边坡形变预测预报方法研究

发布时间：2020-08-20 22:28

【摘要】：边坡在外界作用力的影响下不断发生形变,当形变量超限时将会发生滑坡灾害。因此,对边坡的形变量进行预测预报是预防滑坡灾害的有效手段之一。本文从现有的边坡监测数据入手,着重研究了边坡形变预测预报方法,主要研究成果及创新点如下:(1)从原理、推导过程和建模步骤等方面分别研究了灰色GM(1,1)模型、灰色Verhulst模型和BP神经网络模型三种单一预测预报模型,以及灰色马尔可夫模型和灰色神经网络模型两种组合预测预报模型。之后逐一分析了以上几种模型的优缺点。(2)针对现有的灰色预测预报模型存在的建模数据不能更新导致陈旧信息影响模型精度的问题,提出基于可变长度滑动窗动态更新建模数据的灰色GM(1,1)动态模型(GDM(1,1)模型)和灰色Verhulst动态模型(GVD模型)两种改进模型,并利用新滩滑坡B3监测点的形变监测数据对两种模型进行了验证,实验结果表明,两种改进模型的拟合精度和预测精度均优于传统灰色模型,改进效果明显。为了进一步提升GVD模型的精度和对波动性数据的适应性,提出了GVD模型与马尔可夫链结合的灰色Verhulst马尔可夫动态模型(GVMD模型),并用新滩滑坡的形变监测数据验证了改进模型的有效性。(3)鉴于传统的灰色神经网络模型中的灰色模型通常采用灰色GM(1,1)模型,而以灰色Verhulst模型与BP神经网络结合的研究较少。故提出一种残差修正型灰色Verhulst神经网络(RGVNN)模型,以GVD模型代替灰色GM(1,1)模型,并用BP神经网络修正GVD模型的预测残差。采用露天矿边坡的监测数据建立RGVNN模型,并将预测结果与灰色Verhulst模型和BP神经网络的预测结果比较。结果表明,相比于灰色Verhulst模型和BP神经网络,RGVNN模型的预测平均相对误差分别降低了96.3%和76.7%。RGVNN模型的预测精度远远优于灰色Verhulst模型和BP神经网络。(4)针对灰色Verhulst神经网络(GVNN)模型的权值和阈值随机初始化造成预测精度下降的问题,提出了思维进化算法优化的辅助型灰色Verhulst神经网络(MEA-AGVNN)模型。MEA-AGVNN模型引入思维进化算法(MEA)对网络的权值和阈值进行优化,将优化后的权值及阈值作为辅助型灰色Verhulst神经网络(AGVNN)模型的初始权值和初始阈值。利用露天矿边坡形变监测数据建立MEA-AGVNN模型,并将预测结果与AGVNN模型进行对比。实验结果表明,相比于AGVNN模型,MEA-AGVNN模型的预测平均相对误差降低了46.9%。MEA-AGVNN模型的预测精度优于GVNN模型。
【学位授予单位】：桂林电子科技大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：P642.22

【相似文献】