技术领域
[0001] 本发明涉及地质监测技术领域，特别是涉及边坡变形预测方法。
相关背景技术
[0002] 进入21世纪以来，由于城市化进程的加快和极端气候条件的频发，人类社会几乎每天都面临着各种灾害的威胁，它们不仅威胁着我们的生命和财产，甚至可能破坏人类的文明成果，在这些灾害中，滑坡因其分布广，数量大，成灾次数频发，成为对人类威胁最大的一种地质灾害。随着科学和技术的进一步发展，如何有效防控滑坡的发生，成为目前防灾减灾的热点问题之一，而滑坡的准确预测预报更成为热点中的焦点问题。因此，滑坡的精准预测和预警不但可以保证受威胁人的生命财产安全，对于社会的和谐稳定也有一定的促进作用。
[0003] 在当今世界，如何有效的利用已知的滑坡监测数据来开展边坡变形预测已然成为地质灾害研究领域的热点问题。其中贺小黑等为了能更早，更精确的预报滑坡发生，用改进的Verhulat生物生长模型对滑坡监测数据进行分析；崔巍等为了提高模型的预测精度，以新滩滑坡实际监测数据为实例，结合灰色理论以及协同预测等方法，建立了变权组合预测模型；郭承燕等为了减少滑坡灾害为南京带来的损失，在结合南京市历史滑坡数据、气象资料和地质灾害预测数学模型的基础上构建了南京市滑坡灾害预测方法，为南京市山体滑坡灾害的防灾减灾提供技术支持；刘超云等将能直接反应滑坡体滑动的地下水位位移、雨量、地声等影响因素作为数据基础，并结合了Kalman滤波数据融合技术，建立了基于位移参数的Kalman滤波数据融合预测模型，预测了滑坡体的稳定状态及变化趋势；徐冲等基于统计学习理论与地理信息系统(GIS)技术，建立了GIS与支持向量机(SVM)预测模型，通过预测结果的对比，为地震滑坡空间预测模型中核函数的科学选择提供了依据；基于白水河滑坡区的监测数据，宋江明将三维可视化应用在预测上，通过虚拟仿真软件显示滑坡演化的整个过程；林洪洲等通过主要加湿路径和主要除湿路径对降雨型滑坡进行了预测，并根据土-水特征曲线的影响，建立了相应的预测模型。该模型对规划和建立适当的滑坡降雨预警基准具有一定的参考价值。
[0004] 通过国内外研究者在滑坡预测上的研究，发现主要是采取定量的分析方法，偶尔将定性与之结合。根据相应预测模型的应用，如果能准确的进行滑坡预测则可以有效的避免和降低滑坡灾害的发生。但是，上述方法的预测准确性还有待提高。
具体实施方式
[0011] 下面将对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0012] 本发明的边坡变形预测方法，包括以下步骤：
[0013] 步骤1，获取监测目标的边坡变形数据，并利用混沌理论对这些数据进行混沌特性分析。
[0014] 监测目标的地形西高东低，北高南低，中间高两侧低，总体由西向东倾斜，地形起伏较大，地面最高处位于滑坡后壁的青化寺附近，地面标高为1048.01m，地面最低处位于滑坡前缘剪出口位置，地面标高为920.0m，其中滑坡体地面标高为913.88～1010.83m，高差约97m。滑坡体上次级陡坎发育，总体坡度为15°～25°，北侧较缓，南侧较陡。滑坡体后壁明显呈圈椅状陡坎，坎高10～20余米，由青化寺附近的最高点向南北延伸形成滑坡体的侧壁；滑坡体坡脚处由于居民削坡建房、大唐延安发电厂等削坡建厂等人类工程活动的影响，滑坡体前缘剪出口位置大约在坡体与蟠龙河Ⅰ级阶地交汇处，沿原厂区外围围墙线呈南北向延伸。
[0015] 对于地表变形监测的布设，该监测在滑坡体上建造39个监测点，包括3个基准点、3个工作基点和33个变形监测点。在滑坡体的典型部位布置三个水位监测断面，每个断面布置3个监测孔，分别位于滑坡的后缘、中部和前缘，断面线与地下水流向一致。除此之外还在滑坡体上共布置5个深部位移监测点，其中3个分别位于滑坡的北区、南区和中区1级滑坡体上，2个分别位于两处2级滑坡体上。
[0016] 对于地表变形监测，在施工期(暂时按六个月计算)每3天进行1次监测，汛期每天进行1次监测，预计75期，施工结束后每15天进行1次监测，汛期每2天进行1次监测，18个月预计对监测点实施63期变形监测，2年累计监测138期。
