基于贝叶斯的滑坡稳定性预测对比分析研究

滑坡稳定性的分析是一个复杂的系统工程,影响滑坡稳定性的因素较多。首先,基于相关系数理论描述滑坡稳定性影响因素对滑坡稳定状态影响的大小。再根据关联度大小筛选出影响滑坡稳定性的主要影响因素。其次,引入贝叶斯理论,滑坡稳定性的主要影响因素和滑坡的稳定状态建立了基于贝叶斯的滑坡稳定性预测模型。最后,在贝叶斯理论分析和MATLAB软件的基础上,以竹溪县197组滑坡数据中的100组滑坡数据作为训练样本,其余97组滑坡数据作为测试样本,代入模型进行判别。研究结果表明:其训练集稳定性预测的正确率为80%,测试集稳定性预测的正确率为80.41%。故基于贝叶斯的滑坡稳定性预测模型对于滑坡稳定性分析具有一定参考价值。同时,相关的方法也可以为其他工程研究提供参考。     

基于斜坡单元的地震滑坡敏感性分析

针对斜坡单元大小直接影响地震滑坡敏感性区划结果,论文利用河网密度优选出集水面积阈值,在此基础上生成最优斜坡单元。构建了基于遗传算法的支持向量机敏感性分区预测模型,并实现了宝盛乡地震滑坡敏感性分区。结果显示,在优选出的斜坡单元基础上完成的地震滑坡敏感性分析的精度达到了98.72%。利用优选斜坡单元结合基于遗传算法的支持向量机构建的地震滑坡预测模型是滑坡预测的有效工具,可为防灾减灾提供决策支持。     

基于布谷鸟搜索优化的光伏电站辐照强度预测

针对光伏电站日前小时短期辐照强度的预测准确性问题,且考虑到支持向量机的学习参数对预测模型的性能有较大影响,为进一步提高数据的预测精度,利用布谷鸟搜索算法对支持向量机的惩罚因子c和核参数g进行优化,提出了一种基于布谷鸟搜索算法和支持向量回归的组合预测方法。仿真结果表明:该方法大大提高了光伏辐照强度预测的准确性和精度,可行且高效,适用于光伏在线预测。     

泥石流平均流速的MLS模型预测

泥石流的流速预测是泥石流灾害防治的核心问题之一。由于泥石流流速的影响因素众多,需要寻求能够综合反映泥石流流速影响因素的预测模型。移动最小二乘法(MLS)预测模型具有自学习和自组织及捕捉到影响因素数值微小变化的能力,可以解决泥石流流速预测存在的一些问题。采用云南蒋家沟泥石流流速实测数据作为训练样本和预测样本,以泥深、比降、密度、颗粒的平均粒径作为输入因子。讨论了用MLS方法进行泥石流平均流速预测的可行性与有效性,并将预测结果与经验公式、BP神经网络以及支持向量机进行了对比。结果表明,MLS方法的最大预测误差为4.6%,平均误差为2.7%,预测精度优于经验公式、BP神经网络及支持向量机方法。MLS方法可以为泥石流防治提供更准确的科学依据。     

基于最优权重联合模型的滑坡位移预测研究

在对联合预测模型的权重研究基础上,依托沪瑞高速公路贵州段晴隆滑坡的监测资料,首先建立了该滑坡位移预测的3个非线性预测模型:支持向量机模型、指数平滑模型、GM(1,1)模型;根据各模型训练结果,然后引入准确性矩阵,得到各单模型的权重,建立多模型联合预测模型,解决多模型预测结果取舍和可靠性评判问题。将联合模型与各单一模型的预测结果对比分析得出:联合模型的预测精度高于任何单一模型的预测精度。因此,运用最优权重联合模型能有效地提高滑坡预测预报精度。     

基于相关向量机的蒋家沟泥石流平均流速预测模型

泥石流是我国常见的一种地质灾害,泥石流的平均流速是泥石流灾害防治的重要参数之一,准确的预测泥石流平均流速对灾害预防具有重要意义。本文建立基于相关向量机的蒋家沟泥石流平均流速预测模型,通过与蒋家沟泥石流平均流速的支持向量机、BP神经网络模型预测结果对比,验证该模型预测精度;同时采用平均相对误差和均方差2个指标评价各个模型的整体性能和稳定情况。结果表明,与实测值相比,相关向量机预测最大相对误差仅为2.02%,平均相对误差为0.64%,均方差为0.06,远低于BP神经网络模型和支持向量机模型的预测结果。由此可知,本文提出的基于相关向量机的蒋家沟泥石流平均流速预测模型效果明显优于其他2种模型,且预测结果更为准确,模型整体性能和稳定情况较好,为泥石流平均流速获取提供一条新途径。     

