趙 淑 敏
(陜西鐵路工程職業(yè)技術(shù)學(xué)院 工程管理與物流學(xué)院, 陜西 渭南 714000)
滑坡是中國常見的地質(zhì)災(zāi)害之一,其分布范圍較廣,對區(qū)內(nèi)居民的生命財產(chǎn)安全造成了嚴重威脅;同時,由于滑坡變形是其穩(wěn)定性的直觀體現(xiàn),使得開展滑坡變形預(yù)測研究具有重要意義[1-2]。值得指出的是,在滑坡變形監(jiān)測過程中,受監(jiān)測環(huán)境條件限制,滑坡變形數(shù)據(jù)會含有一定的誤差信息,其會對變形預(yù)測分析結(jié)果造成一定影響,進而有必要在滑坡變形預(yù)測過程中進行變形數(shù)據(jù)的信息分解處理,且栗燊等[3]探討了不同去噪方法在滑坡變形數(shù)據(jù)誤差信息剔除過程中的適用性;陸付民等[4]則利用卡爾曼濾波實現(xiàn)了滑坡變形信息分解,上述研究雖為滑坡變形信息分解提供了一種思路,但均未涉及經(jīng)驗?zāi)P头椒ǖ膽?yīng)用研究。同時,在滑坡變形預(yù)測過程中,王鳴等[5]利用指數(shù)平滑方法實現(xiàn)了滑坡變形預(yù)測,而黃曉虎等[6]則在多類閾值條件構(gòu)建基礎(chǔ)上,實現(xiàn)了滑坡變形預(yù)測,上述研究雖取得了相應(yīng)成果,但均是利用單一模型進行預(yù)測研究,也缺乏預(yù)測結(jié)果的準確性校驗,鑒于徑向基神經(jīng)網(wǎng)絡(luò)[7]和馬爾科夫鏈[8]在滑坡變形預(yù)測中的適用性,利用兩者構(gòu)建滑坡變形的分項預(yù)測模型,且考慮到降雨是滑坡變形的主要誘因,且其具明顯的季節(jié)性特征,使得季節(jié)性Kendall檢驗適用于滑坡變形趨勢判斷。綜合上述內(nèi)容,本文以滑坡變形監(jiān)測成果為基礎(chǔ),先利用經(jīng)驗?zāi)B(tài)實現(xiàn)其變形信息分解,即將變形數(shù)據(jù)分解為主趨勢項和誤差項,且為保證分解結(jié)果的最優(yōu)性,提出對傳統(tǒng)經(jīng)驗?zāi)B(tài)進行優(yōu)化處理;其次,再利用優(yōu)化徑向基神經(jīng)網(wǎng)絡(luò)實現(xiàn)主趨勢項的變形預(yù)測,并利用馬爾科夫鏈實現(xiàn)誤差弱化預(yù)測,兩者綜合實現(xiàn)滑坡變形的組合預(yù)測;最后,再利用季節(jié)性Kendall檢驗進行滑坡變形的趨勢判斷,以佐證預(yù)測結(jié)果的準確性。
本文分析思路主要包含3個步驟。
(1) 利用經(jīng)驗?zāi)B(tài)(Empirical Mode Decomposition,EMD)分解滑坡變形數(shù)據(jù),且為保證分解過程的準確性,利用多種優(yōu)化方法實現(xiàn)其參數(shù)優(yōu)化,以得到最優(yōu)分解結(jié)果。
(2) 在前述滑坡變形數(shù)據(jù)信息分解基礎(chǔ)上,利用徑向基神經(jīng)網(wǎng)絡(luò)(Radical Basis Function,RBF)和馬爾科夫鏈實現(xiàn)滑坡變形的組合預(yù)測。
(3) 利用季節(jié)性Kendall檢驗實現(xiàn)滑坡變形趨勢判斷,以佐證預(yù)測結(jié)果的準確性。
結(jié)合上述分析步驟,將本文涉及方法的基本原理詳述如下:
在滑坡變形監(jiān)測過程中,受監(jiān)測條件限制,滑坡變形數(shù)據(jù)含有一定的誤差信息,即:
