發(fā)布時間：2020-11-17 04:08

　　 庫岸滑坡是水利水電工程中常見的重大工程問題之一,三峽庫區(qū)所在區(qū)域山高、坡陡、谷深,工程地質(zhì)條件復(fù)雜多樣,特別是區(qū)域每年雨季降雨量大,是典型的滑坡聚集的重災(zāi)區(qū)。在區(qū)域季節(jié)性降雨以及庫水位周期性調(diào)度等因素的影響下,三峽庫區(qū)存在較多長期累計位移—時間曲線具有階躍型上升的形態(tài)的庫岸滑坡,據(jù)此本文稱該類庫岸滑坡為階躍型庫岸滑坡。一方面,深入研究階躍型位移庫岸滑坡的誘發(fā)機(jī)制及水庫蓄水后滑坡的變形破壞特征,以及對監(jiān)測時間序列的挖掘可以更有效地利用監(jiān)測數(shù)據(jù);另一方面,采用何種預(yù)測方法是預(yù)測效果的前提和關(guān)鍵,對提前判斷滑坡位移趨勢具有重要意義。本文對庫岸滑坡成因類型和機(jī)制進(jìn)行了較為系統(tǒng)的總結(jié)分析;分析降雨和庫水升降的作用機(jī)制,并選取三峽庫區(qū)典型的階躍型滑坡,分析其在降雨和庫水運(yùn)行周期中的變形演化特征,并利用格蘭杰檢驗法檢驗了月降雨量和庫水位對位移的影響及其滯后性。在闡述階躍型庫岸滑坡的位移成分響應(yīng)模型理論的基礎(chǔ)上探討了目前分解階躍型位移的方法,分析目前位移分解方法的不足,對三峽庫區(qū)多個階躍型庫岸滑坡采用集合經(jīng)驗?zāi)�態(tài)分解(EEMD)方法來分解階躍型位移,并利用EEMD和t檢驗方法將降雨量時間序列和庫水位時間序列重構(gòu)為高頻分量和低頻分量,并采用三個非線性方法來預(yù)測波動項位移并對比,采用多項式擬合方法來預(yù)測趨勢項位移,最后得到總的預(yù)測位移。取得的主要研究成果如下:(1)結(jié)合前人的工作,闡述了庫區(qū)岸坡穩(wěn)定性的主要內(nèi)部控制因素和外部誘發(fā)因素的作用,分析了各種因素的主要作用機(jī)制。在此基礎(chǔ)上,以典型的階躍型滑坡——白水河滑坡和八字門滑坡為例,分析了1~2個滯后期下庫水位升降和降雨量對階躍型滑坡的階躍型位移速率Granger因果檢驗,驗證了月均降雨量、月均庫水位與本文研究的階躍型位移庫岸滑坡的變形速率之間呈較強(qiáng)的因果關(guān)系,而且降雨對白水河滑坡的影響滯后期可能達(dá)到兩個月甚至更長,庫水位變化對變形影響滯后期為一個月,該滯后期還取決于監(jiān)測間隔,在監(jiān)測間隔更小的情況下可以得到更加接近實際的滯后期。(2)收集多個三峽庫區(qū)階躍型庫岸滑坡的歷史監(jiān)測數(shù)據(jù),根據(jù)位移成分響應(yīng)模型,采用能夠凸顯局部波動特征的集合經(jīng)驗?zāi)�態(tài)分解對庫岸滑坡的臺階型位移進(jìn)行分解,得到趨勢項位移和波動項位移,趨勢項位移的變化呈逐年上升趨勢,且越到后期變化越緩慢,與實際監(jiān)測位移總體趨勢相同,而波動項位移的幅值與受到外部誘發(fā)因素強(qiáng)度影響較大。(3)通過集合經(jīng)驗?zāi)�態(tài)分解,以位移成分響應(yīng)模型為理論依據(jù),對誘發(fā)因素進(jìn)行經(jīng)驗?zāi)�態(tài)分解。在不考慮趨勢項的情況下,基于t檢驗進(jìn)行多個本征模函數(shù)(IMF)的高頻、低頻分量重構(gòu),其中的高頻分量可以視為反映誘發(fā)因素作用強(qiáng)度較大、頻率較高,如短期內(nèi)多次強(qiáng)降雨,對滑坡變形行為起到較大促進(jìn)作用,可視為造成滑坡位移產(chǎn)生劇烈波動的主要貢獻(xiàn)分量;低頻成分反映誘發(fā)因素中影響強(qiáng)度較小、頻率較低的變化分量,也是滑坡變形的重要因素之一。(4)結(jié)合經(jīng)驗?zāi)�態(tài)分解對本文6個階躍型滑坡數(shù)據(jù)分解與重構(gòu)成果,采用灰色關(guān)聯(lián)分析研究多個因素中與各波動項位移關(guān)聯(lián)度較大的因素,視作優(yōu)勢誘發(fā)因素�？梢园l(fā)現(xiàn),降雨量因素組的高頻降雨量作為優(yōu)勢因素的滑坡有4個,占4/6,低頻降雨量作為優(yōu)勢因素的有2個,占比2/6,高頻降雨量和低頻降雨量總占比為1,證明EEMD分解和重構(gòu)得到的降雨分量因素比其它處理方法的降雨因素關(guān)聯(lián)度更高。庫水位因素組中,優(yōu)勢因素為庫水位月間變化量的滑坡有5個,而八字門滑坡的高頻庫水位為最佳優(yōu)勢因素,庫水位重構(gòu)的變量僅僅占比1/6,而庫水位月間變化占比很大,從一定程度上證明庫水的變化速率對變形的影響很大。通過集合經(jīng)驗?zāi)�態(tài)分解與重構(gòu)方法對庫水位的挖掘效果不盡人意,但可以很大程度上對降雨量充分挖掘,得到與波動項位移關(guān)聯(lián)性更高的新的降雨量分量。(5)將降雨量組與庫水位組中與波動項位移的灰色關(guān)聯(lián)度高的因素作為輸入變量而建立滑坡位移一關(guān)鍵誘因的非線性預(yù)測模型,對比粒子群優(yōu)化的支持向量機(jī)回歸方法、徑向基神經(jīng)網(wǎng)絡(luò)、Elman神經(jīng)網(wǎng)絡(luò)三種方法對波動項位移的預(yù)測效果。Elman神經(jīng)網(wǎng)絡(luò)和徑向基神經(jīng)網(wǎng)絡(luò)的對局部波動較大的位移預(yù)測值與實際值較為吻合,從精度指標(biāo)來看,三種方法對波動項位移預(yù)測效果都能達(dá)到滿足實際需求的精度,但支持向量機(jī)回歸模型總體上對測試樣本的預(yù)測效果更好;趨勢項位移可以用多項式擬合預(yù)測,得到擬合的精確度R-Square均為1,擬合效果較好;疊加兩項位移預(yù)測值得到的總預(yù)測值誤差范圍較小。
【學(xué)位單位】：中國地質(zhì)大學(xué)
【學(xué)位級別】：碩士
【學(xué)位年份】：2018
【中圖分類】：P642.22;TV697
【部分圖文】：

