Displacement prediction of periodic term of Baishuihe landslide based on APSO-SVR-GRU model
-
摘要: 滑坡周期项位移的预测，是研究地质灾害中滑坡变形至关重要的一步。由于单一模型易受偶然因素影响，且无法充分利用有效信息，导致其预测精度不高，适用性不强。基于此，文中提出了一种结合自适应粒子群算法（APSO）、支持向量机回归算法（SVR）、门控神经网络算法(GRU)的组合模型。该模型通过自适应粒子群优化算法对支持向量机回归算法进行参数寻优，确定最优参数组合，然后利用最小二乘法对APSO-SVR模型与GRU模型赋权建立最优权重比组合模型。以三峡白水河滑坡作为研究对象，选取降雨量、库水位及位移量作为周期项位移的影响因子，对模型进行训练验证，结果表明：在白水河滑坡周期项位移预测中，文中所提出的APSO-SVR-GRU组合模型与单一模型相比，具有更高的预测精度和稳定性。Abstract: The prediction of landslide periodic term displacement is a crucial step in the study of landslide deformation in geological disasters. Since single prediction model is susceptible to accidental factors and cannot make full use of effective information, its prediction accuracy is not high and its applicability is not strong. In this paper, a combined prediction model combining adaptive particle swarm optimization (APSO), support vector machine regression (SVR) and gated neural network (GRU) algorithm is proposed. The model uses the adaptive particle swarm optimization algorithm to optimize the parameters of the support vector machine regression algorithm, determines the optimal parameter combination, and then uses the least square method to weight the APSO-SVR model and the GRU model to establish the optimal weight ratio combination model. Taking the Baishuihe landslide of the Three Gorges as the research object, selecting precipitation, reservoir water level and displacement as the influence factors of the periodic term displacement, the model is trained and verified. The results show that: in the Baishuihe landslide periodic term displacement prediction, the APSO-SVR-GRU compared with a single model has higher prediction accuracy and stability.
-
Keywords:
- periodic term displacement /
- least squares method /
- SVR /
- GRU /
- APSO
-
0. 引言
膨胀土边坡的稳定性一直是岩土界广泛关注的问题。目前，边坡稳定性分析的常用方法主要包括了极限平衡法、极限分析法等，都建立在极限平衡理论基础之上，并不适用于膨胀土边坡的稳定性分析[1]。另一种常用的方法是有限元强度折减法，早在1975年该方法就被Zienkiewice等[2]用来求解边坡稳定问题，随着计算机硬件技术和有限元软件技术的飞速发展，运用有限元强度折减法分析边坡稳定已经成为新的趋势[3-10]。国内很多学者将强度折减法运用到膨胀土边坡稳定分析中，取得了一系列成果。
