型。以具有明显阶跃状位移的九仙坪涉水岩滑坡为例，选择三个监测位移点进行建模和验证。本研究的主要贡献如下：
(1)
库水位（RWL）的周期性影响滑坡位移的阶跃状分布，库水位上升使滑坡位移稳定变化。在低库水位和暴雨的共同作用下，滑坡位移呈现明显的阶跃特征。库水位是引发滑坡变形的主要因素。库水位低于 160 米时容易引发滑坡灾害，其次是降雨，它加速了滑坡变形趋势。
(2)
由于奇异谱分析（SSA）在短期电力负荷和医疗结果中的影响，引入 SSA 是适用的。时间序列分解中的 SSA 无模型、无参数且不需要平稳时间序列。它在分解非线性阶跃状滑坡位移方面具有良好性能。去除随机项后重建序列误差小。分解周期项的预测模型的均方误差（MSE）和平均绝对误差（MAE）小，相关系数高。
(3)
选择的三个监测点 YY208、YY209 和 YY210 具有明显的阶跃状态，每月收集一次小样本数据。使用混合优化耦合支持向量回归（SVR）模型，三个监测点的预测总位移的 MSE 和 MAE 小。这表明改进的粒子群-引力搜索算法（PSO-GSA）具有良好的优化特性，可以激活停滞的粒子跳出局部区域。这也表明 SVR 在解决小样本和高维非线性回归问题方面具有足够的优势。
由于九仙坪滑坡的位移每月分析一次且样本量较小，改进的引力搜索算法-粒子群-支持向量回归（GSA-PSO-SVR）模型被应用于预测三峡库区九仙坪滑坡的位移。它是可靠的，具有很大的工程参考意义。
4
参考文献
扫码关注，欢迎来稿
邮箱丨engeomodel@gmail.com
免责声明
本公众号推广所有论文，仅供学术交流，由于小编水平有限，摘要、图表均为原文内容，文字翻译部分仅代表小编个人理解，本公众号不具该原文的版权。在文献解读或作者简历介绍过程中如有疏漏，我们深表歉意，如涉及侵权问题或冒犯之处，请作者团队及时联系本公众号（邮箱），我们会在第一时间进行修改或删除，感谢您的谅解！