‐1總體技術(shù)路線框圖

梅：基于集合經(jīng)驗?zāi)�態(tài)分解的階躍型位移庫岸滑坡預(yù)測用方面，由于 Elman 神經(jīng)網(wǎng)絡(luò)對訓(xùn)練過程具量小，較適合用來建立預(yù)測模型。2.3 徑向基神經(jīng)網(wǎng)絡(luò)預(yù)測模型經(jīng)網(wǎng)絡(luò)(Radial Basis Function，簡稱 RBF 神經(jīng)網(wǎng)網(wǎng)絡(luò)依然包含 3 個基本神經(jīng)元層，該方法相對中間隱層神經(jīng)元是以輸入變量與激活函數(shù)中心向置的激活函數(shù)一般是徑向基函數(shù)。上述距離值越，距離值越小則輸出目標(biāo)值與隱層的關(guān)聯(lián)性越

圖 2-4 非線性映射示意圖)代表把樣本點 x 映射到高維空間后的特征向量，那么，考慮模型在特征空間劃分樣本點的超平面方程為：f (x)= ωT (x)+b (樣本 D={(x1, y1),(x2, y2),···,(xm, ym)}，輸入向量(組)xi，目標(biāo)向量, y），傳統(tǒng)回歸模型常以模型輸出 f(x)與真實 y 之間的誤差計算損)與 y 完全相同，損失才為零，而支持向量回歸假設(shè)我們能容忍 ε 的偏差，即僅當(dāng) f(x)與 y 之間的誤差絕對值大于 ε 才計算損失二維示意簡圖（圖 2-5）相當(dāng)于以 f(x)為中心，構(gòu)建了一個寬度訓(xùn)練樣本落入此間隔帶，則認(rèn)為正確。
【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 楊默涵;陳萬忠;李明陽;;基于總體經(jīng)驗?zāi)�態(tài)分解的多類特征的運(yùn)動想象腦電識別方法研究[J];自動化學(xué)報;2017年05期

2 孫國強(qiáng);樊新海;張傳清;;基于短時處理和經(jīng)驗?zāi)�態(tài)分解的地面戰(zhàn)場目標(biāo)被動聲識別[J];測試技術(shù)學(xué)報;2017年05期

3 宋振江;楊俊;李爭;;基于二維經(jīng)驗?zāi)�態(tài)分解的航攝影像去噪應(yīng)用研究——以江西省某地區(qū)航攝影像為例[J];湖北民族學(xué)院學(xué)報(自然科學(xué)版);2016年02期

4 石志標(biāo);陳峰;;基于集合經(jīng)驗?zāi)�態(tài)分解和支持向量機(jī)的滾動軸承故障診斷[J];拖拉機(jī)與農(nóng)用運(yùn)輸車;2015年02期