yt=rt+εt
(1)
式中:yt為變形值;rt為變形真實信息,即主趨勢項;εt為變形誤差信息,即誤差項。
由于誤差信息存在,會對后續(xù)分析結(jié)果造成一定影響,進而需對滑坡變形數(shù)據(jù)進行信息分解;同時,經(jīng)驗?zāi)B(tài)是一種常用的信息分解方法,已被廣泛應(yīng)用,其適用性不言而喻,但傳統(tǒng)EMD無法完全消除白噪聲,進而存在模態(tài)混疊現(xiàn)象,為保證滑坡變形數(shù)據(jù)信息分解的準確性,多種優(yōu)化方法應(yīng)運而生,如互補式集合經(jīng)驗?zāi)B(tài)分解(CE-EMD)[9]、集合經(jīng)驗?zāi)B(tài)分解(E-EMD)[10]和自適應(yīng)局部均值經(jīng)驗?zāi)B(tài)分解(ALM-EMD)[11],鑒于各種優(yōu)化分解模型的適用性差異,提出對3類優(yōu)化經(jīng)驗?zāi)B(tài)分解均進行試算,通過對比三者的分解能力來確定最優(yōu)信息分解模型。
在滑坡變形數(shù)據(jù)信息分解過程中,以往多利用信噪比和平滑度指標進行分解效果評價,鑒于兩者基本原理的差異性,提出利用兩者歸一化值構(gòu)建變形數(shù)據(jù)信息分解的效果評價指標g:
g=g1+g2
(2)
式中:g1為信噪比的歸一化值;g2為平滑度指標的歸一化值。
據(jù)綜合指標g即可判斷信息分解結(jié)果的優(yōu)劣,判據(jù)為:g值越大,說明分解效果相對較好;反之,說明分解效果相對較差。
如前所述,通過優(yōu)化經(jīng)驗?zāi)B(tài)將滑坡變形數(shù)據(jù)分解為了主趨勢項和誤差項;在變形預(yù)測模型的構(gòu)建過程中,應(yīng)對主趨勢項和誤差項進行針對性的模型構(gòu)建,其中,滑坡變形的真實信息屬主趨勢項,其規(guī)律性較為明顯,而滑坡變形的誤差信息屬誤差項,具有較強的隨機性;考慮到RBF神經(jīng)網(wǎng)絡(luò)的非線性預(yù)測能力及馬爾科夫鏈的誤差弱化能力,將RBF神經(jīng)網(wǎng)絡(luò)作為滑坡變形的主趨勢項預(yù)測模型,并將主趨勢項的預(yù)測誤差與經(jīng)驗?zāi)B(tài)分解的誤差信息疊加形成殘差項,并利用馬爾科夫鏈實現(xiàn)其弱化處理,最后,兩者預(yù)測結(jié)果疊加即為滑坡變形的最終組合預(yù)測結(jié)果。
(1) 主趨勢項預(yù)測模型的構(gòu)建。神經(jīng)網(wǎng)絡(luò)是一種常用的智能預(yù)測模型,已被廣泛應(yīng)用于巖土領(lǐng)域,其中,RBF神經(jīng)網(wǎng)絡(luò)具有較強的自學(xué)能力,適用于非線性預(yù)測,進而利用其實現(xiàn)滑坡主趨勢項的變形預(yù)測。
在RBF神經(jīng)網(wǎng)絡(luò)的預(yù)測過程中,其通過三維空間映射來提高非線性預(yù)測能力,其預(yù)測過程為:
(3)
式中:yi為預(yù)測值;wij為連接權(quán)值;h為隱層節(jié)點數(shù);σ為核函數(shù)寬度;xi為輸入值;ci為核參數(shù)。
值得指出的是,RBF神經(jīng)網(wǎng)絡(luò)雖具有較強的非線性預(yù)測能力,但其基本原理存在一定不足,如隱層節(jié)點數(shù)和連接權(quán)值均隨機設(shè)定,主觀性較強,難以保證其客觀準確性;因此,為保證主趨勢項的預(yù)測精度,應(yīng)對上述兩參數(shù)進行優(yōu)化處理,即:
