邊坡變形預(yù)測(cè)研究現(xiàn)狀與發(fā)展趨勢(shì)

金云鵬，何習(xí)平*，吳定邦，秦浩靖，牛景太

(1.南昌工程學(xué)院水利與生態(tài)工程學(xué)院，330099，南昌;2.江西省水利規(guī)劃設(shè)計(jì)研究院，330029，南昌)

0 引言

地質(zhì)環(huán)境是人類生活的載體，但如今我國地質(zhì)環(huán)境狀況不容樂觀，各類地質(zhì)災(zāi)害頻發(fā)。國家統(tǒng)計(jì)局所給數(shù)據(jù)表明:本世紀(jì)初我國因地質(zhì)災(zāi)害所帶來的損失較大，僅2000年的傷亡人數(shù)就高達(dá)27 697，經(jīng)過重點(diǎn)防治后，在2013年，由滑坡、崩塌、泥石流以及地面塌陷帶來的直接經(jīng)濟(jì)損失依然多達(dá)104億元，2013－2017年累計(jì)255億元，5年累計(jì)傷亡3 104人，傷亡人數(shù)僅次于地震與洪水災(zāi)害[1]。并且，地質(zhì)災(zāi)害對(duì)環(huán)境破壞及其次生災(zāi)害所造成的損失更是無法計(jì)量。

西部大開發(fā)與可持續(xù)發(fā)展等國家戰(zhàn)略的實(shí)施使得我國基礎(chǔ)設(shè)施建設(shè)行業(yè)迎來了飛速發(fā)展，在迅速提升我國國內(nèi)生產(chǎn)總值(Gross domestic product，GDP)的同時(shí)，各類特大型工程施工所形成的邊坡也成為了失事隱患。如滑坡、泥石流等地質(zhì)災(zāi)害的發(fā)生，嚴(yán)重危害了國民生命財(cái)產(chǎn)與環(huán)境安全。因此，地質(zhì)災(zāi)害防治受到了國家有關(guān)部門的重視，自2010年起，地質(zhì)災(zāi)害防治項(xiàng)目數(shù)與投資數(shù)都處于高位。作為邊坡變形監(jiān)測(cè)研究工作的目標(biāo)，邊坡變形預(yù)測(cè)對(duì)滑坡類地質(zhì)災(zāi)害防治具有重要意義。本文擬對(duì)邊坡變形預(yù)測(cè)的研究現(xiàn)狀與發(fā)展趨勢(shì)進(jìn)行探討。

1 變形監(jiān)測(cè)數(shù)據(jù)預(yù)處理

由于環(huán)境、儀器故障等影響以及測(cè)點(diǎn)數(shù)目增加、觀測(cè)數(shù)據(jù)量增加和人為操作失誤等問題的存在，監(jiān)測(cè)數(shù)據(jù)粗差不可避免。粗差的出現(xiàn)會(huì)影響平差結(jié)果，導(dǎo)致數(shù)據(jù)失真，在此基礎(chǔ)上，導(dǎo)入變形預(yù)測(cè)模型進(jìn)行分析就會(huì)發(fā)生錯(cuò)誤。因此，粗差定位與剔除是數(shù)據(jù)處理較為關(guān)鍵的一步。

粗差定位方法在Baarda理論的基礎(chǔ)上發(fā)展而來，主要分為假設(shè)檢驗(yàn)、抗差推估等[2]，歐吉坤[3]等人的最小二乘抗差估計(jì)是國內(nèi)較為系統(tǒng)化的理論體系。假設(shè)檢驗(yàn)法即假設(shè)粗差確實(shí)存在于監(jiān)測(cè)數(shù)據(jù)中，將粗差納入函數(shù)模型來逐個(gè)計(jì)算統(tǒng)計(jì)量與估值，抗粗差干擾性差與最小二乘法所帶來的均攤效應(yīng)是其主要缺點(diǎn)。抗差推估則是通過控制估值與監(jiān)測(cè)數(shù)據(jù)的偏差來對(duì)數(shù)據(jù)進(jìn)行導(dǎo)向控制，該法通過殘差擬合得到的抗差權(quán)函數(shù)往往難以獲取精確估值，故權(quán)函數(shù)的選取是其關(guān)鍵步驟，降權(quán)臨界值的選取也是其拓展的重點(diǎn)。