周健等[11]利用强度折减法研究膨胀土边坡的稳定性，发现干湿循环会导致膨胀土抗剪强度衰减，且随着干湿循环次数的增加，边坡稳定性降低，安全系数减小。刘明维等[12]研究了强度折减法在膨胀土斜坡地基路堤稳定性分析中的应用，发现强度折减法所得结果与实际情况相符。张硕等[3]基于有限元强度折减法研究了雨季土体增重、强度降低和膨胀作用对膨胀土边坡稳定性的影响，发现强度降低是导致边坡失稳的主要原因，膨胀作用次之，土体增重较小。程灿宇等[13]利用MIDAS/GTS、FLAC和ANSYS三种软件采用强度折减法分别对不同工况进行了稳定性分析，发现弱膨胀土边坡无论采用M-C屈服准则，还是D-P屈服准则所得结果差异不大。谭波等[14]采用强度折减法对不同条件下的膨胀土边坡的安全系数进行了计算，发现次生裂隙面发育是导致膨胀土边坡失稳的主要原因之一。杨才等[15]根据强度折减有限元法对不同条件失稳边坡稳定性分析结果，提出以最大塑性应变以及最小塑性应变的量级指标来判定塑性区贯通时刻。
然而，干湿循环、降雨入渗等因素会引起浅层膨胀土干密度降低、吸力衰减，从而使抗剪强度大幅度下降。目前，在采用强度折减法分析膨胀土边坡稳定性的同时系统考虑抗剪强度衰减影响的研究尚不多见。为此，本文采用试验与数值模拟相结合的方式，系统地考虑了抗剪强度衰减特性的膨胀土边坡稳定性分析。首先对广西宁明膨胀土开展了室内直剪试验，分析了含水量、干密度对膨胀土抗剪强度衰减的影响；再以此为依据，利用Midas有限元分析软件研究考虑抗剪强度衰减特性对膨胀土边坡稳定性安全系数的影响，获取了边坡安全系数随抗剪强度折减的动态变化规律，以期为工程实践提供参考。
1. 抗剪强度衰减特性试验设计
1.1 试验用土
土样取自广西崇左-夏石镇某高速公路膨胀土边坡路段，其天然含水量、最优含水量和天然干密度分别为32.5%，24%和1.40 g/cm3，其他土性指标，比重（Gs），液限（WL)，塑限（WP），塑性指数（IP），自由膨胀率（σf）见表1。自由膨胀率为42.8%，按照《膨胀土地区建筑技术规范》[16]的分类，该膨胀土为弱膨胀性膨胀土。
表 1 宁明膨胀土基本土体参数Table 1. Basic soil parameters of Ningming expansive soil参数 Gs/（g.cm−3） wL/% wP/% IP σf/% 取值 2.80 59.11 24.68 34.43 42.8 1.2 试样制备及试验方法
1.2.1 试样制备
首先，将现场取回的扰动土试样碾散过2 mm筛，过筛后放入105℃的烘箱中烘24h，使试样具有相同的初始结构，并将烘干土用收纳箱密封保存备用。接着，按目标含水量（控制干密度为1.6 g/cm3）和目标干密度（控制含水量18%）要求配制成湿土，并装入保鲜袋，经闷料24 h后测得土样的最终含水量与目标含水量之间误差不超过1%；最后，为保证环刀试样均匀一致，采用自制的模具（图1）进行制样，并利用液压千斤顶脱模推出，控制试样的直径为61.8 mm，高度为15 mm，目的是使试样在竖直方向上能够充分膨胀，每组平行土样密度差不超过±0.02 g/cm3，否则废弃重做。试样配制过程如图2，最终制成的每个环刀试样表面均平整无破损，且长度误差不超过0.2 mm，则为满足要求的试样。
1.2.2 试验方法
以初始干密度为1.6 g/cm3，含水量分别为9%、12%、15%、18%、21%、24%和27%制取环刀试样7组，每组4个；并以初始含水量为18%，干密度分别为1.4、1.5、1.6和1.7 g/cm3制取环刀试样4组，每组4个，然后进行常规直剪试验（图3），试验施加的竖向压力分别为100 kPa、200 kPa、300 kPa、400 kPa，剪切速率为0.02 mm/min，初始剪切位移均保持在3.850 mm左右，剪切位移量程13.000 mm。
2. 抗剪强度衰减特性试验结果与分析
2.1 含水量对抗剪强度衰减的影响分析
为研究广西宁明膨胀土的抗剪强度随含水量变化的规律，对不同含水量的土样进行直剪试验，试验结果如表2所示。
表 2 宁明膨胀土抗剪强度试验结果表Table 2. Results of shear strength of Ningming expensive soils试验参数 w/% φ/（°） c/kPa 试验结果 8.80 27.3 100.36 11.7 24.56 93.28 14.6 21.80 67.34 17.5 19.82 54.64 20.8 17.92 41.22 23.3 15.20 30.86 26.1 12.38 9.90 根据表2可绘制出宁明膨胀土黏聚力和内摩擦角与含水量的关系如图4和图5所示，拟合后可得到黏聚力和内摩擦角与含水量的关系式：
![]()
图 4 宁明膨胀土黏聚力随含水量变化规律Figure 4. Variation of cohesive force of Ningming expansive soil with water content![]()
图 5 宁明膨胀土内摩擦角随含水量变化规律Figure 5. Variation of internal friction angle of Ningming expansive soil with water content$$ c = { - 5.192}w + 147.9 $$ (1) $$ \varphi = - 0.827w + 34.36 $$ (2) 由式（1）和（2）可知，c和φ与w都存在近似线性的关系，这与文献[17-18]结果一致，含水量每增大5%，其黏聚力约减小26 kPa，内摩擦角减小4.2°左右；为更好的表示c随w的衰减规律，参考吕海波等[19]的研究，可计算出c的衰减率为：