①隱層節(jié)點數(shù)的優(yōu)化處理。在傳統(tǒng)神經(jīng)網(wǎng)絡(luò)的預(yù)測過程中,多采用經(jīng)驗公式確定隱層節(jié)點數(shù),即:
(4)
式中:m,n為輸入、輸出層節(jié)點數(shù)。
經(jīng)計算得到,隱層節(jié)點數(shù)的經(jīng)驗值為15,為保證隱層節(jié)點數(shù)的最優(yōu)性,以其為中心,擴展隱層節(jié)點數(shù)的取值范圍至9—21間的奇數(shù)值,并通過逐步試算對比來確定最優(yōu)隱層節(jié)點數(shù)。
②連接權(quán)值的優(yōu)化處理。由于連接權(quán)值具有范圍取值特征,難以通過上述試算法實現(xiàn)其優(yōu)化處理,考慮到人工魚群算法(artificial fish swarm algorithm,AFSA)具有較強的優(yōu)化能力,利用其實現(xiàn)RBF神經(jīng)網(wǎng)絡(luò)的連接權(quán)值優(yōu)化,優(yōu)化流程見圖1。
圖1 AFSF算法的優(yōu)化流程
通過上述兩步驟的優(yōu)化處理,有效保證了RBF神經(jīng)網(wǎng)絡(luò)模型參數(shù)的最優(yōu)性。
(2) 殘差項的預(yù)測模型構(gòu)建。如前所述,將主趨勢項的預(yù)測誤差與經(jīng)驗?zāi)B(tài)分解的誤差信息疊加形成殘差項;由于馬爾科夫鏈是一種典型的隨機模型,進而利用其實現(xiàn)殘差項的預(yù)測處理是可行的,其預(yù)測過程為:
①狀態(tài)劃分。以前述殘差項為基礎(chǔ),據(jù)其誤差范圍,進行殘差項的狀態(tài)劃分;并結(jié)合該文實例,共計劃分為5個狀態(tài)。
②計算狀態(tài)轉(zhuǎn)移概率。以某狀態(tài)為基礎(chǔ),統(tǒng)計其轉(zhuǎn)移至另一狀態(tài)的次數(shù),再統(tǒng)計其在總樣本數(shù)中的出現(xiàn)次數(shù),兩者相除,即可求得該狀態(tài)條件下的轉(zhuǎn)移概率。
③構(gòu)建構(gòu)造矩陣。以前述轉(zhuǎn)移概率為基礎(chǔ),構(gòu)建概率矩陣,通過設(shè)置轉(zhuǎn)移步數(shù)長度,即可得到相應(yīng)狀態(tài)條件下的預(yù)測結(jié)果,達到誤差弱化預(yù)測的目的。
將前述主趨勢項預(yù)測結(jié)果與殘差項預(yù)測結(jié)果疊加即為滑坡變形的最終預(yù)測結(jié)果;同時,在預(yù)測效果評價過程中,確定相對誤差為評價指標,其值越小,說明其預(yù)測效果越好;反之,預(yù)測效果越差。
受周期性降雨影響,滑坡變形具有季節(jié)性特征,且鑒于季節(jié)性Kendall檢驗是一種非參數(shù)檢驗方法,能很好反映滑坡變形數(shù)據(jù)中的季節(jié)變化規(guī)律,因此,利用其實現(xiàn)滑坡變形的趨勢性判斷,以佐證前述變形預(yù)測結(jié)果的可靠性。在季節(jié)性Kendall檢驗的分析過程中,先計算其初步統(tǒng)計量S:
(5)
式中:Xi,j為相應(yīng)時間節(jié)點處的變形值; sgn(θ)為反應(yīng)函數(shù)(當(dāng)θ<0時,其值為-1;當(dāng)θ>0時,其值為1;當(dāng)θ=0時,其值為0)以初步統(tǒng)計量S為基礎(chǔ),將進一步計算最終評價指標τ:
(6)
式中:var(S)=〔n(n+1)(2n+5) 〕/18,n為分析樣本數(shù)。
當(dāng)τ>0時,得滑坡變形具上升趨勢;反之,具下降趨勢。同時,將τ值的絕對值與臨界值τa進行對比,若前者較小,說明檢驗過程無效;反之,說明檢驗過程有效,能判斷滑坡變形趨勢,且鑒于臨界值τa與檢驗水平a相關(guān)。因此,以檢驗水平a為基礎(chǔ),進行滑坡變形的趨勢等級劃分,具體標準見表1。
表1 滑坡變形趨勢等級劃分標準
王家坡滑坡位于陜西省西安市灞橋區(qū)王家坡村,區(qū)內(nèi)具白鹿塬斜坡地貌,高程間于454~741 m,斜坡坡度間于15°~35°,地形起伏較大。據(jù)調(diào)查成果,該滑坡縱向長約300 m,寬約150 m,前、后緣高程差85 m,斜坡坡度15°,面積約3.70×104m2,厚度變化差異較大,平均厚度18 m,體積為9.06×105m3,屬中型土質(zhì)滑坡。
近年來,王家坡滑坡的變形加劇明顯,嚴重威脅區(qū)內(nèi)居民的生命財產(chǎn)安全,為實時掌握其變形動態(tài),在其滑坡中部布設(shè)了兩個監(jiān)測點,即2#監(jiān)測點和3#監(jiān)測點,經(jīng)統(tǒng)計,得到2018年10月17日至2019年8月13日共計300 d的變形數(shù)據(jù)[12],由于原始監(jiān)測成果具非等距特征,為便于后續(xù)分析,以原始監(jiān)測成果為基礎(chǔ),利用matlab軟件的cftool工具箱進行3次樣條插值擬合,并將擬合結(jié)果按5 d/次的頻率進行劃分,共計得到60個周期的變形數(shù)據(jù)(見圖2)。
圖2 滑坡變形監(jiān)測成果
為充分驗證該文變形預(yù)測思路的有效性,以2#和3#兩監(jiān)測點的變形監(jiān)測成果為數(shù)據(jù)來源,開展驗證分析研究。
對不同優(yōu)化處理后的經(jīng)驗?zāi)B(tài)分析結(jié)果進行統(tǒng)計,結(jié)果見表2。如表2所示,不同EMD模型的分解效果存在明顯差異,且3種優(yōu)化模型較傳統(tǒng)EMD模型的g值均有不同程度的提高,說明通過優(yōu)化處理能有效提高滑坡變形信息的分解效果;對比3種優(yōu)化EMD模型的分解效果可知,CE-EMD模型的分解效果相對最優(yōu),其次是ALM-EMD模型和E-EMD模型,進而確定該文滑坡變形數(shù)據(jù)的分解方法為互補式集合經(jīng)驗?zāi)B(tài)分解。
表2 不同優(yōu)化處理后的經(jīng)驗?zāi)P虴MD分解結(jié)果
在變形預(yù)測過程中,將監(jiān)測樣本分解為兩期,1—30周期為中期,31—60為后期,對兩期樣本均開展預(yù)測分析,不僅能驗證該文預(yù)測思路的滾動預(yù)測能力,還能驗證該文預(yù)測模型的穩(wěn)定性,其中,中期的訓(xùn)練樣本為1—25期樣本(監(jiān)測時間:20181017—20190219),驗證樣本為26—30期樣本(監(jiān)測時間:20190219—20190316),而后期訓(xùn)練樣本為1—55期樣本(監(jiān)測時間:20181017—20190719),驗證樣本為56—60期樣本(監(jiān)測時間:20190719—20190815),外推預(yù)測4個周期(監(jiān)測時間:20190815—20190904);同時,為充分驗證該文預(yù)測過程中不同優(yōu)化方法的合理性,以2#監(jiān)測點的中期預(yù)測為例,詳述不同優(yōu)化階段的預(yù)測效果。