基于主成分分析和支持向量机的苏锡常地区地裂缝危险性预测

地裂缝地质灾害是由多种复杂因素共同导致的岩层、土体开裂现象,常规数学模型难以对地裂缝的危险性做出准确预测。该文首先采用主成分分析(PCA)方法对选取的导水系数、水位、粘性土层厚度、基岩起伏度、基岩埋深5个影响因素提取3个主成分,对导致地裂缝发生的主成分进行了全新的解释,同时引入支持向量机的方法(SVM)建立了基于主成分分析和支持向量机的苏锡常地区地裂缝危险性预测模型。并结合工程实例将预测结果与SVM模型预测结果进行比较分析。结果表明:基于主成分分析和支持向量机的地裂缝危险性预测模型精度较高,具有一定的参考价值,可为预测苏锡常地区地裂缝危险性提供有效依据。     

基于逻辑回归的地震滑坡易发性评价——以汶川地震、鲁甸地震为例

准确评估地震诱发的滑坡风险,并及时绘制滑坡易发风险图是灾害应急救援的科学前提和理论基础。目前机器学习在滑坡敏感性评估中具有广泛应用,但大多数研究缺乏对模型的普适性探讨,且该类预测模型缺乏定量评价地震动参数对模型精度的影响。该文以2008年5月12日的汶川8级地震和2014年8月3日的鲁甸6.5级地震为例,先通过相关系数及方差膨胀因子选择地震滑坡的影响因子构建数据库,并随机按照7∶3的比例分为训练集和测试集,再分析影响因子在滑坡和非滑坡样本中的频数分布,最后分别利用两次地震的训练集建立逻辑回归模型(Logistic Regression, LR)进行精度验证和易发性评估。结果显示模型在同一次地震的测试集下均达到较高的预测精度(>90%);但是基于汶川地震构建的模型对鲁甸地震诱发滑坡的预测精度整体下降了14%。此外,地震动参数(Modified Mercalli Intensity Scale, MMI)对模型预测精度贡献在5%~29%。结果表明基于历史地震事件建立的模型对未来地震引发滑坡的预测中仍具有较大的局限性,需要增加不同地区不同震情的样本量和新的机器学习方法提高预测模型的普适性。     

降雨型滑坡灾害的特征聚合决策树预测模型

为了有效预警降雨型滑坡灾害,以秦巴山区为研究区域,采集并处理大量不同时段降雨数据,构成降雨特征属性。利用Fisher最优分割,对降雨特征属性值进行分段统计,提出特征聚合转换表。使用信息增益和预测反馈筛选影响滑坡灾害的有效降雨特征,为预测模型提供有效数据集。利用特征聚合转换表和有效降雨特征,改进决策树,构建特征聚合决策树预测模型,进而提高预测效率和预测准确率。分析决策树的深度和叶子节点个数,给出决策树的反馈执行度,表明使用特征聚合转换表的决策树更优。比较特征聚合决策树、决策树、朴素贝叶斯和逻辑回归预测模型,结果表明,特征聚合决策树预测模型对降雨型滑坡灾害有更高的预测准确率,且平均预测准确率较高。     

基于SVM⁃RF的泥石流窗口坝闭塞度判别研究∗

为了研究野外泥石流防治工程中窗口坝的开口闭塞类别,基于量纲分析理论,以室内水槽试验模拟实际工程,分析模型试验与实际工程的相关物理量及对应的相似准数;引入支持向量机和随机森林分类模型,在开源机器学习工具Scikit-Learn中,采用python编程实现算法;以室内水槽试验数据作为支持向量机和随机森林的训练样本,进行机器学习得到分类模型,提出一种用于判别泥石流窗口坝闭塞类型的新方法;将测试结果与经验公式中闭塞度判别值F的分类结果进行正确率对比,结果表明,F值的分类准确率为88%,而支持向量机为92%,随机森林为94%,随机森林分类效果最好,机器学习理论为泥石流窗口坝在实践中的设计提供了新思路。     