$$ \eta = \frac{{\left| {{c_0} - {c_1}} \right|}}{{{c_0}}} \times 100\% $$ (3) 式中：η——黏聚力衰减率；
c0——初始黏聚力；
c1——随含水量变化后的黏聚力。
根据表3可知，随着宁明膨胀土含水量的逐渐增大黏聚力不断衰减，在最低目标含水量9%以3%递增至目标含水量27%的过程中，黏聚力的衰减率变化趋势为增大-减小-增大，说明膨胀土在低含水量和接近饱和含水量时，黏聚力对含水量的变化显得十分敏感。
表 3 宁明膨胀土黏聚力衰减率计算结果表Table 3. Results of cohesion decay rate of Ningming expansive soil试验参数 w/% c/kPa η/% 试验结果 8.8 100.36 − 11.7 93.28 7.05 14.6 67.34 27.81 17.5 54.64 18.86 20.8 41.22 24.56 23.3 30.86 25.13 26.1 9.9 67.92 在试样ρd保持一致的情况下（1.6 g/cm3），可从图6及图7中看出在相同垂直应力作用下，抗剪强度随着w的增大呈现减小的趋势。
![]()
图 6 不同含水量试样抗剪强度随垂直压力的变化Figure 6. Change of the shear strength with vertical pressure of samples with different water contents![]()
图 7 不同荷载下试样抗剪强度随含水量的变化Figure 7. Change of the shear strength with water content of specimens undergoing different vertical loads上述试验结果表明，宁明膨胀土的抗剪强度随着含水量的改变发生显著变化；主要表现为在含水量增大时黏聚力和内摩擦角发生衰减，其中黏聚力的衰减较内摩擦角更为明显。
2.2 干密度对抗剪强度衰减的影响分析
根据表4数据可拟合出试样黏聚力和内摩擦角随干密度的变化规律，如图8、图9所示。
表 4 不同干密度下试样试验结果记录表Table 4. Record table of test results under different dry densities试验参数 ρd/（g·cm−3） c/（kPa） φ/（°） 试验结果 1.7 97.26 26.5 1.6 54.64 19.82 1.5 40.34 17.82 1.4 37.57 16.87 ![]()
图 8 宁明膨胀土黏聚力随干密度变化规律Figure 8. Variation of cohesive force of Ningming expansive soil with dry density![]()
图 9 宁明膨胀土内摩擦角随干密度变化规律Figure 9. Variation of internal friction angle of Ningming expansive soil with dry density由图8和图9可观察出宁明膨胀土的黏聚力和内摩擦角随干密度的变化曲线符合乘幂函数的拟合结果，其中：
$$ c = 0.126{{\rm{e}}^{3.884{\rho _{\rm{d}}}}} $$ (4) $$ \varphi = 1.631{{\rm{e}}^{1.614{\rho _{\rm{d}}}}} $$ (5) 分析式(4)可知试样c随着ρd的减小而减小，且随着ρd的减小，c的衰减速率由快到慢，并最终趋于稳定；而在接近最大干密度（1.78 g/cm3）时变化较为显著，在干密度由1.4 g/cm3增大至1.6 g/cm3时，c增加了17.07 kPa；在干密度由1.6 g/cm3增大至1.7 g/cm3时，c增加了42.62 kPa。而由式（5）能看出φ亦随着ρd的减小而减小，但其整体的变化幅度并不大，干密度1.4 g/cm3与1.7 g/cm3的试样φ相差约9.6°；图10中各级载荷下的抗剪强度都随着试样ρd的减小而降低，且其变化幅度在高垂直应力条件下更为显著。
![]()
图 10 不同干密度下试样抗剪强度随垂直应力的变化Figure 10. Variation of shear strength with vertical stress of specimens of different dry densities干密度对宁明膨胀土抗剪强度的影响主要体现在黏聚力上，试样干密度越小，单位体积土体的土颗粒越少，土粒间水膜越薄，其抗剪强度越小；此外，膨胀土干密度越小，其吸力越大，试样的抗剪强度越低；而干密度对于内摩擦角的整体影响并不显著，其变化在10°以内。
3. 考虑抗剪强度衰减特性的边坡稳定性分析
3.1 几何模型
根据广西崇左-夏石镇某高速公路膨胀土边坡为研究对象，并参考该公路的地质勘察报告，该边坡土质主要由填土（①1和①2）、黏土②、强风化泥岩③和中风化泥岩④组成。同时根据地质调查及钻探、探槽揭示，该边坡滑动带基本位于黏土层，且下部强风化泥岩等土体不透水，大气影响深度为7 m，刚好大致为填土厚度和黏土厚度之和，影响急剧层深度为2.5 m。相关土层天然状态下基本参数指标见表5。
