ISSN 1003-8035 CN 11-2852/P

    基于PSO-DSRVM的边坡变形预测

    袁于思, 冯小鹏, 李勇, 易灿灿

    袁于思,冯小鹏,李勇,等. 基于PSO-DSRVM的边坡变形预测[J]. 中国地质灾害与防治学报,2023,34(1): 1-7. DOI: 10.16031/j.cnki.issn.1003-8035.202112032
    引用本文: 袁于思,冯小鹏,李勇,等. 基于PSO-DSRVM的边坡变形预测[J]. 中国地质灾害与防治学报,2023,34(1): 1-7. DOI: 10.16031/j.cnki.issn.1003-8035.202112032
    YUAN Yusi,FENG Xiaopeng,LI Yong,et al. Prediction of mine slope deformation based on PSO-DSRVM[J]. The Chinese Journal of Geological Hazard and Control,2023,34(1): 1-7. DOI: 10.16031/j.cnki.issn.1003-8035.202112032
    Citation: YUAN Yusi,FENG Xiaopeng,LI Yong,et al. Prediction of mine slope deformation based on PSO-DSRVM[J]. The Chinese Journal of Geological Hazard and Control,2023,34(1): 1-7. DOI: 10.16031/j.cnki.issn.1003-8035.202112032

    基于PSO-DSRVM的边坡变形预测

    基金项目: 国家自然科学基金项目(51805382);湖北省安全生产专项资金科技项目(KJZX202007003)
    详细信息
      作者简介:

      袁于思(1974-),男,湖北通山人,本科,主要从事结构健康监测的研究。E-mail:1197693411@qq.com

      通讯作者:

      易灿灿(1989-),男,湖北松滋人,博士,主要从事结构健康监测的研究。E-mail:zhiliwangmr@163.com

    • 中图分类号: P642.22

    Prediction of mine slope deformation based on PSO-DSRVM

    • 摘要: 为了建立高精度的边坡位移预测模型,文章采用基于粒子群优化(PSO)的双稀疏相关向量机(DSRVM)建立边坡稳定性和影响因素之间的非线性关系。双稀疏相关向量机是在变分和相关向量机(RVM)框架下提出的一种多核组合优化的方法,相比于RVM和其他多核学习方法,DSRVM不仅有更少的训练时间,并且能够得到更高的预测精度。由于DSRVM的核参数对预测效果的影响较大,文章采用粒子群算法实现多个核参数的优化选取并应用于边坡位移预测。最后将本文提出的基于粒子群优化的双稀疏相关向量机(PSO-DSRVM)预测结果与极限学习机 (ELM)和小波神经网络(WNN)预测结果进行对比,通过均方根误差(RMSE)、复相关系数(R2)和平均相对预测误差(ARPE)进行评价,验证了PSO-DSRVM模型在边坡变形预测上的可行性。
      Abstract: In order to establish a high-precision prediction model of mine slope displacement, Doubly Sparse Relevance Vector Machine (DSRVM) based on Particle Swarm Optimization (PSO) was used to establish the nonlinear relationship between slope stability and influencing factors in this paper. DSRVM was a multi-core combinatorial optimization method, which was proposed under the framework of variational and Relevance Vector Machines (RVM). Compared with RVM and other multiple-kernel learning methods, DSRVM not only had less training time, but also can obtained higher prediction accuracy. Aiming at the influence of the parameter’s selection of DSRVM on the final prediction effect, the optimal multiple kernel parameters was determined by PSO algorithm to be used in the mine slope displacement prediction. Compared the computational results of DSRVM with Extreme Learning Machine (ELM) and Wavelet Neural Network (WNN), the feasibility of PSO-DSRVM in slope deformation prediction was verified by the evaluation indicators such as RMSE, R2 and ARPE.
    • 地质灾害如地震、滑坡、泥石流等频繁发生,给人类社会带来了巨大的人员伤亡和经济损失[12]。随着全球工业化和城镇化的加速推进,大规模的基础设施建设使得地质灾害的风险进一步加剧,成为了工程地质学家和岩土工程师亟需解决的重要问题[34]。针对地质灾害隐患点开展有效地监测与预警是减轻地质灾害影响的前提[5]。同时,精准地测量和了解地质体的演化亦是人类认识地球的基础[6]

      自20世纪30年代以来,监测技术在地质灾害及地震研究中发挥了关键作用[5]。然而,传统的监测技术往往依赖于光学、机械、液压或电气传感元件,存在诸多局限性。此外,多数用于测量土压、孔隙水压力、地温和振动的传感器为点式离散传感器,现场读数易受电磁干扰影响。考虑地质体的不确定性和空间变异性,对其有效监测通常需要分布广泛的传感器网络来生成可靠的数据[7]。光纤传感技术凭借其独特的优势,逐渐成为了地质和岩土工程监测领域中的新星。