基于大数据挖掘的山区公路沿线滑坡易发性小区划

本文目的是基于滑坡灾害因子地理空间数据、历史滑坡大数据分析,构建山区公路沿线滑坡易发性精细化评价的逻辑回归模型。选取高程、坡度、坡向、坡位、微地貌、曲率、顺逆向坡、归一化植被指数、岩性、距水系距离、距断层距离、距道路距离、多年平均降雨13个因子作为滑坡易发性影响因子,以30 m精度栅格建立影响因子地理空间数据库。在研究区域441个历史滑坡数据的基础上,将地理空间分划分为滑坡区与非滑坡区,分别随机选取70%的滑坡区域与非滑坡区作为训练数据集,剩下的30%作为验证数据集。通过样本数据集的训练,建立逻辑回归分析模型。利用训练好的逻辑回归模型,对整个研究区滑坡易发性进行仿真预测。结果显示,滑坡极低、低、中、高、极高易发区面积分别占42.24%、18.42%、17.57%、16.37%、5.41%,高、极高易发区与历史滑坡位置吻合度高;训练数据集、验证数据集以及区域仿真的ROC曲线AUC值分别为0.89、0.83、0.87,评价模型具有较高的稳定性与可靠性;新近发生的3个典型滑坡均处于高或极高易发区,模型具有良好的预测功能。     

基于改进模糊聚类法和CPSO.-ISSVM的母线负荷预测

针对大型冶金企业专用母线负荷种类多、分布不均、规律性弱等特点,利用自组织特征映射神经网络(self-organizing feature map, SOM)对模糊聚类法进行改进,以选择待预测日的相似日,通过db4小波对相似日负荷数据进行分解、去噪和重构处理后作为后期预测模型的训练样本;采用混沌粒子群算法(chaos particle swarm optimization,CPSO)对最小二乘支持向量机(least square support vector machine, LSSVM)算法的惩罚参数和核函数覆盖宽度进行优化,构造了基于CPSO和LSSVM的母线负荷预测模型。仿真结果表明:该负荷预测模型,将预测结果的相对误差降低到1.998%,预测精度达到了97%,提高了专用母线负荷预测准确性。     

基于突变级数法的滑坡稳定性评价

基于突变级数法,建立了滑坡稳定性评价和预测模型。在相关研究的基础上,建立了滑坡稳定性评价指标的递阶层次结构,以滑带强度、滑面特征、滑坡外形特征及其近期活动等4个内部影响因素,以及暴雨作用、河流作用、滑坡后缘加载、人工活动和地震作用等5个外部影响因素,作为滑坡稳定性识别的判别因子;以22组典型滑坡工程案例作为训练样本,建立了滑坡稳定性评价模型和突变级数判据;然后利用6组典型滑坡工程实际案例作为测试样本,检验了模型的可行性和可靠性。研究表明,突变级数法对滑坡稳定性的识别结果与实际情况吻合,并与系统加权聚类分析法、判别分析法等的识别结果一致。     

基于改进的PSO‑BP神经网络的边坡稳定性研究∗

边坡稳定性研究对于重大地质灾害防治极其重要，但由于影响边坡稳定性的因素具有非线性、多样性以及模糊性等特征，边坡稳定性分析一直是地质灾害防治领域的热难点问题。已有研究表明神经网络预测模型可有效应用边坡稳定性分析，但同时存在预测精度低、鲁棒性差、收敛速度慢等缺点。为改善上述问题，在粒子群算法优化的 BP 神经网络（简称 PSO?BP 神经网络）算法基础上提出一种改进的边坡稳定性预测模型。该模型以容重、内聚力、内摩擦角、边坡角、高度、孔隙压力比作为输入参数，以安全系数作为输出参数。通过借鉴遗传算法中的变异思想来提升模型全局寻优的能力，利用能量函数负梯度下降原理提高模型的收敛速度。将所收集到百余条边坡数据进行数据清洗，最终得到 80 条高质量边坡数据，随机选取其中的 50 条边坡数据作为模型的试验数据。最后采用十折交叉验证的方法对模型的准确性进行验证，并在多维度与其余边坡稳定性神经网络预测模型进行对比分析。结果表明：①该模型相比于其余模型收敛速度、准确率、鲁棒性均有明显提高；②将 K 折交叉验证应用在小样本数据下的边坡稳定性神经网络预测模型，可有效避免结果的偶然性。③该模型的预测误差仅为 4.31%，满足工程精度需求，可在实际工程中为边坡稳定性分析与灾害防治提供参考。     