表 5 土层相关参数Table 5. Soil layer related parameters地层岩性 厚度
/m重度
/（kN·m−3）内摩擦角
/（°）黏聚力
/kPa其它 填土①1 0.2~1 18.0 5 24 成分黏土 填土①2 2.5~3.3 18.8 30 7 上层砾砂，
下层碎石黏土② 0.3~4 18.4 8.4 35.6 中等膨胀土 强风化泥岩③ 0.6~1 19.3 25 45 质量等级Ⅴ级 中风化泥岩④ 未钻穿 19.6 35 65 质量等级Ⅴ级 结合上述实际工程地质勘察报告，将膨胀土边坡考虑为非匀质边坡，同时为提高模型求解时间，取黏土弹性模量12000 kPa，容重18.4 N/m3，泊松比0.3，边坡高20 m，坡比1∶1.5。为避免尺寸效应带来的误差和便于模型求解收敛，坡顶取15 m，坡底取25 m，网格按线性梯度（长度）划分，起始长度1.2 m，结束长度0.5 m。由于填土土层由于土体较松散，易膨胀开裂，在降雨作用下容易引发降雨入渗，易软化下部土体，因此实际工程中对该部分填土进行了挖除。填土挖除后，为充分合理考虑到大气影响层对膨胀土边坡中黏土的影响，同时又不会影响到下部不透水泥岩，取大气影响层为距离坡面4 m范围的土体，正好为黏土厚度，急剧层为距离坡面1.5 m范围的土体（图11）。
3.2 含水量对稳定性的影响
根据室内直剪试验结果，同时考虑到膨胀土具有浅层性，将测得的7个含水量下（干密度均为1.6 g/cm3）的膨胀土抗剪强度参数指标c和φ赋予给受大气影响的风化层土体，即距离坡面4 m范围内的黏土。强、中风化泥岩层土体参数指标取地质勘察报告的值，具体数值见表5。计算得到不同含水量w下膨胀土边坡整体位移和潜在滑移面，如图12、图13所示。
![]()
图 12 1.6 g/cm3干密度不同含水量条件下的边坡位移Figure 12. Slope displacement with the 1.6 g /cm3 dry density under different moisture content conditions![]()
图 13 1.6 g/cm3干密度不同含水量条件下的边坡潜在滑移面Figure 13. Potential slip surface of slope with the dry density of 1.6 g/cm3under different moisture content分析图12和图13可知，随着含水量w的增大，边坡的整体位移整体呈增大趋势，非饱和膨胀土边坡的浅层破坏由受大气影响层膨胀土强度衰减导致。随着含水量的增加，土体的c不断减小，边坡位移不断增大，滑移面逐渐变浅；破坏形式为浅层滑塌式的破坏。边坡失稳的滑移面位置位于大气影响层和不透水泥岩的交界处，且与黏土的底部相切。
基于相同干密度，不同含水量下膨胀土的剪切试验和地质勘察报告，利用有限元分析软件对边坡进行稳定性分析，可得到随着膨胀土含水量的变化对边坡稳定性安全系数的影响规律，如图14所示的曲线，表达式为：
![]()
图 14 边坡安全系数随含水量的变化规律Figure 14. The variation of slope safety factor with water content$$ y = - {\text{0}}{\text{.008}}{x^2} + {\text{0}}{\text{.1884}}x + {\text{2}}{\text{.025}} $$ (6) 随着w的增大，膨胀土的强度参数指标不断衰减，含水量较高比低含水量情况下的衰减速度更大。同时，膨胀土边坡在天然状况下处于稳定状态，但当w增大至27%时，其Fs为0.850，稳定性转变为失稳状态，发生滑坡、坍塌等工程现象；在此基础上，若继续增大含水量，膨胀土边坡将可能由浅层失稳进入完全失稳状态，这与实际工程中，在长时间降雨后，曾出现的多次滑坡现象类似。
3.3 干密度对稳定性的影响
根据试验结果，将测得的四个干密度下（含水量均为18%）的膨胀土抗剪强度参数指标c和φ赋予给距离坡面4 m范围的黏土。强、中风化泥岩层土体抗剪强度参数指标取地质勘察报告值，具体数值见表5。计算得到不同ρd下膨胀土边坡整体位移和潜在滑移面，如图15、图16所示。
![]()
图 15 18%含水量不同干密度条件下的边坡位移Figure 15. Slope displacement under different dry densities with the moisture content of 18%![]()
图 16 18%含水量不同干密度条件下的边坡潜在滑移面Figure 16. Potential slip surface of slope under different dry densities with the 18% moisture content从图15和图16中可以看出试样的ρd越小，边坡位移越大，潜在滑移面变浅；这是因为土体的c随着ρd的减小而减小，使得其抗剪强度降低；此时，边坡的破坏形式由整体滑动变为浅层滑塌。基于相同含水量，不同干密度下膨胀土的剪切试验和地质勘察报告，利用有限元分析软件对边坡进行稳定性分析，可得到随着膨胀土干密度的变化对边坡稳定性安全系数的影响规律，如图17所示的曲线，其表达式为：
