庫(kù)岸滑坡是水利水電工程中常見(jiàn)的重大工程問(wèn)題之一,三峽庫(kù)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(kù)水位周期性調(diào)度等因素的影響下,三峽庫(kù)區(qū)存在較多長(zhǎng)期累計(jì)位移—時(shí)間曲線具有階躍型上升的形態(tài)的庫(kù)岸滑坡,據(jù)此本文稱(chēng)該類(lèi)庫(kù)岸滑坡為階躍型庫(kù)岸滑坡。一方面,深入研究階躍型位移庫(kù)岸滑坡的誘發(fā)機(jī)制及水庫(kù)蓄水后滑坡的變形破壞特征,以及對(duì)監(jiān)測(cè)時(shí)間序列的挖掘可以更有效地利用監(jiān)測(cè)數(shù)據(jù);另一方面,采用何種預(yù)測(cè)方法是預(yù)測(cè)效果的前提和關(guān)鍵,對(duì)提前判斷滑坡位移趨勢(shì)具有重要意義。本文對(duì)庫(kù)岸滑坡成因類(lèi)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(kù)水升降的作用機(jī)制,并選取三峽庫(kù)區(qū)典型的階躍型滑坡,分析其在降雨和庫(kù)水運(yùn)行周期中的變形演化特征,并利用格蘭杰檢驗(yàn)法檢驗(yàn)了月降雨量和庫(kù)水位對(duì)位移的影響及其滯后性。在闡述階躍型庫(kù)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(duì)三峽庫(kù)區(qū)多個(gè)階躍型庫(kù)岸滑坡采用集合經(jīng)驗(yàn)?zāi)B(tài)分解(EEMD)方法來(lái)分解階躍型位移,并利用EEMD和t檢驗(yàn)方法將降雨量時(shí)間序列和庫(kù)水位時(shí)間序列重構(gòu)為高頻分量和低頻分量,并采用三個(gè)非線性方法來(lái)預(yù)測(cè)波動(dòng)項(xiàng)位移并對(duì)比,采用多項(xiàng)式擬合方法來(lái)預(yù)測(cè)趨勢(shì)項(xiàng)位移,最后得到總的預(yù)測(cè)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(kù)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(mén)滑坡為例,分析了1~2個(gè)滯后期下庫(kù)水位升降和降雨量對(duì)階躍型滑坡的階躍型位移速率Granger因果檢驗(yàn),驗(yàn)證了月均降雨量、月均庫(kù)水位與本文研究的階躍型位移庫(kù)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(duì)白水河滑坡的影響滯后期可能達(dá)到兩個(gè)月甚至更長(zhǎng),庫(kù)水位變化對(duì)變形影響滯后期為一個(gè)月,該滯后期還取決于監(jiān)測(cè)間隔,在監(jiān)測(cè)間隔更小的情況下可以得到更加接近實(shí)際的滯后期。(2)收集多個(gè)三峽庫(kù)區(qū)階躍型庫(kù)岸滑坡的歷史監(jiān)測(cè)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(dòng)特征的集合經(jīng)驗(yàn)?zāi)B(tài)分解對(duì)庫(kù)岸滑坡的臺(tái)階型位移進(jìn)行分解,得到趨勢(shì)項(xiàng)位移和波動(dòng)項(xiàng)位移,趨勢(shì)項(xiàng)位移的變化呈逐年上升趨勢(shì),且越到后期變化越緩慢,與實(shí)際監(jiān)測(cè)位移總體趨勢(shì)相同,而波動(dòng)項(xiàng)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(guò)集合經(jīng)驗(yàn)?zāi)B(tài)分解,以位移成分響應(yīng)模型為理論依據(jù),對(duì)誘發(fā)因素進(jìn)行經(jīng)驗(yàn)?zāi)B(tài)分解。在不考慮趨勢(shì)項(xiàng)的情況下,基于t檢驗(yàn)進(jìn)行多個(gè)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(duì)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(dòng)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(yàn)?zāi)B(tài)分解對(duì)本文6個(gè)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(gè)因素中與各波動(dòng)項(xiàng)位移關(guān)聯(lián)度較大的因素,視作優(yōu)勢(shì)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(shì)因素的滑坡有4個(gè),占4/6,低頻降雨量作為優(yōu)勢(shì)因素的有2個(gè),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(kù)水位因素組中,優(yōu)勢(shì)因素為庫(kù)水位月間變化量的滑坡有5個(gè),而八字門(mén)滑坡的高頻庫(kù)水位為最佳優(yōu)勢(shì)因素,庫(kù)水位重構(gòu)的變量?jī)H僅占比1/6,而庫(kù)水位月間變化占比很大,從一定程度上證明庫(kù)水的變化速率對(duì)變形的影響很大。通過(guò)集合經(jīng)驗(yàn)?zāi)B(tài)分解與重構(gòu)方法對(duì)庫(kù)水位的挖掘效果不盡人意,但可以很大程度上對(duì)降雨量充分挖掘,得到與波動(dòng)項(xiàng)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(kù)水位組中與波動(dòng)項(xiàng)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(cè)模型,對(duì)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(duì)波動(dòng)項(xiàng)位移的預(yù)測(cè)效果。Elman神經(jīng)網(wǎng)絡(luò)和徑向基神經(jīng)網(wǎng)絡(luò)的對(duì)局部波動(dòng)較大的位移預(yù)測(cè)值與實(shí)際值較為吻合,從精度指標(biāo)來(lái)看,三種方法對(duì)波動(dòng)項(xiàng)位移預(yù)測(cè)效果都能達(dá)到滿(mǎn)足實(shí)際需求的精度,但支持向量機(jī)回歸模型總體上對(duì)測(cè)試樣本的預(yù)測(cè)效果更好;趨勢(shì)項(xiàng)位移可以用多項(xiàng)式擬合預(yù)測(cè),得到擬合的精確度R-Square均為1,擬合效果較好;疊加兩項(xiàng)位移預(yù)測(cè)值得到的總預(yù)測(cè)值誤差范圍較小。
【學(xué)位單位】：中國(guó)地質(zhì)大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位年份】：2018
【中圖分類(lèi)】：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(yàn)?zāi)B(tài)分解的階躍型位移庫(kù)岸滑坡預(yù)測(cè)用方面，由于 Elman 神經(jīng)網(wǎng)絡(luò)對(duì)訓(xùn)練過(guò)程具量小，較適合用來(lái)建立預(yù)測(cè)模型。2.3 徑向基神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型經(jīng)網(wǎng)絡(luò)(Radial Basis Function，簡(jiǎn)稱(chēng) RBF 神經(jīng)網(wǎng)網(wǎng)絡(luò)依然包含 3 個(gè)基本神經(jīng)元層，該方法相對(duì)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(diǎn) 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(diǎn)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(shí) y 之間的誤差計(jì)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(duì)值大于 ε 才計(jì)算損失二維示意簡(jiǎn)圖（圖 2-5）相當(dāng)于以 f(x)為中心，構(gòu)建了一個(gè)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(wàn)忠;李明陽(yáng);;基于總體經(jīng)驗(yàn)?zāi)B(tài)分解的多類(lèi)特征的運(yùn)動(dòng)想象腦電識(shí)別方法研究[J];自動(dòng)化學(xué)報(bào);2017年05期