[0017] 基准点和工作基点的监测周期：每年进行2期高精度静态监测(2年共计4期)，以判定基准点和工作基点的相对稳定性，以确保获取准确、可靠的变形监测结果。
[0018] 对于深部位移监测，在施工期(暂时按六个月计算)每天进行1次监测，累计180期，施工结束后每15天进行1次监测，汛期每天进行1次监测，18个月累计对监测点实施96期变形监测，2年累计监测276期。
[0019] 获得边坡变形数据后，首先对其进行检测并剔除个别异常数据，然后再进行标准化处理。标准化处理后采用“3σ”法来对监测的数据进行检测，判断其是否符合一致性的原则。具体方法如下：
[0020] 假设对监测点执行n次监控，获得的第i次监测值是Ti(i＝1,2,...,n)，将其跳动特征定义为：
[0021] di＝|2×Ti-(Ti-1+Ti+1)|
[0022] 跳动特征的均值为：
[0023]
[0024] 跳动特征的均方差为：
[0025]
[0026] 相对差值为：
[0027]
[0028] 如果Qi>3，则可以将其视为异常值并且可以丢弃。然后使用插值方法获取其替换值(默认不采用第一个和最后一个di值)。
[0029] 一致性验证通过后，需要对数据进行归一化来解决数据度量的可比性，常用的归一化方法为max-min标准化和Z-score标准化。
[0030] 数据处理完成后，计算边坡变形数据的Lyapunov指数，当Lyapunov指数大于0时表示边坡变形数据具有混沌特性。计算Lyapunov指数的方法可以采用Wolf法、p-范数法或小数据量法。
[0031] 步骤2，如果获取的边坡变形数据具备混沌特性，对加权一阶局域预测模型和最大Lyapunov指数预测模型进行改进，将加权零阶局域预测模型、改进的一阶加权局域预测模型和改进的最大Lyapunov指数预测模型结合起来，建立最优权联合混沌预测模型。
[0032] 加权零阶局域预测模型如下：
[0033] 1)首先对监测点的水平累计位移时间序列进行预处理，即进行零均值化处理。零均值化处理就是将一组数据的其中每一个数值都减去这组的平均值，然后得到一个以零为均值的时间序列x(t),t＝1,2,...,N。
[0034] 2)采用C-C法计算延迟时间和嵌入维数，根据延迟时间和嵌入维数重构相空间。重构的相空间时间序列为：x(t)＝(x(t),x(t-τ),...,x(t-(m-1)τ))。
[0035] 3)查询相空间中的最邻近点X(t1)，X(t2)，…，X(tn)。在相空间中计算出的各点到中心点Y(M)之间的欧氏距离：
[0036]
[0037] 4)计算出Y(M+1)。根据空间轨迹点公式有：
[0038]
[0039] 5)根据重构空间可知Y(M+1)＝x(M+1)，x(M+1+τ)，…，x(M+1+(m-1)τ)进而可以得到x(M+1)的数值，即预测结果。当进行单点预测时，将τ＝1代入Y(M+1)可得x(M+1)的预测值。
[0040] 改进的加权一阶局域预测模型如下：
[0041] 1)假设有一组时间序列x(t),t＝1,2,...,T,则该相空间的点为xi(t)＝{xi(t),xi(t+τ),...,xi(t+(m-1)τ)}(i＝1,2,...,M)。根据C-C法同时求的延迟时间为τ和嵌入维数为m，根据参数对时间序列进行相空间重构。
[0042] 2)寻找邻近点，设中心点Yk的邻近点为Ykj,j＝1,2,...,q。将Yk到Ykj的距离记为dj，其中dm为中心点到各邻域点的最小距离，则其权重Ykj为：
[0043]
[0044] 其中一般将a＝1。
[0045] 3)执行预测操作，线性拟合的加权一阶局域：
[0046] 其中
[0047] 令m＝1，即：
[0048]
[0049] 最后通过加权最小二乘法得到：
[0050]
[0051] 将上述式子看成存在两个未知数a、b的函数，根据求解方法对其进行求偏导进而得到：
[0052]
[0053] 及：
