基于EMD-DA-RNN的邊坡位移預(yù)測

李 倩

(湖南省致力科技有限公司,湖南 長沙 410208)

1 研究背景

我國幅員遼闊,地形氣候條件復(fù)雜,因此地質(zhì)災(zāi)害類型多、分布廣。我國南方地形起伏波動較大,主要以丘陵、山地為主,氣候上主要是亞熱帶季風(fēng)性氣候,降雨豐沛,因此主要以滑坡災(zāi)害為主[1]。隨著越來越多的滑坡實施了自動化監(jiān)測,海量、多源的自動化監(jiān)測數(shù)據(jù)被源源不斷地采集和存儲,如何基于這些數(shù)據(jù)進(jìn)行深入挖掘和指導(dǎo)預(yù)警是近年來研究的重點。位移是滑坡內(nèi)部應(yīng)力場、滲流場、溫度場、重力場等多個物理場耦合作用和演化的結(jié)果,本質(zhì)是一種耦合場,因此利用位移進(jìn)行預(yù)警是最直觀、最有效的方式。如果能夠預(yù)測滑坡未來一段時間的位移,進(jìn)而判定滑坡穩(wěn)定性的演化趨勢,對于滑坡災(zāi)害的及早預(yù)警、及早避險具有重要意義。

2 理論分析

提出了一種基于經(jīng)驗?zāi)B(tài)分解(Empirical Mode Decomposition,EMD)[2]和雙階段注意力機(jī)制的循環(huán)神經(jīng)網(wǎng)絡(luò)(Dual-Stage Attention-Based Recurrent Neural Network,DA-RNN)的滑坡位移預(yù)測方法。該方法首先利用EMD算法將位移監(jiān)測數(shù)據(jù)分解為趨勢項、周期項和隨機(jī)項,然后對每一項分別采用DA-RNN神經(jīng)網(wǎng)絡(luò)開展預(yù)測,最后將預(yù)測結(jié)果相加即可得到最終的預(yù)測結(jié)果。以懷化管理處吉懷高速公路石羊哨收費站、懷新高速公路新晃收費站兩處邊坡監(jiān)測為依托,最終確認(rèn)所提出的方法具有較高的預(yù)測精度。

2.1 經(jīng)驗?zāi)B(tài)分解

經(jīng)驗?zāi)B(tài)分解(Empirical Mode Decomposition,EMD)是直接對信號進(jìn)行自適應(yīng)分解,得到的分量被稱為本征模態(tài)函數(shù)(Intrinsic Mode Function,IMF),該函數(shù)表示序列不同尺度的特征,EMD的具體計算步驟為[3]。

在初始數(shù)據(jù)中找到極大值和極小值,繪制上包絡(luò)線和下包絡(luò)線,利用三次樣條插值的方法對上下包絡(luò)線的極值點進(jìn)行擬合。

然后根據(jù)公式(1)繪制均值包絡(luò)線maent,

(1)

最后根據(jù)公式(2)

ht=xt-maent

(2)

最終結(jié)果則會得到n組的IMF序列以及一組的殘差序列,如公式(3)所示。

(3)

2.2 DA-RNN算法介紹

人類的注意行為可以通過兩個階段的注意機(jī)制來進(jìn)行建模。第一階段選擇基本的刺激特征,第二階段使用分類信息解碼這些刺激。基于此理論啟發(fā),秦瑤等提出了一種基于雙階段注意力機(jī)制的循環(huán)神經(jīng)網(wǎng)絡(luò)用于時間序列的預(yù)測[4]。

DA-RNN模型核心是輸入注意力機(jī)制編碼器和時間注意力機(jī)制解碼器。編碼器和解碼器本質(zhì)上是循環(huán)神經(jīng)網(wǎng)絡(luò),在時間注意力機(jī)制部分,采用LSTM實現(xiàn)對編碼信息解碼。與輸入注意力機(jī)制編碼器類似,也需要構(gòu)建時間注意層。