從不同角度出發(fā)進(jìn)行改進(jìn)或結(jié)合不同方法組合分析是對(duì)上述方法較為典型的改進(jìn)策略，如柴雙武[4]對(duì)傳統(tǒng)的多維粗差探測(cè)法向后－向前選擇法進(jìn)行了優(yōu)化，使得估值結(jié)果可靠，粗差定位轉(zhuǎn)移現(xiàn)象得到改善。王偉[5]提出了利用水準(zhǔn)網(wǎng)環(huán)閉合差分析和Baarda探測(cè)法進(jìn)行組合粗差探測(cè)的分析方法。盧楠[6]改進(jìn)了常規(guī)四分點(diǎn)(IQR)法，通過對(duì)露天礦山邊坡變形監(jiān)測(cè)數(shù)據(jù)序列中的粗差探測(cè)，探測(cè)敏感度進(jìn)一步提升。同時(shí)，國內(nèi)新的定位理論也有一定的收獲，如王建民[7]提出的相鄰方差比檢驗(yàn)法，王奉偉[8]提出的局部均值分解粗差探測(cè)方法以及陶?qǐng)@[9]提出的基于人工免疫模式的多層粗差檢驗(yàn)法等。

粗差定位工作完成后還需將其剔除，粗差剔除通常運(yùn)用的是數(shù)理統(tǒng)計(jì)方法，主要有拉依達(dá)(3σ)準(zhǔn)則、格拉布斯(Grubbs)準(zhǔn)則和狄克遜(Dixon)準(zhǔn)則和四分點(diǎn)(IQR)準(zhǔn)則等。不同的樣本特征對(duì)應(yīng)著不同的判別準(zhǔn)則:Grubbs法更為適用于剔除小樣本中的單個(gè)異常值，3σ準(zhǔn)則更為適合較大樣本，Dixon準(zhǔn)則是非參數(shù)判別，將極差作為統(tǒng)計(jì)量對(duì)粗差進(jìn)行判別，可以較迅速地判別含有粗大誤差的觀測(cè)值。僅依據(jù)單一準(zhǔn)則使用擬合值殘差或極值等指標(biāo)進(jìn)行評(píng)判，可能出現(xiàn)對(duì)數(shù)據(jù)利用程度不足的情況，產(chǎn)生誤判和漏判的風(fēng)險(xiǎn)，面對(duì)上述準(zhǔn)則存在的問題，國內(nèi)也有一些創(chuàng)新的方法，如花勝強(qiáng)[10]根據(jù)層次分析法(Analytic Hierarchy Process，AHP)得到4個(gè)主要粗差剔除準(zhǔn)則的權(quán)重系數(shù)，并設(shè)定好粗差判定閾值進(jìn)行綜合評(píng)判。毛亞純[11]提出了基于拉依達(dá)法則(3σ法則)的數(shù)據(jù)跳躍法，連增增[12]等采用Baarda粗差剔除法對(duì)變形監(jiān)測(cè)數(shù)據(jù)進(jìn)行過濾。

由于邊坡變形機(jī)理的研究尚未深入，且外界環(huán)境因素的復(fù)雜程度很高，較為普適性的粗差定位理論難以實(shí)現(xiàn)。因此，目前在邊坡監(jiān)測(cè)數(shù)據(jù)領(lǐng)域的粗差定位與剔除修復(fù)的研究工作更多是在數(shù)據(jù)針對(duì)性理論上，未能取得較系統(tǒng)的研究成果。