$$ y = {\text{8}}{\text{.375}}{x^2} - {\text{23}}{\text{.24}}x + {\text{18}}{\text{.41}} $$ (7) 试样ρd越小，其抗剪强度越低；且在ρd越大时其Fs增大趋势越为显著；1.5 g/cm3干密度下的Fs为2.409，比1.4 g/cm3的高出0.124，而1.7 g/cm3干密度下的Fs与1.6 g/cm3条件下的差值为0.459。
4. 结 论
（1）含水量的增大、干密度的减小都会引起膨胀土的峰值抗剪强度、黏聚力以及内摩擦角发生不同程度的衰减，其中，黏聚力的衰减幅度相较于内摩擦角更大。
（2）通过多次膨胀土强度折减的方法可以很好地模拟降雨过程中由抗剪强度衰减引起的边坡稳定性的动态变化：风化层土体强度接近未风化层土体强度时，边坡处于稳定状态，潜在滑动面穿过分层界面；随着含水量增大、干密度变小，风化层抗剪强度会不断衰减，引起潜在滑动面逐渐外移，边坡稳定性降低。
（3）数值模拟结果表明：与干密度减小相比，含水量的增大对边坡稳定更为不利，含水量增加到27%以后，膨胀土边坡由稳定状态变为欠稳定状态，因此在分析膨胀土边坡稳定性时，应着重考虑含水量变化的影响。
-
![]()
图 2 滑坡监测设备累计位移-时间曲线
Figure 2. Cumulative displacement-time curve of landslide monitoring equipment
![]()
图 3 XD01、ZG118累计位移与库水位,降雨量关系图
Figure 3. XD01, ZG118 relationship of accumulated displacement against reservoir water level and rainfall
![]()
图 4 白水河滑坡XD01和ZG118监测点周期项位移提取
Figure 4. Extracted displacement of period term at monitoring points XD01 and ZG118 of Baishuihe landslide
![]()
图 8 监测点ZG118周期项位移预测曲线图
Figure 8. Displacement prediction curve of periodic term at monitoring point ZG118
![]()
图 9 监测点XD01周期项位移预测
Figure 9. Displacement prediction of period term of monitoring point XD01
![]()
图 10 监测点XD02周期项位移预测
Figure 10. Displacement prediction of period term of monitoring point XD02
![]()
图 11 监测点ZG93周期项位移预测
Figure 11. Displacement prediction of period term of monitoring point ZG93
表 1 SVR组合参数
Table 1 SVR combination parameter
监测点 ${C_{{\rm{best}}} }$ ${\gamma _{{\rm{best}}} }$ XD01 6.431 0.212 ZG118 4.758 0.234 
下载: 导出CSV
表 2 组合模型权重分配
Table 2 Weight distribution of combined models
监测点 GRU APSO-SVR $\omega _1'$ $\omega _2'$ XD01 0.482 0.518 ZG118 0.437 0.563
下载: 导出CSV
表 3 监测点XD01和ZG118三种模型预测精度对比
Table 3 Prediction accuracy analysis of three models of monitoring point XD01 andZG118
模型 MAPE/% RMSE/mm XD01 ZG118 XD01 ZG118 GRU 19.89 21.18 11.79 14.51 APSO-SVR 16.27 19.81 10.36 13.75 APSO-SVR-GRU 12.69 14.08 7.02 8.98
下载: 导出CSV
表 4 监测点XD02和ZG93三种模型预测精度对比
Table 4 Prediction accuracy analysis of three models of monitoring point XD02 and ZG93
模型 MAPE/% RMSE/mm XD02 ZG93 XD02 ZG93 GRU 20.48 22.18 15.22 17.79 APSO-SVR 17.21 18.88 12.35 11.36 APSO-SVR-GRU 13.78 14.97 7.68 6.01
