[发明专利]一种混合智能模型的水动力型滑坡位移预测方法

说明书

本发明公开了滑坡位移预测技术领域的一种混合智能模型的水动力型滑坡位移预测方法，旨在解决现有技术中对滑坡位移曲线进行处理时缺乏较好办法，因而影响水动力型滑坡位移预测效果的技术问题。所述方法包括如下步骤：对预获取的目标滑坡的位移时间序列进行EEMD分解，获取不少于两个特征频谱分量和一个残余项分量；基于特征频谱分量、残余项分量、预获取的目标滑坡的影响因子，求取滑坡累计位移的预测值。

技术领域

本发明涉及一种混合智能模型的水动力型滑坡位移预测方法，属于滑坡位移预测技术领域。

背景技术

水动力型滑坡，是指边坡在冰川融雪、降雨、水位变动、地表径流及地下水活动等水动力因素驱动下，所发生的岩土体失稳灾害。我国西南地区山体众多，降雨丰富，高山峡谷地貌较发育，岸坡层状岩体倾倒变形强烈，且建设有大型水电站，库水位落差很大，水库蓄水导致库区许多滑坡复活，安全隐患巨大，严重威胁人民群众的生命财产安全。因此，建立针对水动力型滑坡的位移预测方法以生成滑坡位移曲线，有着非常重要的现实意义。

在进行水动力型滑坡位移预测过程中，从滑坡表面的各位移监测点所采集生成的滑坡位移曲线，一般是一段非平稳的位移时间序列，直接处理相对困难。目前主流的分析处理方法，是将位移时间序列中“分解与集成”的思想运用到滑坡位移预测中。其中，移动平均法和二次移动平均法容易受现象复杂性影响；小波法在预估小波分解阶次以及确定基函数方面有一定难度，影响预测效果；经验模态分解法(empirical mode decomposition，EMD)既吸收了小波分解多变的优势，同时也避免了小波变换中需要确定阶次的困难，但是会出现模态混叠现象的问题。使用智能算法建立滑坡预测模型已经成为主流研究方向，该类预测模型可以对数据样本进行学习，提高了预测精度及泛化能力，其中人工神经网络(Artificial Neural Network，ANN)、多层前馈神经网络(back propagation，BP)等人工神经网络被广泛应用，但这类人工神经网络算法往往需要大量的样本数据，在有限的学习样本下进行精确预测存在困难，且在高维空间中容易得到局部最优。

发明内容

针对现有技术的不足，本发明的目的在于提供一种混合智能模型的水动力型滑坡位移预测方法，以解决现有技术中对滑坡位移曲线进行处理时缺乏较好办法，因而影响水动力型滑坡位移预测效果的技术问题。

为解决上述技术问题，本发明所采用的技术方案是：

一种混合智能模型的水动力型滑坡位移预测方法，包括如下步骤：

对预获取的目标滑坡的位移时间序列进行EEMD分解，获取不少于两个特征频谱分量和一个残余项分量；

基于特征频谱分量、残余项分量、预获取的目标滑坡的影响因子，求取滑坡累计位移的预测值。

进一步地，所述位移时间序列的获取方法，包括：

通过目标滑坡的位移监测点获取位移监测数据；

基于连续时域的位移监测数据生成累计位移时间序列，作为目标滑坡的位移时间序列。

进一步地，所述影响因子的获取方法，包括：

通过目标滑坡的雨量监测点或/和水位监测点获取降雨量监测数据、库水位监测数据、地下水位监测数据中的至少任一项；

基于连续时域的降雨量监测数据、库水位监测数据、地下水位监测数据中的至少任一项，生成目标滑坡的影响因子。

进一步地，基于连续时域的降雨量监测数据所生成的目标滑坡的影响因子，包括：当周降雨量、前两周降雨量、一周最大降雨量中的至少任一项；

基于连续时域的库水位监测数据所生成的目标滑坡的影响因子，包括：库水位或/和库水位变化；

基于连续时域的地下水位监测数据所生成的目标滑坡的影响因子，包括：地下水位或/和地下水位变化。