2 邊坡變形監(jiān)測(cè)數(shù)據(jù)挖掘

數(shù)據(jù)挖掘是從大量看似無規(guī)則的數(shù)據(jù)中通過算法找到其中隱藏信息和模式的過程，主要包括監(jiān)督的分類、預(yù)測(cè)和無監(jiān)督的聚類、相關(guān)性分組等方法。在邊坡數(shù)據(jù)信息領(lǐng)域中，數(shù)據(jù)挖掘主要體現(xiàn)在空間預(yù)測(cè)和危險(xiǎn)性評(píng)價(jià)等方面，數(shù)據(jù)種類大都為水文與地質(zhì)等空間數(shù)據(jù)。蘊(yùn)含邊坡大量運(yùn)行狀態(tài)信息的多元變形監(jiān)測(cè)數(shù)據(jù)存儲(chǔ)于結(jié)構(gòu)化數(shù)據(jù)庫中，通過對(duì)數(shù)據(jù)庫直接采用機(jī)器學(xué)習(xí)的數(shù)據(jù)挖掘技術(shù)，發(fā)現(xiàn)監(jiān)測(cè)數(shù)據(jù)的潛在規(guī)律與有用信息。當(dāng)前較主流的數(shù)據(jù)挖掘方法有支持向量機(jī)(Support Vector Machine，SVM)、決策樹算法、樸素貝葉斯、K－means、Logistic回歸、主成分分析(Principal Component Analysis，PCA)和Apriori算法等[13]，涵蓋了關(guān)聯(lián)、聚類、統(tǒng)計(jì)與回歸等多個(gè)方面。

在滑坡敏感性評(píng)價(jià)模型中，由于數(shù)據(jù)挖掘技術(shù)在實(shí)現(xiàn)工具方面較為稀缺，數(shù)據(jù)挖掘技術(shù)在其領(lǐng)域推廣受限，Palamakumbure[14]等結(jié)合See5.0決策樹方法和GIS技術(shù)下的ArcGISv.10軟件聯(lián)合開發(fā)了一款全自動(dòng)化工具插件，為更多科研人員帶來便利，獲得了國際上的廣泛認(rèn)可。Venkatesan等[15]基于改進(jìn)的貝葉斯分類技術(shù)，與支持向量機(jī)做比較，證明了前者在數(shù)據(jù)挖掘?qū)用娓m用于滑坡敏感性預(yù)警模型。

國內(nèi)學(xué)者對(duì)于邊坡監(jiān)測(cè)數(shù)據(jù)挖掘最主要的目的在于探求影響邊坡穩(wěn)定性的影響因素，周科平等[16]運(yùn)用基于粗糙集理論的數(shù)據(jù)挖掘技術(shù)進(jìn)行了分析，將邊坡穩(wěn)定性程度進(jìn)行量化表達(dá)，很好地說明了粗糙集理論不單單局限于分類問題，也可以用于特征歸約和相關(guān)分析。趙建華[17]利用決策樹算法對(duì)滑坡數(shù)據(jù)進(jìn)行挖掘，分析了多種影響因素并得到一組判定坡體穩(wěn)定性的規(guī)則，建立了劃分評(píng)價(jià)滑坡危險(xiǎn)區(qū)域的模型。牛巖[18]等基于灰色關(guān)聯(lián)分析法對(duì)邊坡進(jìn)行敏感性分析，得到各影響因素與安全系數(shù)的關(guān)聯(lián)程度大小的關(guān)系，利用敏感性分析結(jié)果，可對(duì)邊坡加固策略提供參考，從而更為高效地提高邊坡的穩(wěn)定性。

目前我國國內(nèi)相關(guān)的監(jiān)測(cè)數(shù)據(jù)傳播共享途徑較少，且邊坡監(jiān)測(cè)技術(shù)在動(dòng)態(tài)多元化多方位方面的發(fā)展尚未成熟，更多還是針對(duì)傳統(tǒng)數(shù)據(jù)類型的研究，對(duì)于動(dòng)態(tài)多方位滑坡監(jiān)測(cè)數(shù)據(jù)的數(shù)據(jù)挖掘研究較少，在數(shù)據(jù)挖掘深度及其研究成果利用程度上也沒有進(jìn)一步深入[19]。