下载: 导出CSV
-
[1] 麻凤海,陈霞,季峰,等. 滑坡预测预报研究现状与发展趋势[J]. 徐州工程学院学报(自然科学版),2018,33(2):30 − 33. [MA Fenghai,CHEN Xia,JI Feng,et al. Current status and future development of landslide prediction research[J]. Journal of Xuzhou Institute of Technology (Natural Sciences Edition),2018,33(2):30 − 33. (in Chinese with English abstract) [2] 刘向峰,郭子钰,王来贵,等. 降雨矿震叠加作用下抚顺西露天矿边坡稳定性分析[J]. 中国地质灾害与防治学报,2021,32(4):40 − 46. [LIU Xiangfeng,GUO Ziyu,WANG Laigui,et al. Analysis on the slope stability of Fushun West Open-pit Mine under superimposed action of rainfall,mine and earthquake[J]. The Chinese Journal of Geological Hazard and Control,2021,32(4):40 − 46. (in Chinese with English abstract) [3] HÖLL M,KIYONO K,KANTZ H. Theoretical foundation of detrending methods for fluctuation analysis such as detrended fluctuation analysis and detrending moving average[J]. Physical Review E,2019,99:033305. DOI: 10.1103/PhysRevE.99.033305
[4] ZHOU C,YIN K,CAO Y,et al. A novel method for landslide displacement prediction by integrating advanced computational intelligence algorithms[J]. Scientific Reports,2018(8):7287. DOI: 10.1038/s41598-018-25567-6
[5] 李乃乾,孙晨童. 小波与传统滤波方法提取周期信息的比较研究[J]. 统计与决策,2021,37(1):29 − 34. [LI Naiqian,SUN Chentong. A comparative study on wavelet and traditional filtering methods for extracting cyclical information[J]. Statistics & Decision,2021,37(1):29 − 34. (in Chinese with English abstract) [6] 宫月,贾瑞生,卢新明,等. 利用经验模态分解及小波变换压制微震信号中的随机噪声[J]. 煤炭学报,2018,43(11):3247 − 3256. [GONG Yue,JIA Ruisheng,LU Xinming,et al. To suppress the random noise in microseismic signal by using empirical mode decomposition and wavelet transform[J]. Journal of China Coal Society,2018,43(11):3247 − 3256. (in Chinese with English abstract) DOI: 10.13225/j.cnki.jccs.2017.1667 [7] SHEN C,XUE S. Displacement prediction of rainfall-induced landslide based on machine learning[J]. Journal of Coastal Research,2018,83(10083):272 − 276.
[8] DENG D M,LIANG Y,WANG L Q,et al. Displacement prediction method based on ensemble empirical mode decomposition and support vector machine regression:A case of landslides in Three Gorges Reservoir area[J]. Rock and Soil Mechanics,2017,38(12):3660 − 3669.