5 林玉榮;王強(qiáng);;基于一維經(jīng)驗?zāi)�態(tài)分解的圖像細(xì)節(jié)提取方法[J];吉林大學(xué)學(xué)報(工學(xué)版);2011年06期

6 蔡碧野;陳文輝;李峰;;二維經(jīng)驗?zāi)�態(tài)分解邊界效應(yīng)抑制研究[J];計算機(jī)工程與應(yīng)用;2008年13期

7 周志鋒,蔡萍,許嘉,陳日興;基于經(jīng)驗?zāi)�態(tài)分解的汽車動態(tài)稱重數(shù)據(jù)處理[J];中國機(jī)械工程;2005年20期

8 李陽;任殿龍;張超;楊學(xué)嶺;;基于經(jīng)驗?zāi)�態(tài)分解的飛機(jī)微多普勒特性分析[J];雷達(dá)與對抗;2018年01期

9 任志英;高誠輝;羅德海;林有希;張世忠;;二維經(jīng)驗?zāi)�態(tài)分解在工程表面形貌誤差評定中的應(yīng)用[J];光學(xué)精密工程;2017年02期

10 郝歡;王華力;魏勤;;經(jīng)驗?zāi)�態(tài)分解理論及其應(yīng)用[J];高技術(shù)通訊;2016年01期

相關(guān)博士學(xué)位論文 前10條

1 石志曉;時頻聯(lián)合分析方法在參數(shù)識別中的應(yīng)用[D];大連理工大學(xué);2005年

2 孫暉;經(jīng)驗?zāi)�態(tài)分解理論與應(yīng)用研究[D];浙江大學(xué);2005年

3 熊衛(wèi)華;經(jīng)驗?zāi)�態(tài)分解方法及其在變壓器狀態(tài)監(jiān)測中的應(yīng)用研究[D];浙江大學(xué);2006年

4 葛光濤;二維經(jīng)驗?zāi)�態(tài)分解研究及其在圖像處理中的應(yīng)用[D];哈爾濱工程大學(xué);2009年

5 高靜;經(jīng)驗?zāi)�態(tài)分解的改進(jìn)方法及應(yīng)用研究[D];北京理工大學(xué);2014年

6 胡勁松;面向旋轉(zhuǎn)機(jī)械故障診斷的經(jīng)驗?zāi)�態(tài)分解時頻分析方法及實驗研究[D];浙江大學(xué);2003年

7 周義;快速二維經(jīng)驗?zāi)�態(tài)分解和相位追蹤方法及其在導(dǎo)波無損檢測中的應(yīng)用[D];上海交通大學(xué);2014年

8 房曰榮;隧道瑞雷波探測信號去噪與頻散曲線提取研究[D];福州大學(xué);2014年

9 賀智;改進(jìn)的經(jīng)驗?zāi)�態(tài)分解算法及其在高光譜圖像分類中的應(yīng)用[D];哈爾濱工業(yè)大學(xué);2014年

10 孫兆偉;基于現(xiàn)代信號處理的結(jié)構(gòu)模態(tài)參數(shù)識別與損傷識別研究[D];北京郵電大學(xué);2012年

相關(guān)碩士學(xué)位論文 前10條

1 茍玲;基于經(jīng)驗?zāi)�態(tài)分解的網(wǎng)絡(luò)流量檢測與分析方法[D];電子科技大學(xué);2018年

2 鄧冬梅;基于集合經(jīng)驗?zāi)�態(tài)分解的水庫庫岸滑坡階躍型位移預(yù)測研究[D];中國地質(zhì)大學(xué);2018年

3 賀亞運(yùn);經(jīng)驗?zāi)�態(tài)分解方法在PRISMA-YBJ實驗數(shù)據(jù)中的應(yīng)用與探究[D];河北師范大學(xué);2018年

4 張瑜;基于小波函數(shù)的二維整體經(jīng)驗?zāi)�態(tài)分解研究[D];長春工業(yè)大學(xué);2017年

5 王彬;心沖擊信號的經(jīng)驗?zāi)�態(tài)分解提取方法研究[D];哈爾濱工業(yè)大學(xué);2017年

6 景蓓蓓;基于微分的經(jīng)驗?zāi)�態(tài)分解及其在多重轉(zhuǎn)子故障分析中的應(yīng)用[D];上海交通大學(xué);2009年

7 馮孔森;基于改進(jìn)的二維經(jīng)驗?zāi)�態(tài)分解的醫(yī)學(xué)圖像融合[D];吉林大學(xué);2012年

8 薛輝;基于二維經(jīng)驗?zāi)�態(tài)分解的醫(yī)學(xué)圖像融合[D];吉林大學(xué);2011年

9 胡建明;基于聚合經(jīng)驗?zāi)�態(tài)分解的時間序列模型的研究及其應(yīng)用[D];蘭州大學(xué);2013年

10 孟繁林;集合經(jīng)驗?zāi)�態(tài)分解的理論及應(yīng)用研究[D];江蘇科技大學(xué);2013年

本文編號：2887072