3 邊坡變形預(yù)測(cè)模型研究現(xiàn)狀

邊坡變形監(jiān)測(cè)研究中，變形預(yù)報(bào)的精準(zhǔn)度對(duì)于防災(zāi)減災(zāi)、模型反演都具有十分重要的參考意義，所以在近幾十年的過程中，對(duì)于探求坡體變形機(jī)理、邊坡變形預(yù)報(bào)的理論研究，國內(nèi)外學(xué)者做了大量工作，但由于坡體結(jié)構(gòu)、組成材質(zhì)的物理力學(xué)性質(zhì)、外力作用的復(fù)雜性，涉及諸如測(cè)量學(xué)、數(shù)理統(tǒng)計(jì)學(xué)、工程力學(xué)等眾多學(xué)科，所建立的模型往往特點(diǎn)鮮明，各有利弊[20]。按照基本原理，模型主要可歸納為以下幾類:確定性模型、統(tǒng)計(jì)型模型與非線性模型。

3.1 確定性模型

確定性模型是基于蠕變理論等物理力學(xué)知識(shí)所構(gòu)建的預(yù)測(cè)模型，具有明確的數(shù)學(xué)關(guān)系表達(dá)，能夠反映邊坡的物理實(shí)質(zhì)，多適用于邊坡單體預(yù)測(cè)。其主要包括基于齋藤迪孝邊坡三階段蠕變理論的經(jīng)驗(yàn)?zāi)Ｐ图捌鋽U(kuò)展模型，如HOEK法與Hayashi模型等，F(xiàn)ukuzono與Voight通過破壞演變速度與加速度實(shí)驗(yàn)得到的位移速率倒數(shù)模型及其擴(kuò)展模型等。諸如有限元法、有限差分法及離散元法等數(shù)值模擬方法是其主要的實(shí)現(xiàn)手段，常與反演分析聯(lián)合使用。雖然確定性預(yù)測(cè)模型具有明確物理意義，有一定普適性，但由于邊坡的高復(fù)雜性，確定性模型需要較多關(guān)于地質(zhì)條件與巖土體材料等綜合數(shù)據(jù)[21]，所以其預(yù)測(cè)精度相對(duì)較低。

3.2 統(tǒng)計(jì)模型

相較于確定性模型，統(tǒng)計(jì)位移預(yù)測(cè)模型注重的是監(jiān)測(cè)數(shù)據(jù)的統(tǒng)計(jì)意義。通過引入概率論、灰色系統(tǒng)理論、模糊數(shù)學(xué)等數(shù)學(xué)統(tǒng)計(jì)理論，統(tǒng)計(jì)模型利用現(xiàn)有變形數(shù)據(jù)擬合邊坡的時(shí)程破壞曲線進(jìn)行預(yù)報(bào)。由于無法考慮邊坡隨外界因素變化的影響，統(tǒng)計(jì)模型的外延性較差。雖然其預(yù)報(bào)精度較高，但通常僅對(duì)單個(gè)邊坡變形適用，普適性較差。灰色預(yù)測(cè)模型是較具代表性的統(tǒng)計(jì)模型，自灰色系統(tǒng)理論問世以來，由于邊坡的貧信息與模糊屬性與其理論特點(diǎn)較為契合，引發(fā)了較多專家學(xué)者對(duì)灰色預(yù)測(cè)模型的關(guān)注與研究，其中GM(1，1)模型被廣泛運(yùn)用，各類改進(jìn)模型、融合模型以及對(duì)應(yīng)不同序列類型的預(yù)測(cè)模型也應(yīng)運(yùn)而生[22－27]。還有一種較為經(jīng)典的方法是時(shí)間序列法，其最為典型的就是ARIMA(p，d，q)模型，即自回歸積分滑動(dòng)平均模型，該模型具有優(yōu)秀的線性能力，在短期預(yù)報(bào)方面應(yīng)用廣泛:胡波[28]等對(duì)邊坡變形監(jiān)測(cè)數(shù)據(jù)進(jìn)行時(shí)間序列分析，利用ARIMA模型取得較為理想的成果，可為防災(zāi)減災(zāi)和工程施工提供技術(shù)參考。胡添翼[29]等在運(yùn)用傳統(tǒng)ARIMA預(yù)測(cè)模型的基礎(chǔ)上，引入Pearson相關(guān)性檢驗(yàn)，定量分析了空間上不同測(cè)點(diǎn)位移之間的相關(guān)性，判斷了被監(jiān)測(cè)區(qū)域在空間上是否有整體位移或者局部位移的趨勢(shì)，以便能對(duì)被監(jiān)測(cè)區(qū)域空間整體的位移性態(tài)進(jìn)行更全面地掌握。此外，邊坡位移預(yù)測(cè)統(tǒng)計(jì)模型還有馬爾科夫鏈、指數(shù)平滑法、卡爾曼濾波法、黃金分割法等多種方法。