[0054]
[0055] 可以对这两个式子进行简化处理，根据简化处理的结果可以得到两个未知数a、b的方程组：
[0056]
[0057]
[0058] 解上述方程组有：
[0059]
[0060] 将其代入第3)步的预测运算可得：
[0061]
[0062] 显然，参考矢量集是Ykj,j＝1,2,...,q的一步预测是 然后，获得加权一阶局域预测模型的预测值。
[0063] 4)对加权一阶局域预测模型进行优化处理。为了克服邻近相点不能完全反映出相邻关系，减小预测误差，考虑利用权值pj。对各邻近相点的演化规律进行加权，并以邻近相点的一步演化相点的规律来预测参考相点的一步演化相点，即以q个相点 的各分量加权和作为预测相点Yk+1的各分量值。则有：
[0064]
[0065] 根据预算可以得到一步预测为
[0066] 改进的最大Lyapunov指数预测模型如下：
[0067] 1)假设有一组时间序列x(t),t＝1,2,...,T,然后利用快速傅里叶变换FFT计算出的变形监测点的水平累计位移监测数据的序列平均周期P。
[0068] 2)根据时间序列x(t),t＝1,2,...,T,相空间的点是：
[0069] xi(t)＝{xi(t),xi(t+τ),...,xi(t+(m-1)τ)}(i＝1,2,...,M)。根据C-C法求得延迟时间和嵌入维数，并且相位空间根据参数重构。
[0070] 3)寻找相邻的点，即，发现在相空间作为xj的每个点 的最近邻点，并限制其短的分离，即：
[0071]
[0072] 4)选择相空间中的每个点xj，计算其邻点对的第i个离散时间序列后的距离dj(i)，则有：
[0073]
[0074] 5)对于每个i进行对数函数计算，查找j的所有lndj(i)，能够获得平均值y(i)，可得：
[0075]
[0076] 其中q为非零dj(i)的个数，然后根据最小二乘法可以做出其回归线，该直线的斜率就是最大Lyapunov指数λ1。
[0077] 6)根据λ1的平均指数数量，可得：
[0078]
[0079] 化简可得：
[0080]
[0081] 当其轨迹发散到一定程度时，该时间序列为不可预测。此时，对应的时间设为T0并且让其等于P,则可得：
[0082]
[0083] 通过上述式子可知时间序列在进行Lyapunov指数预测时的最大预测量 且λ1越大则可预测时间越短。
[0084] 建立最优权联合混沌预测模型的方法如下：
[0085] 1.用于测量位移的时间序列(包括m对监测值):(T1,W1),(T2,W2),...,(Tm,Wm)。式中:Wm表示Tm时刻的实际监测位移值。
[0086] 2.选用y个位移预测模型，可得m对预测位移值：(T1,W1j),(T2,W2j),...,(Tm,Wmj)，式中：Wmj表示Tm时刻第j个模型计算得到的预测位移值。
[0087] 3.计算预测模型的精度矩阵。预测位移值与测量位移值之间的相对误差可表示为：Wmj-Wm。设 其中：
[0088]
[0089] 从中可以看出当式子(Wmj-Wm)2越小时表明预测的数值越接近真实的数值，反之则说明差别比较大。因此，(Q)mj可以用作用于位移预测的精度的度量区分工具，其被称为预测模型的精度矩阵。
[0090] 4.计算权重，将E＝(1,1,...,1)1×m归一化处理将得到矩阵(ωm)1×j。使用y个预测模型来预测监测点的最终位移值，可以获得j个位移预测结果，并且R用于表示位移预测结果，则有：
[0091]
[0092] 步骤3，利用最优权联合混沌预测模型进行边坡变形预测，并在实际边坡位移值达到预测位移值的一定比例时，进行报警。
[0093] 本发明中实际边坡位移值达到预测位移值的80％时进行报警。
[0094] 尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
[0095] 显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