3 研究區(qū)域概況

懷化高速公路吉懷段起于鳳凰縣萬召村,止于中方縣牌樓鎮(zhèn)站坪村。由于雨水沖刷作用,邊坡西側(cè)存在局部沖刷現(xiàn)象。坡面采用掛網(wǎng)植草護(hù)坡,坡面植被較好,局部位置巖體外露,風(fēng)化嚴(yán)重,三級邊坡網(wǎng)上為原植被護(hù)坡,根據(jù)原地勘資料,褐色種植土松散,含植物根系,稍濕、硬塑,巖層為強(qiáng)風(fēng)化粉砂巖。

4 滑坡位移預(yù)測

4.1 累計位移監(jiān)測數(shù)據(jù)分解

滑坡變形是內(nèi)部多種物理場演化(地形、巖土性質(zhì)、構(gòu)造、水文環(huán)境等)與外部誘發(fā)因素(降雨、施工、人類活動)共同作用的結(jié)果,是對當(dāng)前滑坡狀態(tài)最直觀的反映[5]。因此滑坡位移可以按照下式進(jìn)行分解。

S(t)=φ(t)+η(t)+ε(t)

(4)

式中:S(t)表示滑坡的累計位移,φ(t)表示趨勢項位移,η(t)是周期項位移,ε(t)是隨機(jī)項位移。趨勢項位移主要與滑坡內(nèi)部因素相關(guān),周期項位移主要與降雨、水位等具有明顯周期性的外在氣候因素相關(guān),隨機(jī)項位移主要與風(fēng)擾動、地震、人類活動等隨機(jī)事件相關(guān)。

4.2 趨勢項預(yù)測

采用2019年4月至2020年4月之間的數(shù)據(jù)作為訓(xùn)練集,采用2020年4月至2020年10月期間的數(shù)據(jù)作為測試集,預(yù)測結(jié)果如圖1所示。擬合優(yōu)度達(dá)到了0.9,能夠有效地反映滑坡趨勢項位移隨時間的變化情況。

圖1 趨勢項位移預(yù)測曲線

4.3 周期項預(yù)測

利用低頻觸發(fā)因子分量預(yù)測周期項位移,采用2019年4月至2020年4月之間的數(shù)據(jù)作為訓(xùn)練集,采用2020年4月至2020年10月期間的數(shù)據(jù)作為測試集,預(yù)測結(jié)果如圖2所示。有效反映了滑坡周期項位移隨時間的變化情況。

圖2 周期項位移預(yù)測結(jié)果

4.4 隨機(jī)項預(yù)測

利用高頻觸發(fā)因子分量預(yù)測隨機(jī)項位移采用2019年4月至2020年4月之間的數(shù)據(jù)作為訓(xùn)練集,采用2020年4月至2020年10月期間的數(shù)據(jù)作為測試集,預(yù)測結(jié)果如圖3所示?？梢园l(fā)現(xiàn)2020年6月10日至6月20日之間的幾次較大的波動得到了較好的預(yù)測。

圖3 隨機(jī)項位移預(yù)測結(jié)果

4.5 累計位移預(yù)測

將趨勢項、周期項和隨機(jī)項位移的預(yù)測結(jié)果相加即為最終預(yù)測的累計位移,計算結(jié)果如圖4所示?？梢园l(fā)現(xiàn)模型能夠很好地預(yù)測6月5日至6月14日的劇烈變形過程。

圖4 EMD-DA-RNN預(yù)測模型

5 結(jié) 論

滑坡是我國尤其是南部丘陵地區(qū)最主要的地質(zhì)災(zāi)害,每年造成了巨大的經(jīng)濟(jì)損失和人員傷亡,而對滑坡進(jìn)行監(jiān)測預(yù)警能夠極大地起到預(yù)防作用。因此提出了一種基于經(jīng)驗?zāi)B(tài)分解算法和雙階段注意力機(jī)制的循環(huán)神經(jīng)網(wǎng)絡(luò)的滑坡位移預(yù)測方法,提出了基于EMD和DA-RNN的滑坡位移預(yù)測方法。利用經(jīng)驗?zāi)B(tài)分解算法將滑坡位移監(jiān)測數(shù)據(jù)分解為趨勢項、周期項和隨機(jī)項。針對趨勢項、周期項和隨機(jī)項位移,采用建立的雙階段注意力機(jī)制循環(huán)神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測,最后將三部分預(yù)測結(jié)果相加即為最終預(yù)測結(jié)果。