3.3 非線性模型

非線性模型是指通過導(dǎo)入邊坡監(jiān)測(cè)數(shù)據(jù)，綜合考慮邊坡位移影響因子，引入機(jī)器學(xué)習(xí)或AI(人工智能)等非線性手段來擬合邊坡位移的預(yù)測(cè)模型。運(yùn)用較廣泛的計(jì)算方法和高效優(yōu)化算法，包括人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Network，ANN)、支持向量機(jī)、遺傳算法(Genetic Algorithm，GA)、粒子群算法(Particle Swarm Optimization，PSO)、人工魚群算法(Artificial Fish－Swarm Algorithm，AFSA)等。由于出色的非線性映射能力以及對(duì)邊坡位移影響因子的充分考慮，目前主流預(yù)測(cè)方法采用的是智能算法相結(jié)合或統(tǒng)計(jì)模型與智能算法結(jié)合的預(yù)測(cè)模型，如Cao[30]等在分析位于三峽地區(qū)的白家包邊坡變形與地下水位、庫水位和降雨量關(guān)系基礎(chǔ)上，提出了利用極限學(xué)習(xí)機(jī)(ELM)來建立與變形控制因素相關(guān)的邊坡位移預(yù)測(cè)模型，認(rèn)為邊坡的階梯式變形特征與影響因素的周期性變化緊密相關(guān)。Lian[31]等利用Kmeans與加權(quán)后的ELM構(gòu)建分類預(yù)測(cè)模型，改善了位移突變點(diǎn)時(shí)間延遲情況，晏紅波[32]等通過基于EEMD的改進(jìn)BP神經(jīng)網(wǎng)絡(luò)取得了較好預(yù)測(cè)效果;王述紅[33]等通過修正人工魚群算法的步長(zhǎng)，利用改進(jìn)后人工魚群算法優(yōu)秀的尋優(yōu)能力，優(yōu)化了Elman神經(jīng)網(wǎng)絡(luò)的初始閾值和權(quán)值，建立了改進(jìn)的AFSA－Elman邊坡位移預(yù)測(cè)網(wǎng)絡(luò)，一定程度對(duì)Elman網(wǎng)絡(luò)的預(yù)測(cè)精度和收斂速度進(jìn)行了提升。特別地，近幾年國內(nèi)學(xué)者對(duì)于改進(jìn)的支持向量機(jī)及其拓展模型展開了較為深入的探討與研究，劉小生[34－41]等在參數(shù)尋優(yōu)、核函數(shù)選取以及組合模型方面的探索和改進(jìn)都提升了模型的預(yù)報(bào)精度。

4 邊坡變形預(yù)測(cè)的發(fā)展趨勢(shì)

