基于集合经验模态分解的水库库岸滑坡阶跃型位移预测研究

发布时间：2020-11-17 04:08

　　 库岸滑坡是水利水电工程中常见的重大工程问题之一,三峡库区所在区域山高、坡陡、谷深,工程地质条件复杂多样,特别是区域每年雨季降雨量大,是典型的滑坡聚集的重灾区。在区域季节性降雨以及库水位周期性调度等因素的影响下,三峡库区存在较多长期累计位移—时间曲线具有阶跃型上升的形态的库岸滑坡,据此本文称该类库岸滑坡为阶跃型库岸滑坡。一方面,深入研究阶跃型位移库岸滑坡的诱发机制及水库蓄水后滑坡的变形破坏特征,以及对监测时间序列的挖掘可以更有效地利用监测数据;另一方面,采用何种预测方法是预测效果的前提和关键,对提前判断滑坡位移趋势具有重要意义。本文对库岸滑坡成因类型和机制进行了较为系统的总结分析;分析降雨和库水升降的作用机制,并选取三峡库区典型的阶跃型滑坡,分析其在降雨和库水运行周期中的变形演化特征,并利用格兰杰检验法检验了月降雨量和库水位对位移的影响及其滞后性。在阐述阶跃型库岸滑坡的位移成分响应模型理论的基础上探讨了目前分解阶跃型位移的方法,分析目前位移分解方法的不足,对三峡库区多个阶跃型库岸滑坡采用集合经验模态分解(EEMD)方法来分解阶跃型位移,并利用EEMD和t检验方法将降雨量时间序列和库水位时间序列重构为高频分量和低频分量,并采用三个非线性方法来预测波动项位移并对比,采用多项式拟合方法来预测趋势项位移,最后得到总的预测位移。取得的主要研究成果如下:(1)结合前人的工作,阐述了库区岸坡稳定性的主要内部控制因素和外部诱发因素的作用,分析了各种因素的主要作用机制。在此基础上,以典型的阶跃型滑坡——白水河滑坡和八字门滑坡为例,分析了1~2个滞后期下库水位升降和降雨量对阶跃型滑坡的阶跃型位移速率Granger因果检验,验证了月均降雨量、月均库水位与本文研究的阶跃型位移库岸滑坡的变形速率之间呈较强的因果关系,而且降雨对白水河滑坡的影响滞后期可能达到两个月甚至更长,库水位变化对变形影响滞后期为一个月,该滞后期还取决于监测间隔,在监测间隔更小的情况下可以得到更加接近实际的滞后期。(2)收集多个三峡库区阶跃型库岸滑坡的历史监测数据,根据位移成分响应模型,采用能够凸显局部波动特征的集合经验模态分解对库岸滑坡的台阶型位移进行分解,得到趋势项位移和波动项位移,趋势项位移的变化呈逐年上升趋势,且越到后期变化越缓慢,与实际监测位移总体趋势相同,而波动项位移的幅值与受到外部诱发因素强度影响较大。(3)通过集合经验模态分解,以位移成分响应模型为理论依据,对诱发因素进行经验模态分解。在不考虑趋势项的情况下,基于t检验进行多个本征模函数(IMF)的高频、低频分量重构,其中的高频分量可以视为反映诱发因素作用强度较大、频率较高,如短期内多次强降雨,对滑坡变形行为起到较大促进作用,可视为造成滑坡位移产生剧烈波动的主要贡献分量;低频成分反映诱发因素中影响强度较小、频率较低的变化分量,也是滑坡变形的重要因素之一。(4)结合经验模态分解对本文6个阶跃型滑坡数据分解与重构成果,采用灰色关联分析研究多个因素中与各波动项位移关联度较大的因素,视作优势诱发因素。可以发现,降雨量因素组的高频降雨量作为优势因素的滑坡有4个,占4/6,低频降雨量作为优势因素的有2个,占比2/6,高频降雨量和低频降雨量总占比为1,证明EEMD分解和重构得到的降雨分量因素比其它处理方法的降雨因素关联度更高。库水位因素组中,优势因素为库水位月间变化量的滑坡有5个,而八字门滑坡的高频库水位为最佳优势因素,库水位重构的变量仅仅占比1/6,而库水位月间变化占比很大,从一定程度上证明库水的变化速率对变形的影响很大。通过集合经验模态分解与重构方法对库水位的挖掘效果不尽人意,但可以很大程度上对降雨量充分挖掘,得到与波动项位移关联性更高的新的降雨量分量。(5)将降雨量组与库水位组中与波动项位移的灰色关联度高的因素作为输入变量而建立滑坡位移一关键诱因的非线性预测模型,对比粒子群优化的支持向量机回归方法、径向基神经网络、Elman神经网络三种方法对波动项位移的预测效果。Elman神经网络和径向基神经网络的对局部波动较大的位移预测值与实际值较为吻合,从精度指标来看,三种方法对波动项位移预测效果都能达到满足实际需求的精度,但支持向量机回归模型总体上对测试样本的预测效果更好;趋势项位移可以用多项式拟合预测,得到拟合的精确度R-Square均为1,拟合效果较好;叠加两项位移预测值得到的总预测值误差范围较小。
【学位单位】：中国地质大学
【学位级别】：硕士
【学位年份】：2018
【中图分类】：P642.22;TV697
【部分图文】：

