基于优化经验模态分解和聚类分析的滑坡位移智能预测研究
针对三峡库区"阶跃式"滑坡的变形特征,提出了一种新的滑坡位移预测方法.以白水河滑坡ZG118和XD-01监测点位移数据为例,采用基于软筛分停止准则的经验模态分解(SSSC-EMD)将累计位移-时间曲线和影响因子时间序列自适应地分解为多个固有模态函数(IMF),并采用K均值(K-Means)聚类法对其进行聚类累加,得到有物理含义的位移分量(趋势性位移、周期性位移以及随机性位移)和影响因子分量(高频影响因子和低频影响因子).使用最小二乘法对趋势性位移进行拟合预测;采用果蝇优化-最小二乘支持向量机(FOA-LSSVM)模型对周期性位移和随机性位移进行预测.将各位移分量预测值进行叠加处理,实现滑坡累计位移的预测.研究结果表明,所提出的(SSSC-EMD)-K-Means-(FOA-LSSVM)模型能够预测"阶跃式"滑坡的位移变化规律,且预测精度高于传统的支持向量机回归(SVR)、最小二乘支持向量机(LSSVM)模型;并通过改变训练集长度,进行单因素分析,发现其与预测精度之间呈正相关关系.
滑坡位移预测、经验模态分解、软筛分停止准则、聚类分析、果蝇优化、最小二乘支持向量机
42
TU433(土力学、地基基础工程)
国家自然科学基金项目;云南省应用基础研究计划项目
2021-03-08(万方平台首次上网日期,不代表论文的发表时间)
共13页
211-223