(1) 中期預(yù)測效果分析。
①主趨勢項預(yù)測分析。按照RBF神經(jīng)網(wǎng)絡(luò)的優(yōu)化流程,先對其隱層節(jié)點數(shù)進行優(yōu)化篩選,結(jié)果見表3。據(jù)表3可知,不同隱層節(jié)點數(shù)對應(yīng)的預(yù)測效果存在一定差異,驗證了隱層節(jié)點數(shù)優(yōu)化篩選的必要性,且隨隱層節(jié)點數(shù)增加,平均相對誤差值具先減小后增加趨勢,即當(dāng)隱層節(jié)點數(shù)為19時,具有最小的平均相對誤差值,值為2.41%,進而確定RBF神經(jīng)網(wǎng)絡(luò)的隱層節(jié)點數(shù)為19。
表3 隱層節(jié)點數(shù)優(yōu)化篩選結(jié)果
其次,再利用AFSA算法優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)的連接權(quán)值,預(yù)測結(jié)果見表4。
據(jù)表4可知,經(jīng)AFSA算法的優(yōu)化處理所得預(yù)測結(jié)果的最大、最小相對誤差分別為2.63%和2.16%,平均相對誤差為2.38%,相較于表3中的預(yù)測精度略有提高,驗證了AFSA算法對連接權(quán)值優(yōu)化的有效性。
表4 連接權(quán)值優(yōu)化預(yù)測結(jié)果
據(jù)前述分析,在主趨勢項預(yù)測過程中,通過隱層節(jié)點數(shù)和連接權(quán)值的優(yōu)化處理,能逐步提高預(yù)測精度。
②殘差項預(yù)測分析。上述已實現(xiàn)了主趨勢項預(yù)測,據(jù)預(yù)測結(jié)果,通過參數(shù)優(yōu)化雖能一定程度上提高預(yù)測精度,但預(yù)測精度仍相對偏低,加之信息分解后剩余的誤差信息,使得預(yù)測誤差相對更大,按論文思路,再利用馬爾科夫鏈進行殘差項弱化預(yù)測,并將預(yù)測結(jié)果與前述主趨勢項預(yù)測結(jié)果疊加,求得兩監(jiān)測點的中期預(yù)測結(jié)果見表5。
據(jù)表5可知,在2#監(jiān)測點的預(yù)測結(jié)果中,平均相對誤差為1.87%,相較于主趨勢項預(yù)測結(jié)果,預(yù)測精度得到了明顯提高,說明馬爾科夫鏈能有效弱化殘差項,且其最大、最小相對誤差分別為2.04%和1.73%,具有較高的預(yù)測精度;同時,在3#監(jiān)測點的預(yù)測結(jié)果中,最大、最小相對誤差分別為2.09%和1.68%,平均相對誤差為1.86%,預(yù)測效果與2#監(jiān)測點的預(yù)測效果相當(dāng),也具有較高的預(yù)測精度。
表5 滑坡變形中期預(yù)測結(jié)果
通過前述預(yù)測分析可知:在預(yù)測過程中,通過模型參數(shù)優(yōu)化能有效提高主趨勢項的預(yù)測精度,且馬爾科夫鏈能有效弱化預(yù)測殘差,達到進一步提高預(yù)測精度的目的;同時,通過兩監(jiān)測點的中期預(yù)測結(jié)果,得出該文預(yù)測模型具有較高預(yù)測精度,初步驗證其有效性。
