工程先验知识辨识下的滑坡非平稳变形支持向量机预测_董辉

单一模式
t (a) 减速-匀速型 (b) 匀速-增速型
t


复合模式
t (c) 减速-匀速-增速型 (d) 复合型
t
Fig.1
图 1 边坡变形-时间曲线的主要类型 Mainly types of displacement time curves for slope
图 1(a)、(b)时序曲线作为典型的简单滑坡位移 形式，也是图 1(c)、(d) 2 种复杂时序曲线的基本组 成部分。本文主要选择这 2 种简单滑坡位移时序作 为本文的研究对象。图 1(a)曲线是滑坡位移变形从 减速到匀速变形的阶段，由于这类曲线的后时段为 滑坡匀速变形，其变化起伏小，规律性强，有利于

3 时序曲线的外延趋势模式定义
变形时序的特点有单调性、反复性、有界性以 及突变性。分析变形时序的类型及对变形的破坏机 制的研究，可定义如下几种变形时序的外延变化模 式，见表 1。考虑变形时序预测的尺度问题，对外 延模式的定义仅限于 2 个变形阶段以内的情况。同 时，鉴于工程实际中对变形监测的对象常常进行加 固处理措施， 外延模式包括了变形的减速变化过程。 定义的外延模式用于指导变形阶段间、外界偶然诱 发因素影响下的滑坡非平稳变形预测。
（1. College of Civil Engineering and Mechanics, Xiangtan University, Xiangtan, Hunan 411105, China; 2. School of Civil Engineering and Architecture, Central South University, Changsha 410075, China）
1 引
言
是目前滑坡时间预测的主要手段，时序中的一些特 征数据点，如不同趋势的邻接点、突变拐点等，体 现了非平稳变形时序的阶段性、反复性及突变性的 信息，是反映变形时序趋势以及预测建模的关键。 然而，实际的滑坡预测预警依据中，由于关键特征 数据点相对较少甚至是没有，其观测数据的概率分 布无法被完整描述，即无法保证预测数据与建模数 据是同源且非偏的。这使得一些以历史观测数据内 含规律推测滑坡未来演化规律的学习方法具有“选
（1. 湘潭大学 土木工程与力学学院，湖南 湘潭 411105；2. 中南大学 土木建筑学院，长沙 410075）
摘
要：针对缺乏非平稳变形（阶段性、反复性及突变性）特征数据导致的滑坡预测与评估不完全符合工程实际的情况，通
过分析变形时序的物理意义与类型，在定义了非平稳变形趋势变化外延模式的基础上，提出了综合考虑滑坡当前变形阶段、 观测变形数据特征以及待预测时段外界诱发因素的时序外延模式辨识方法， 并进一步在工程先验知识指导下建立了支持向量 机（SVM）预测模型。通过 2 个工程实例对方法进行应用验证。结果表明，工程先验知识能够有效补充非平稳变形的观测数 据信息，对预测建模具有指导性作用；融入外延模式的 SVM 模型与一般性 SVM 的外推预测，其平均相对误差可降低 2～3 倍，预测的可靠性与准确性得到了显著增强。 关 键 词：滑坡；先验知识；非平稳变形；SVM 预测；外延模式 文献标识码：A 中图分类号：TU 416.1
目前对于滑坡活动的时间预测预报研究工作， 是以滑坡动态演变的趋势性预测预报为其主要内 容。即通过研究滑坡系统的可观测的状态变量，如 形变场、波动力场（地声微震、声发射参数及射 气等） 、应力场（土压力及孔隙水压力）等，发现系 统演化的规律，并借助这些规律完成对系统未来的 预测
[1－5]
。其中，基于单参数的位移-时间分析预测
SVM prediction of nonstationary deformation of landslide based on identification with prior knowledge
DONG Hui1，CHEN Jia-bo1，YANG Guo-yue1，FU He-lin2，HOU Jun-min1
Abstract: Defining extensive patterns of nonstationary deformation by analyzing the physical significance and types of monitor time series, aiming at the lower reliability of landslide early-warning due to the key information data, reflected in stages, repeatability and mutability of landslide process, are limited or uncompleted observed. A method, added or imposed extensive pattern is identified according to current status of landslide, such as deformation