‐1总体技术路线框图

梅：基于集合经验模态分解的阶跃型位移库岸滑坡预测用方面，由于 Elman 神经网络对训练过程具量小，较适合用来建立预测模型。2.3 径向基神经网络预测模型经网络(Radial Basis Function，简称 RBF 神经网网络依然包含 3 个基本神经元层，该方法相对中间隐层神经元是以输入变量与激活函数中心向置的激活函数一般是径向基函数。上述距离值越，距离值越小则输出目标值与隐层的关联性越

图 2-4 非线性映射示意图)代表把样本点 x 映射到高维空间后的特征向量，那么，考虑模型在特征空间划分样本点的超平面方程为：f (x)= ωT (x)+b (样本 D={(x1, y1),(x2, y2),···,(xm, ym)}，输入向量(组)xi，目标向量, y），传统回归模型常以模型输出 f(x)与真实 y 之间的误差计算损)与 y 完全相同，损失才为零，而支持向量回归假设我们能容忍 ε 的偏差，即仅当 f(x)与 y 之间的误差绝对值大于 ε 才计算损失二维示意简图（图 2-5）相当于以 f(x)为中心，构建了一个宽度训练样本落入此间隔带，则认为正确。
【相似文献】

相关期刊论文 前10条

1 杨默涵;陈万忠;李明阳;;基于总体经验模态分解的多类特征的运动想象脑电识别方法研究[J];自动化学报;2017年05期

2 孙国强;樊新海;张传清;;基于短时处理和经验模态分解的地面战场目标被动声识别[J];测试技术学报;2017年05期

3 宋振江;杨俊;李争;;基于二维经验模态分解的航摄影像去噪应用研究——以江西省某地区航摄影像为例[J];湖北民族学院学报(自然科学版);2016年02期

4 石志标;陈峰;;基于集合经验模态分解和支持向量机的滚动轴承故障诊断[J];拖拉机与农用运输车;2015年02期

5 林玉荣;王强;;基于一维经验模态分解的图像细节提取方法[J];吉林大学学报(工学版);2011年06期

6 蔡碧野;陈文辉;李峰;;二维经验模态分解边界效应抑制研究[J];计算机工程与应用;2008年13期

7 周志锋,蔡萍,许嘉,陈日兴;基于经验模态分解的汽车动态称重数据处理[J];中国机械工程;2005年20期

8 李阳;任殿龙;张超;杨学岭;;基于经验模态分解的飞机微多普勒特性分析[J];雷达与对抗;2018年01期

9 任志英;高诚辉;罗德海;林有希;张世忠;;二维经验模态分解在工程表面形貌误差评定中的应用[J];光学精密工程;2017年02期

10 郝欢;王华力;魏勤;;经验模态分解理论及其应用[J];高技术通讯;2016年01期

相关博士学位论文 前10条

1 石志晓;时频联合分析方法在参数识别中的应用[D];大连理工大学;2005年

2 孙晖;经验模态分解理论与应用研究[D];浙江大学;2005年

3 熊卫华;经验模态分解方法及其在变压器状态监测中的应用研究[D];浙江大学;2006年

4 葛光涛;二维经验模态分解研究及其在图像处理中的应用[D];哈尔滨工程大学;2009年

5 高静;经验模态分解的改进方法及应用研究[D];北京理工大学;2014年

6 胡劲松;面向旋转机械故障诊断的经验模态分解时频分析方法及实验研究[D];浙江大学;2003年

7 周义;快速二维经验模态分解和相位追踪方法及其在导波无损检测中的应用[D];上海交通大学;2014年

8 房曰荣;隧道瑞雷波探测信号去噪与频散曲线提取研究[D];福州大学;2014年

9 贺智;改进的经验模态分解算法及其在高光谱图像分类中的应用[D];哈尔滨工业大学;2014年

10 孙兆伟;基于现代信号处理的结构模态参数识别与损伤识别研究[D];北京邮电大学;2012年

相关硕士学位论文 前10条

1 苟玲;基于经验模态分解的网络流量检测与分析方法[D];电子科技大学;2018年

2 邓冬梅;基于集合经验模态分解的水库库岸滑坡阶跃型位移预测研究[D];中国地质大学;2018年

3 贺亚运;经验模态分解方法在PRISMA-YBJ实验数据中的应用与探究[D];河北师范大学;2018年

4 张瑜;基于小波函数的二维整体经验模态分解研究[D];长春工业大学;2017年

5 王彬;心冲击信号的经验模态分解提取方法研究[D];哈尔滨工业大学;2017年

6 景蓓蓓;基于微分的经验模态分解及其在多重转子故障分析中的应用[D];上海交通大学;2009年

7 冯孔森;基于改进的二维经验模态分解的医学图像融合[D];吉林大学;2012年

8 薛辉;基于二维经验模态分解的医学图像融合[D];吉林大学;2011年

9 胡建明;基于聚合经验模态分解的时间序列模型的研究及其应用[D];兰州大学;2013年

10 孟繁林;集合经验模态分解的理论及应用研究[D];江苏科技大学;2013年

本文编号：2887072