20世紀(jì)90年代開始，交叉學(xué)科領(lǐng)域所產(chǎn)生的研究方法如雨后春筍般出現(xiàn)，經(jīng)歷了從簡(jiǎn)單的定性現(xiàn)象預(yù)報(bào)到如今結(jié)合計(jì)算機(jī)與智能算法的動(dòng)態(tài)定量預(yù)報(bào)的過程，邊坡變形預(yù)測(cè)隨著時(shí)代的發(fā)展一同進(jìn)步，目前已進(jìn)入了實(shí)時(shí)跟蹤監(jiān)測(cè)儀器并反饋信息，進(jìn)行動(dòng)態(tài)預(yù)測(cè)，與數(shù)值計(jì)算手段有機(jī)結(jié)合的系統(tǒng)化研究階段，其歷經(jīng)數(shù)十載，取得了實(shí)質(zhì)性的進(jìn)展，但邊坡本身的不確定性仍是制約邊坡位移預(yù)測(cè)模型精度提升的主要因素，且目前的非線性手段也存在著一些理論上的不確定性。諸如人工神經(jīng)網(wǎng)絡(luò)隱含層神經(jīng)元數(shù)的確定、粒子群算法算法越界、遺傳算法初始參數(shù)的選取等問題，仍需專家學(xué)者進(jìn)一步探討與研究。預(yù)計(jì)未來邊坡變形預(yù)測(cè)的研究將主要分布于以下4個(gè)方面。

4.1 非線性模型主導(dǎo)

邊坡自身所具有的眾多影響因素和復(fù)雜動(dòng)態(tài)非線性特征往往使得傳統(tǒng)的線性預(yù)測(cè)手段和單一預(yù)測(cè)模型預(yù)報(bào)精度不夠理想。而隨著應(yīng)用數(shù)學(xué)與計(jì)算機(jī)技術(shù)的發(fā)展，在機(jī)器學(xué)習(xí)與人工智能領(lǐng)域運(yùn)用廣泛的非線性手段陸續(xù)被工程變形預(yù)報(bào)與分析引入，時(shí)至今日，多模型耦合共同預(yù)測(cè)已頗有成效，基于不同改進(jìn)方向的混合智能算法預(yù)測(cè)模型也日益精進(jìn)。能夠較好地刻畫邊坡位移發(fā)展變化的同時(shí)，非線性混合智能算法模型還具有更優(yōu)的預(yù)測(cè)精度，因此為其奠定了邊坡變形預(yù)測(cè)模型的主導(dǎo)地位。

4.2 特殊地域針對(duì)性模型

我國地大物博、幅員遼闊，不同區(qū)域的地質(zhì)條件與巖土體各項(xiàng)參數(shù)可能存在較大差異，針對(duì)不同地域、地形地貌的邊坡變形預(yù)測(cè)或穩(wěn)定性預(yù)測(cè)模型研究也逐漸受到人們的重視。由于礦區(qū)邊坡與山區(qū)公路邊坡失事對(duì)于國民人身財(cái)產(chǎn)安全影響較大，與人們的生活息息相關(guān)，故成為目前研究的側(cè)重點(diǎn)。隨著更深入的研究，通過對(duì)已有的經(jīng)典模型進(jìn)行遷移學(xué)習(xí)，各類特殊地域針對(duì)性預(yù)測(cè)模型也將具有廣闊的應(yīng)用前景。

4.3 結(jié)合大數(shù)據(jù)技術(shù)

作為當(dāng)下研究的熱門領(lǐng)域，大數(shù)據(jù)系統(tǒng)技術(shù)發(fā)展十分迅猛，計(jì)算機(jī)集群高速存儲(chǔ)與計(jì)算優(yōu)勢(shì)可以在諸如Hadoop等主流平臺(tái)的開源特性上得到較好體現(xiàn)，也因此大數(shù)據(jù)系統(tǒng)技術(shù)在眾多學(xué)科得以應(yīng)用并取得良好表現(xiàn)。將集成后的多源異構(gòu)型邊坡監(jiān)測(cè)數(shù)據(jù)(歷史滑坡數(shù)據(jù)、共享的地質(zhì)環(huán)境信息數(shù)據(jù)、現(xiàn)場(chǎng)監(jiān)測(cè)儀器獲取的數(shù)據(jù))進(jìn)行數(shù)據(jù)清洗和轉(zhuǎn)換，進(jìn)行統(tǒng)一建模，可以存儲(chǔ)于大數(shù)據(jù)平臺(tái)的儲(chǔ)存框架中(支持跨平臺(tái)交互和共享)。在數(shù)據(jù)挖掘與統(tǒng)計(jì)分析后進(jìn)行穩(wěn)定性預(yù)測(cè)，結(jié)合信息管理和可視化動(dòng)態(tài)展示，通過地理信息系統(tǒng)(Geographic Information System，GIS)呈現(xiàn)，可以為決策管理層或客戶較為直觀地展示評(píng)價(jià)狀況[42]。結(jié)合大數(shù)據(jù)技術(shù)綜合預(yù)測(cè)也是邊坡預(yù)警系統(tǒng)的發(fā)展趨勢(shì)。