2 孫國(guó)強(qiáng);樊新海;張傳清;;基于短時(shí)處理和經(jīng)驗(yàn)?zāi)B(tài)分解的地面戰(zhàn)場(chǎng)目標(biāo)被動(dòng)聲識(shí)別[J];測(cè)試技術(shù)學(xué)報(bào);2017年05期

3 宋振江;楊俊;李爭(zhēng);;基于二維經(jīng)驗(yàn)?zāi)B(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(bào)(自然科學(xué)版);2016年02期

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

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

6 蔡碧野;陳文輝;李峰;;二維經(jīng)驗(yàn)?zāi)B(tài)分解邊界效應(yīng)抑制研究[J];計(jì)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(yàn)?zāi)B(tài)分解的汽車(chē)動(dòng)態(tài)稱(chēng)重?cái)?shù)據(jù)處理[J];中國(guó)機(jī)械工程;2005年20期

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

9 任志英;高誠(chéng)輝;羅德海;林有希;張世忠;;二維經(jīng)驗(yàn)?zāi)B(tài)分解在工程表面形貌誤差評(píng)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(yàn)?zāi)B(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(shí)頻聯(lián)合分析方法在參數(shù)識(shí)別中的應(yīng)用[D];大連理工大學(xué);2005年

2 孫暉;經(jīng)驗(yàn)?zāi)B(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(yàn)?zāi)B(tài)分解方法及其在變壓器狀態(tài)監(jiān)測(cè)中的應(yīng)用研究[D];浙江大學(xué);2006年

4 葛光濤;二維經(jīng)驗(yàn)?zāi)B(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(yàn)?zāi)B(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(yàn)?zāi)B(tài)分解時(shí)頻分析方法及實(shí)驗(yàn)研究[D];浙江大學(xué);2003年

7 周義;快速二維經(jīng)驗(yàn)?zāi)B(tài)分解和相位追蹤方法及其在導(dǎo)波無(wú)損檢測(cè)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(cè)信號(hào)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(yàn)?zāi)B(tài)分解算法及其在高光譜圖像分類(lèi)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(hào)處理的結(jié)構(gòu)模態(tài)參數(shù)識(shí)別與損傷識(shí)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(yàn)?zāi)B(tài)分解的網(wǎng)絡(luò)流量檢測(cè)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(yàn)?zāi)B(tài)分解的水庫(kù)庫(kù)岸滑坡階躍型位移預(yù)測(cè)研究[D];中國(guó)地質(zhì)大學(xué);2018年

3 賀亞運(yùn);經(jīng)驗(yàn)?zāi)B(tài)分解方法在PRISMA-YBJ實(shí)驗(yàn)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(yàn)?zāi)B(tài)分解研究[D];長(zhǎng)春工業(yè)大學(xué);2017年

5 王彬;心沖擊信號(hào)的經(jīng)驗(yàn)?zāi)B(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(yàn)?zāi)B(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(yàn)?zāi)B(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(yàn)?zāi)B(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(yàn)?zāi)B(tài)分解的時(shí)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(yàn)?zāi)B(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(hào)：2887072