(2) 后期預(yù)測效果分析。再對滑坡后期數(shù)據(jù)進行預(yù)測分析,以校驗該文預(yù)測模型的滾動預(yù)測能力,并進行外推預(yù)測分析,以掌握滑坡變形發(fā)展趨勢。通過預(yù)測統(tǒng)計,滑坡后期預(yù)測結(jié)果見表6。據(jù)表6可知,在滑坡后期變形預(yù)測結(jié)果中,2#監(jiān)測點的平均相對誤差為1.93%,3#監(jiān)測點的平均相對誤差為1.81%,兩者預(yù)測精度相當(dāng),且與中期預(yù)測效果一致,充分說明該文預(yù)測模型具有較強的滾動預(yù)測能力;同時,兩監(jiān)測點的外推預(yù)測結(jié)果顯示,兩者變形仍會進一步持續(xù)增加,并無收斂趨勢,建議盡快開展滑坡災(zāi)害防治。通過上述滑坡變形預(yù)測分析,得出該文預(yù)測模型不僅具有較高的預(yù)測精度,還具有較強的滾動預(yù)測能力。
表6 滑坡變形后期預(yù)測結(jié)果
前述已完成滑坡變形預(yù)測分析,再利用季節(jié)性Kendall檢驗開展滑坡變形趨勢判斷,以驗證前述外推預(yù)測結(jié)果的可靠性。
在季節(jié)性Kendall檢驗的分析過程中,將分析過程劃分為整體趨勢判斷和分階段趨勢段,前者是以所有樣本為基礎(chǔ)進行分析,以實現(xiàn)滑坡變形的整體趨勢判斷,而后者是將滑坡變形樣本等分為4個階段,每個階段20期樣本,并對各階段樣本進行季節(jié)性Kendall檢驗,以掌握滑坡變形在不同階段的趨勢性。
(1) 整體趨勢判斷。通過分析統(tǒng)計,得到滑坡整體趨勢判斷結(jié)果(表7)。據(jù)表7可知,兩監(jiān)測點的τ值均大于0,說明兩者均具上升趨勢,且趨勢等級相當(dāng),均為3級,與前述預(yù)測結(jié)果一致,驗證了前述預(yù)測結(jié)果的可靠性。
表7 滑坡變形整體趨勢判斷結(jié)果
(2) 分階段趨勢判斷。再對不同階段的樣本進行季節(jié)性Kendall檢驗,結(jié)果見表8。據(jù)表8可知,兩監(jiān)測點在不同階段均呈上升趨勢,但趨勢性存在一定差異,總體表現(xiàn)為:隨時間持續(xù),趨勢等級趨于增加。因此,進一步說明王家坡滑坡的變形趨勢顯著,其變形并無收斂趨勢。
表8 滑坡變形分階段趨勢判斷結(jié)果
本文通過滑坡變形數(shù)據(jù)信息分解處理后的預(yù)測研究,主要得出如下結(jié)論。
(1) 受監(jiān)測條件限制,滑坡變形數(shù)據(jù)含有一定的誤差信息,其對預(yù)測分析具有顯著影響,進而有必要開展滑坡變形信息的分解處理;同時,經(jīng)驗?zāi)P湍芎芎脤崿F(xiàn)滑坡變形信息分解,且通過優(yōu)化處理能進一步提高分解效果,并以互補式集合經(jīng)驗?zāi)B(tài)的分解效果相對最優(yōu)。
(2) 通過優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)對主趨勢項的預(yù)測處理,得出模型參數(shù)優(yōu)化能有效提高預(yù)測精度,且通過馬爾科夫鏈的殘差弱化處理,可達到進一步提高預(yù)測精度的目的,因此,得出該文預(yù)測模型具有較高的預(yù)測精度,能有效實現(xiàn)滑坡變形預(yù)測。
(3) 通過可靠性驗證,得到變形趨勢判斷結(jié)果與預(yù)測結(jié)果也較為一致,充分說明該文預(yù)測模型具有較高的可靠性。
本文僅以陜西省內(nèi)的滑坡實例進行驗證分析,由于滑坡所處區(qū)域性條件的差異,建議在后續(xù)條件允許前提下,以進一步佐證其準確性。