      光纤传感技术以光纤为媒介,通过测量光在光纤中传播时的散射、反射或透射特性变化来感知外界信号[89]。这种技术始于1977年,最初仅用于定性监测,但随后逐渐发展至多参量定量监测。自1990年Mendez等首次将光纤传感器应用于土木工程领域的监测以来,光纤传感系统在工程监测领域的研究与应用得到了快速发展,已广泛应用于地震、隧道、山体滑坡等复杂地质体的监测[10]。近年来,多种光纤传感技术被开发并应用于地质灾害领域,如光纤布拉格光栅(FBG)、光时域反射仪(OTDR)、光频域反射计(OFDR)、布里渊光时域反射仪(BOTDR)、布里渊光时域分析(BOTDA)和布里渊光频域分析(BOFDA)等[1112]。这些技术相较于传统传感器具有抗电磁干扰、耐腐蚀、高精度、微型尺寸和多路复用能力等优势,使得地质体的精细测量成为可能,并能可靠地收集地球结构局部和整体稳定性状况的详细信息[1315]

      本文在介绍不同光纤传感原理的基础上,详细梳理光纤传感在地质安全监测中的应用发展。重点关注其在滑坡灾害、隧道灾害及地震监测中的发展。最后,本文探讨光纤传感技术在地质灾害监测领域存在的瓶颈和未来发展方向,以期为地质工程领域的研究人员和从业者提供有价值的参考。

      目前使用较多的光纤传感技术有两类:光纤布拉格光栅(FBG)和分布式光纤(DFOS)。FBG是点式和准分布式传感技术,这种传感技术较为成熟,工程化制作方便,可提供高精度点式测量[16]。DFOS具有典型的分布式感应外部物理量的特点,可以根据不同的工作原理(瑞利散射、布里渊散射、拉曼散射)对外界因素的变化进行解调,即能够检测到这些外界因素的变化[1718]。点式FBG技术和分布式DFOS技术之间的选择,通常取决于传感应用和安装环境的具体要求。表1为目前常用的光纤感测技术原理和应用总结。

      表  1  常用的光纤传感技术总结
      Table  1.  Summary of common fiber optic sensing technologies
      名称基本原理优点缺点
      FBG布拉格衍射可封装成不同传感器,直观显示变形和压力等信息。仅能提供准分布式测量
      BOCDA受激布里渊散射光相关域分析测量时间短,空间分辨率高,精度高,可测绝对温度和应变。测量距离短,不可测断点,双端通路系统。
      BOCDR自发布里渊散射光相关域分析单端测量,精度高,可测断点,可测绝对温度和应变。测量时间长
      BOFDA受激布里渊散射光频域分析精度高,空间分辨率高,可测绝对温度和应变。光源相干性,不可测断点,双端通路系统。
      BOTDA受激布里渊散射光时域分析动态范围大,测试时间短,高精度,高空间分辨率,
      可测绝对温度和应变。
      不可测断点,双端通路系统。
      BOTDR自发布里渊散射光时域分析单端测量,可测断点,可测绝对温度和应变。测量时间长,空间分辨率低。
      OFDR瑞利散射频域分析精度高,空间分辨率高。测试距离相对受限。
      OTDR瑞利散射光时域分析单端测量,便携,直观快速,可测断点。间接方式测量光纤应变且误差大,不能用于测温。
      COFDR瑞利散射相干光频域反射分析单端测量,可测断点,测试时间短,高精度,高空间分辨率。测量距离短,仅测量相对变化值。
      COTDR瑞利散射相干光时域反射分析单端测量,可测断点,测试时间短,高精度,高空间分辨率。测量距离短,仅测量相对变化值。
      DAS瑞利散射光时域/频域分析大范围监测,较高的空间分辨率成本较高
      ROTDR拉曼散射光时域分析单端检测,仅对温度敏感,测量距离长。空间分辨率低,精度低。
      ROFDR拉曼散射光频域分析单端检测,仅对温度敏感,精度高,空间分辨率高。存在光源相干性问题。
      下载: 导出CSV 
      | 显示表格