[9] 李仕波,李德营,张玉恩,等. 基于LS-SVM模型的白水河滑坡台阶状位移预测[J]. 长江科学院院报,2019,36(4):55 − 59. [LI Shibo,LI Deying,ZHANG Yuen,et al. Displacement prediction of Baishuihe step-like landslide by least square support vector machine[J]. Journal of Yangtze River Scientific Research Institute,2019,36(4):55 − 59. (in Chinese with English abstract) [10] 陈绍桔. 边坡位移时间序列分析预测[J]. 福建建筑,2008(6):58 − 60. [CHEN Shaojie. Time series analysis on the prediction of slope displacement[J]. Fujian Architecture & Construction,2008(6):58 − 60. (in Chinese with English abstract) [11] 杨背背,殷坤龙,杜娟. 基于时间序列与长短时记忆网络的滑坡位移动态预测模型[J]. 岩石力学与工程学报,2018,37(10):2334 − 2343. [YANG Beibei,YIN Kunlong,DU Juan. A model for predicting landslide displacement based on time series and long and short term memory neural network[J]. Chinese Journal of Rock Mechanics and Engineering,2018,37(10):2334 − 2343. (in Chinese with English abstract) DOI: 10.13722/j.cnki.jrme.2018.0468 [12] 陈伟,雷帮军,黄海峰. 基于门控循环单元的滑坡位移预测和灾害预警方法[J]. 长江信息通信,2021,34(5):19 − 21. [CHEN Wei,LEI Bangjun,HUANG Haifeng. Landslide displacement prediction and disaster early warning method based on gated recurrent unit[J]. Changjiang Information & Communications,2021,34(5):19 − 21. (in Chinese with English abstract) DOI: 10.3969/j.issn.1673-1131.2021.05.006 [13] LIU Z Q,GUO D,LACASSE S,et al. Algorithms for intelligent prediction of landslide displacements[J]. Journal of Zhejiang University-SCIENCE A,2020,21(6):412 − 429. DOI: 10.1631/jzus.A2000005
[14] 易武. 2007—2012年长江三峡库区秭归县白水河滑坡基本特征及监测数据[R]. 国家冰川冻土沙漠科学数据中心（www.ncdc.ac.cn）, 2016 YI Wu. 2007—2012 the basic features and monitoring data of the Baishui River landslide in the Three Gorges reservoir area of the Yangtze River from 2007 to 2012[R]. National Glacier Permafrost Desert Science Data Center （www.ncdc.ac.cn）, 2016. （ in Chinese）
[15] 方汕澳,许强,修德皓,等. 基于斜率模型的突发型黄土滑坡失稳时间预测[J]. 水文地质工程地质,2021,48(4):169 − 179. [FANG Shan’ao,XU Qiang,XIU Dehao,et al. A study of the predicted instability time of sudden loess landslides based on the SLO model[J]. Hydrogeology & Engineering Geology,2021,48(4):169 − 179. (in Chinese with English abstract) [16] 张琳,汪廷华,周慧颖. 基于群智能算法的SVR参数优化研究进展[J]. 计算机工程与应用,2021,57(16):50 − 64. [ZHANG Lin,WANG Tinghua,ZHOU Huiying. Research progress on parameter optimization of SVR based on swarm intelligence algorithm[J]. Computer Engineering and Applications,2021,57(16):50 − 64. (in Chinese with English abstract) DOI: 10.3778/j.issn.1002-8331.2104-0096 [17] 刘天浩. 滑坡位移序列的支持向量机预测[D]. 沈阳: 东北大学, 2005 LIU Tianhao. Prediction of landslide displacement series by the support vector machine[D]. Shenyang: Northeastern University, 2005. （in Chinese with English abstract）
[18] 方良斌,张宏魏,詹建勇,等. 基于移动平均法的危岩点云数据处理及变形分析[J]. 人民长江,2019,50(4):152 − 156. [FANG Liangbin,ZHANG Hongwei,ZHAN Jianyong,et al. Point cloud data processing of dangerous rock and deformation analysis based on moving average method[J]. Yangtze River,2019,50(4):152 − 156. (in Chinese with English abstract) [19] 邹世铭,方成刚. 基于APSO-BP神经网络的齿轮表面粗糙度预测模型研究[J]. 工具技术,2021,55(6):47 − 51. [ZOU Shiming,FANG Chenggang. Research on gear surface roughness prediction model based on APSO-BP neural network[J]. Tool Engineering,2021,55(6):47 − 51. (in Chinese with English abstract) DOI: 10.3969/j.issn.1000-7008.2021.06.008 [20] 陈贵敏,贾建援,韩琪. 粒子群优化算法的惯性权值递减策略研究[J]. 