stage analyzed use factors superposition technique and the types of time series, and the potential causative factors of prediction time into model of support vector machine (SVM) algorithm is presented. The efficiencies of new idea are tested by predicting two groups of displacement time series. All experimental results show that the project prior knowledge can be availably used to increase data message of nonstationary deformation and guide forecast modeling. In contrast to common SVM, the model based on extensive pattern is more reliable and accurate. Particularly, the average relative error is markedly cut down about 2 to 3 times. Key words: landslide; prior knowledge; instability deformation; support vector machine prediction; extensive pattern
第8期
董
辉等：工程先验知识辨识下的滑坡非平稳变形支持向量机预测
2367
择数据”特征， 其预测模型不稳定， 预测结果不完全 符合工程实际，给工程防灾留下了较大安全隐患。 为此，本文通过深入分析典型滑坡的非平稳变 形特征，研究含有滑坡系统演化丰富信息的外部宏 观状态变量的物理意义、数据内涵以及类型特征， 提炼位移时序外延趋势的单一和复合模式。采用叠 加因子方法与专家系统的产生式推理规则，辨识变 形阶段与外延模式，并将该工程先验知识融入到支 持向量机预测建模过程中，补充观测数据中缺失的 关键数据点信息，提高有限观测信息下滑坡非平稳 变形外延预测的可靠性和准确性。
2012 年
的地质环境，其演化过程的外部表现各不相同，难 以提炼出统一的描述，即使勉强给出不同演化阶段 的统一特征描述，也是粗糙的。而采用叠加因子方 法[7]，在确定与滑坡变形发育阶段有关因素的基础 上，进行变形阶段的辨识则是较好的选择。该方法 以研究滑坡发育阶段有关的各个因素的判别指标和 判别值来进行可靠的变形阶段判别。 （1）确定判别指标及因子判别值。依据大量工 程统计， 并基于模糊数学方法选取 12 个主要的定性 定量判别指标，如图 2 所示。将各个因子分为 6 个 判别等级，用 X ij 来表示第 i 个判别指标在 j 等级下 的判别值( i 1, 2, ,12 ； j 1, 2, ,6 )。
表 1 变形时序的外延趋势模式 Extensive patterns of deformation time series
模式特点
Table 1
外延 模式
变形时序 匀速 加速 减速
位移量逐渐增大，位移速率不变 位移增量增大，位移速率增大，曲线切线角增大 位移增量减小，位移速率降低，曲线切线角变小 位移速率明显增大，位移矢量角突然增大，曲线 突变(加速) 切线角达到危险范围(大于 70°)，岩土体处于破坏 阶段 匀速-加速 位移速率从恒定到逐渐增大，位移加速度由 0 向 正转变，且逐渐变大 位移速率从恒定到逐渐减小，位移加速度由 0 向 匀速-减速 负转变，且逐渐降低 外界环境变化(如降雨，开挖等)使变形阶段出现 匀速跳跃，恒定的位移速率突然增大，位移 量角突 突变(加速) 然增大，曲线切线角达到危险范围(大于 70°) 岩土体在外界环境偶然扰动后，自行组 重新获 加速-匀速 得相对稳定，其位移速度趋于恒定，位移加速度 由正向 0 转变 位移增量减小，其位移速度趋于恒定，位移加速 减速-匀速 度由负向 0 转变，岩土体趋于稳定或阶段稳定 位移增量呈加大趋势，位移速率进一步增大，位 加速移矢量角有状态改变的突然跳跃，曲线切线角进 突变(加速) 入危险范围(大于 70°)，岩土体处于破坏阶段
建立良好的外推预测模型。当然，这种预测的可靠 性需要保证在预测时段内滑坡没有外部扰动。时序 曲线图 1(b)的外推预测比较难以处理，这主要是由 于曲线后时段滑坡位移变化速率发生突变，增加了 外推预测建模的难度。这里有 2 种情况，一是没有 突变后的位移监测数据，由于训练样本不包含完整 的样本分布信息， 建立的模型不具备外推预测能力； 二是拥有少量突变时点后的位移数据，这样建立的 预测模型，由于反映近期位移变化的信息量不够， 使模型外推预测能力不强，尤其是当预测时间尺度 较大时，其预测精度难以满足工程需要。