4.4 深度學(xué)習(xí)

深度學(xué)習(xí)是人工智能領(lǐng)域極具發(fā)展前景的一個(gè)分支，它在人工神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上發(fā)展而來，是一種機(jī)器學(xué)習(xí)方法，也是一種表示學(xué)習(xí)方法，最主要的模型是各種深度神經(jīng)網(wǎng)絡(luò)(Deep Neural Network)。其主要原理是通過構(gòu)建一個(gè)多層的表示學(xué)習(xí)結(jié)構(gòu)，使用一系列非線性變換操作把從原始數(shù)據(jù)中提取的簡(jiǎn)單初始特征進(jìn)行組合，從而得到更高層、更抽象的表示[43]。在圖像識(shí)別、語音識(shí)別、自然語言處理方面，深度學(xué)習(xí)取得了巨大成功，這也引起了各個(gè)學(xué)科對(duì)這一新興學(xué)習(xí)方法的關(guān)注[44－47]。在工程應(yīng)用領(lǐng)域方面也都有著積極的嘗試[48－50]。以傳統(tǒng)的單隱藏層神經(jīng)網(wǎng)絡(luò)為例，從理論出發(fā)，足夠多的神經(jīng)元能夠形成一個(gè)很“寬”的網(wǎng)絡(luò)，可以擬合任意函數(shù)，而深層網(wǎng)絡(luò)結(jié)構(gòu)更“深”:相同神經(jīng)元數(shù)量情況下具有更大容量，分層組合帶來的指數(shù)級(jí)表達(dá)空間，能夠組合成更多不同類型的子結(jié)構(gòu)，使學(xué)習(xí)和表示各種特征更為簡(jiǎn)易高效，對(duì)于多影響因子的邊坡預(yù)測(cè)問題而言，深度學(xué)習(xí)將會(huì)是一個(gè)強(qiáng)大的解決手段。

5 結(jié)束語

邊坡的失穩(wěn)破壞，都有一個(gè)從漸變到突變的發(fā)展過程，在各類自然因素或人為因素的共同作用下，坡體內(nèi)部所發(fā)生的應(yīng)力集中和應(yīng)力重分布效應(yīng)使坡體內(nèi)部應(yīng)力超過其自身強(qiáng)度，從而導(dǎo)致邊坡變形破壞。邊坡變形預(yù)測(cè)能夠在邊坡失事破壞前反饋預(yù)警信息，對(duì)防災(zāi)減災(zāi)有著重大意義。面對(duì)復(fù)雜的邊坡預(yù)測(cè)問題，改進(jìn)方式是多個(gè)層面的:當(dāng)前發(fā)展如火如荼的大數(shù)據(jù)平臺(tái)能對(duì)以往監(jiān)測(cè)數(shù)據(jù)傳播共享困難這一難題作出較好的應(yīng)對(duì);對(duì)于邊坡監(jiān)測(cè)技術(shù)而言，隨著科技的進(jìn)步與硬件設(shè)備的更新迭代，該技術(shù)正朝著全方位多元化實(shí)時(shí)監(jiān)測(cè)發(fā)展;基于非線性動(dòng)力學(xué)理論的智能算法預(yù)測(cè)模型對(duì)邊坡復(fù)雜影響因子的進(jìn)一步刻畫，預(yù)報(bào)精度將有所提升;且隨著深層次數(shù)據(jù)挖掘與深度學(xué)習(xí)的工程應(yīng)用推廣，邊坡變形預(yù)報(bào)技術(shù)將日臻完善。