西安交通大学学报,2006,40(1):53 − 56. [CHEN Guimin,JIA Jianyuan,HAN Qi. Study on the strategy of decreasing inertia weight in particle swarm optimization algorithm[J]. Journal of Xi’an Jiaotong University,2006,40(1):53 − 56. (in Chinese with English abstract) DOI: 10.3321/j.issn:0253-987X.2006.01.013 [21] 冯浩,李现伟. PSO算法中学习因子的非线性异步策略研究[J]. 安阳师范学院学报,2015(5):44 − 47. [FENG Hao,LI Xianwei. A study of nonlinear asynchronous strategies for learning factors in PSO algorithms[J]. Journal of Anyang Normal University,2015(5):44 − 47. (in Chinese with English abstract) DOI: 10.3969/j.issn.1671-5330.2015.05.012 [22] 吴迪. 基于PSO-SVM的凤县公路边坡地质灾害空间预测[J]. 中国地质灾害与防治学报,2018,29(6):112 − 120. [WU Di. Spatial prediction of highway slope geo-hazards in Feng County based on PSO-SVM[J]. The Chinese Journal of Geological Hazard and Control,2018,29(6):112 − 120. (in Chinese with English abstract) [23] LI X C,MA X F,XIAO F C,et al. Application of gated recurrent unit (GRU) neural network for smart batch production prediction[J]. Energies,2020,13(22):6121. DOI: 10.3390/en13226121
[24] YU X,ZHANG X Q. Enhanced comprehensive learning particle swarm optimization[J]. Applied Mathematics and Computation,2014,242:265 − 276. DOI: 10.1016/j.amc.2014.05.044
[25] JIANG H W,LI Y Y,ZHOU C,et al. Landslide displacement prediction combining LSTM and SVR algorithms:A case study of Shengjibao landslide from the Three Gorges Reservoir area[J]. Applied Sciences,2020,10(21):7830. DOI: 10.3390/app10217830
[26] GREFF K,SRIVASTAVA R K,KOUTNIK J,et al. LSTM:a search space odyssey[J]. IEEE Transactions on Neural Networks and Learning Systems,2017,28(10):2222 − 2232. DOI: 10.1109/TNNLS.2016.2582924
[27] 李麟玮,吴益平,苗发盛,等. 基于变分模态分解与GWO-MIC-SVR模型的滑坡位移预测研究[J]. 岩石力学与工程学报,2018,37(6):1395 − 1406. [LI Linwei,WU Yiping,MIAO Fasheng,et al. Displacement prediction of landslides based on variational mode decomposition and GWO-MIC-SVR model[J]. Chinese Journal of Rock Mechanics and Engineering,2018,37(6):1395 − 1406. (in Chinese with English abstract) [28] 陈锐,范小光,吴益平. 基于数据挖掘技术的白水河滑坡多场信息关联准则分析[J]. 中国地质灾害与防治学报,2021,32(6):1 − 8. [CHEN Rui,FAN Xiaoguang,WU Yiping. Analysis on association rules of multi-field information of Baishuihe landslide based on the data mining[J]. The Chinese Journal of Geological Hazard and Control,2021,32(6):1 − 8. (in Chinese with English abstract) [29] 汤明高,吴川,吴辉隆,等. 水库滑坡地下水动态响应规律及浸润线计算模型—以石榴树包滑坡为例[J]. 水文地质工程地质,2022,49(2):115 − 125. [TANG Minggao,WU Chuan,WU Huilong,et al. Dynamic response and phreatic line calculation model of groundwater in a reservoir landslide:Exemplified by the Shiliushubao landslide[J]. Hydrogeology & Engineering Geology,2022,49(2):115 − 125. (in Chinese with English abstract) [30] 王家柱,巴仁基,葛华,等. 基于MACD指标的渐变型滑坡临滑预报模型研究[J]. 水文地质工程地质,2022,49(6):133 − 140. [WANG Jiazhu,BA Renji,GE Hua,et al. Research on early-warning prediction model of critical slide of creep landslide based on the MACD index[J]. Hydrogeology & Engineering Geology,2022,49(6):133 − 140. (in Chinese with English abstract) -
期刊类型引用(5)
1. 贺伟明，石胜伟，蔡强，梁炯. 基于上下限解的膨胀土边坡首次滑动区域分析. 水文地质工程地质. 2025(01): 104-112 . 
百度学术
2. 孙银磊，余川，廖磊，李志妃. 钢渣粉固化改良膨胀性黏土机理研究进展. 水文地质工程地质. 2025(01): 113-129 . 百度学术
3. 张锐，周豫，兰天，郑健龙，刘昭京，李彬. 高速铁路土工格栅加筋膨胀土边坡作用机制. 铁道科学与工程学报. 2024(01): 1-12 . 百度学术
4. 纪佑军，熊军，蒋国斌，王泽根. 考虑应变软化的鸡场镇降雨型滑坡数值分析. 水文地质工程地质. 2024(04): 178-188 . 百度学术
5. 张再江. 基于改进极限平衡原理的膨胀土边坡稳定性计算分析. 水利科技与经济. 2024(07): 48-51 . 百度学术
其他类型引用(8)
计量
- 文章访问数: 2020
- HTML全文浏览量: 1190
- PDF下载量: 174
- 被引次数: 13
邮件订阅
RSS