[发明专利]一种岸坡变形预测方法

摘要

本发明公开了一种岸坡变形预测方法，包括以下步骤：步骤1：收集位移监测数据，将总位移按各变形影响因素作用形式分解为不同的响应成分；步骤2：位移时间序列分解,剔除时间序列的“不稳定”成分，即剔除趋势项位移；步骤3：用灰色GM(l,1)模型提取趋势项位移，BP神经网络模型分析受库水或降雨作用诱发的偏离量位移，将趋势项及周期项位移叠加即可得滑坡总位移预测值。本发明的优点在于：以滑坡变形机制及演化阶段为基础,考虑各诱发因素对滑坡位移的贡献，建立基于多诱发因素的灰色‑神经网络位移预测模型，该模型可适用于受外动力作用因素影响的滑坡变形预测，同时，既可实现用于滑坡变形的中长期预报，又可适用于短期及临滑预报。

主权项

1.一种岸坡变形预测方法，其特征在于，包括以下步骤：步骤1：收集岸坡位移监测数据，将位移总量按照各变形影响因素作用形式分解为不同的响应成分，由于斜坡位移的产生是受坡体自身地质结构条件控制以及外界诱发因素共同作用的结果，把位移分为如下四项，并可以用下列模型表示：A_t＝t_t+c_t+s_t+ε_t式中：t_t、c_t、s_t、ε_t分别为具有确定性的趋势项、周期项、脉动项和不确定的随机变量；步骤2：位移时间序列分解；采用滑动平均法进行位移分解，将总位移中的趋势项剔除，它是一种滤波的数据处理方法，以多点线性滑动平均法为依托，剔除时间序列的“不稳定”成分，求出序列y₁，y₂，…y_n的几个前期平均值和后期平均值，从而构建出一个新的序列，而这个新序列是比较光滑的；其数学表达式为：若k＝1，为3点滑动平均；k＝2，为5点滑动平均，依次类推；这样所得的f_t的随机起伏比原来数据减小了，使得曲线更加平滑，因此称为平滑数据；同时，取其残差为：e_t＝y_t‑f_t滑动平均后，滤掉数据中频繁随机起伏，显示出平滑的变化趋势，随机误差的变化过程，即趋势项的偏离量，因而得到滑坡周期项位移，周期项位移是受多个影响因素共同作用的复杂非线性序列；步骤3：用灰色GM(l,1)模型提取趋势项位移，BP神经网络模型分析受库水加载或降雨作用诱发的偏离量位移，最后，将趋势项及周期项位移预测值叠加即可得到滑坡总位移预测值。