滑坡概率在边坡稳定性分析中的应用

应用逻辑回归模型和确定性系数CF建立滑坡概率预测模型,进行边坡稳定性分析,结合赣南离子型稀土矿山42个边坡实例,选取重度、内聚力、内摩擦角、边坡角、孔隙压力比5个影响因子作为输入,边坡状态作为输出,用SPSS软件进行回归分析,获得可信的滑坡概率拟合函数。将预测模型和分析结果反馈到样本数据,样本数据输入值和预测值差值在10%以下的超过95%,说明了预测模型的合理性;准确预测了9个稀土矿山边坡稳定性,说明了预测模型的准确性。     

山区灾害滑坡风险非线性预测研究

传统山区灾害滑坡风险预测方法,对山区滑坡风险进行预测与分析同时,存在预测响应滞后以及预测准确率较低问题。提出山区灾害滑坡风险非线性预测研究方法。基于山区灾害滑坡影响因素,构建非线性斜坡系统,对斜坡单元进行量化分析,完成滑坡非线性动力学模型设计。利用该动力学模型与时间序列的研究,对滑坡形态与时间影响进行综合分析,判定危险滑坡源,对其进行空间相分析,完成山区灾害滑坡风险非线性预测。实验数据表明所提非线性预测方法相比于传统预测方法,响应时间提升96.18%,准确率提升48.95%。     

GIS支持下的滑坡空间预测与危险等级划分

以日本早池峰山地域为研究对象,借助航片、TM影像、数字化地图以及各种统计资料和现有专题图等主要数据,利用美国MicroImage公司开发的TNTmips地理信息系统,将数量化理论与地理信息系统紧密结合,对区域滑坡进行了空间预测和危险等级划分.提取并计算了滑坡以及包括坡度、坡向、海拔、坡面倾斜类型、降雨、植被、土壤和地质等8个滑坡影响因子,得到了滑坡及其影响因子的空间分布图.在此基础上,抽取372个样本,应用数量化理论对这些样本进行了分析,建立了区域滑坡预测模型.该模型经研究区域共1296384个样本检验,模型预测精度达80.49%.最后,以滑坡发生概率为基准,对滑坡危险等级进行了划分.     

基于相空间重构和独立分量分析的火灾预测

利用非线性动力学的相空间重构理论和独立分量分析,结合非线性支持向量回归,提出了火灾起数时间序列预测方法。首先用时间延迟法和独立分量分析重构系统的相空间来反映火灾起数时间序列的内在变化规律,然后再用非线性支持向量回归来构建预测模型。仿真结果表明该预测方法具有较高的预测精度。     

基于人工神经元网络的滑坡稳定性预测评价

由于滑坡岩土体的结构与物理力学性质表现在宏观和微观上有着不连续性和高度的非线性等特点,其稳定性受地质因素和工程因素等综合影响,岩土体变形、演化规律的非线性和内在因素的非线性决定了滑坡是一个复杂多变的非线性系统.根据滑坡失稳的非线性特征,将人工神经元网络BP模型应用到滑坡稳定性的评价预测中,借助MATLAB的人工神经元网络工具箱,以国道G324上的86个滑坡数据为训练和预测样本对模型进行了实验和验证,结果表明,所建立的滑坡稳定性预测方法具有较高的预测精度.     

基于主成分分析与遗传优化BP神经网络的风电场短期功率预测研究

为降低风电场弃风率及对电网稳定性影响,对风电场短期功率进行准确预测显得十分重要。针对传统BP神经网络泛化能力差、网络收敛速度慢等问题,建立了一种基于主成分分析与遗传优化BP神经网络相结合的风电场短期功率预测模型。首先,利用主成分分析法对风电场原始气象数据进行分析,将得到的独立变量作为BP神经网络的输入;然后利用遗传算法确定了神经网络的最优初始权值和阈值的大致范围,并用L-M算法对BP网络权值和阈值进行细化训练;最后,利用中国北方某风电场实际运行数据进行验证,结果表明,所建立的预测模型合理有效,不仅可以加快BP神经网络收敛速度,减少预测误差,还可以提高风电场短期输出功率的预测精度,具有一定的工程应用价值。