      第一个FBG传感器是由加拿大渥太华通信研究中心的Hill等制作的,他们首次发现了掺锗石英光纤中的光敏现象[19]。光纤布拉格光栅(FBG)是通过将光纤纤芯横向暴露于具有周期性图案的强紫外光下制作而成的。这种强紫外光的曝光会永久性地改变光纤纤芯的折射率,形成与曝光图案相匹配的固定折射率调制,这种调制结构被称为光栅。FBG的基本原理是在光纤的特定位置创建一个折射率周期性变化的区域,使得特定波长的光(即布拉格反射光)在这个区域内被反射。布拉格反射光的中心波长取决于光栅的周期和纤芯的有效折射率[16]图1说明了FBG传感器的工作原理。其中光栅的折射率(n3)超过光纤的折射率(n1)。光栅的周期和光纤的折射率定义了反射光的波长(布拉格波长),如公式(1)所示:

      图  1  FBG传感器原理示意图[16]
      Figure  1.  Schematic diagram of FBG sensor principle
      $$ {\lambda _B} = 2{n_{eff}}\Lambda $$ (1)

      式中:λB——光纤布拉格波长;

      neff——有效纤芯折射率;

      $\Lambda $——折射率调制的周期(光栅周期)。

      将光栅区域用作传感区,当被测物质的温度、结构或位置发生变化时,光栅的周期和纤芯的有效折射率也会相应改变,从而导致反射光的中心波长发生变化。通过测量反射光波长的变动,可以准确确定光纤所受的应变或所处的温度。由于光路变化而引起的中心波长差Δλ可以用温度变化(ΔT)和应变变化(Δε)来表示,如公式(2)所示:

      $$ \frac{{\Delta \lambda }}{\lambda } = (1 - {P_{eff}})\Delta \varepsilon + (\alpha + \xi )\Delta T $$ (2)

      式中:Δλ——光路变化而引起的中心波长差;

      ΔT——温度变化;

      Δε——应变变化;

      $ {P_{eff}} $——均匀轴向应力作用下的有效弹光系数;

      $ \xi $——光纤光栅材料的热光系数;

      $ \alpha $——光纤光栅的线性热膨胀系数。

      通过特殊的布置,FBG可以监测许多物理参数,例如温度、应变、相对位移、湿度和压力,提供出色的测量分辨率和范围[20]。由于FBG的采样率可高达2 MHz,因此它适用于静态和动态测量。此外,FBG作为无源传感器,可以实现时分复用或波分复用,从而支持准分布式传感。通过在一根光纤上布置多个布拉格光栅,并利用复用技术,可以构建准分布式传感网络,实现大范围内的多点同时监测。这种方法不仅能够显著减少监测系统的设备数量和传输光纤的长度,还能有效降低监测成本[2122]。由于以上优势,FBG对地质灾害监测非常有吸引力。

      虽然FBG传感有许多优点,但其解调成本较高。为了弥补其缺陷,通常会在单根光纤上串行复用多个光纤光栅传感器,通过一套解调设备来获得多个光纤光栅的实时数据,从而降低单个传感点的解调成本。然而,普通光纤光栅传感系统的复用量受到过高反射率(通常大于80%)的限制,无法实现大规模复用。因此,自20世纪末开始又发展了弱光栅技术(WFBG)。其原理是在光纤上大量刻写反射率低于1%的弱光栅,通过解析弱光栅上的光信息准分布式感知外界信息[23]。由于其窄带宽、弱反射的特点,光源带宽和入射光功率的限制大大减小,从而大幅度提高光栅传感器复用数量。与传统FBG相比,WFBG具有灵敏度高、传感点多、可大规模集群应用等优点[24]

      分布式光纤传感技术基于光散射原理,通过一根光缆可以实现被测物体温度和应变的连续分布测量。光纤中的散射光主要包括三种类型:瑞利散射光、布里渊散射光和拉曼散射光[25],如图2所示。瑞利散射是一种弹性散射过程,其中散射光的频率在散射过程中保持不变。当外部物理因素,例如声波、振动、温度变化或机械应变等,以及光纤路径中的损耗、接头和断裂点对特定位置的传感光纤产生影响时,弹光效应和热光效应会导致该位置的光纤散射单元的长度和折射率发生变化[26]。这种变化会导致传输至检测器的瑞利散射光相位差的变化,最终引起检测到的后向瑞利散射光强度的变化[27]

      图  2  不同的光纤散射光的频率及放射强度示意图
      Figure  2.  Schematic diagram of scattered light frequency and radiation intensity from different optical fibers

      近年来,基于瑞利散射原理的分布式光纤声波传感技术(DAS)在地质学领域得到了快速的发展。DAS技术通常使用具有高相干性和极窄线宽的光源,以产生高度稳定且连续的激光[28]。这些激光在光纤内部产生后向瑞利散射,通过解调器对检测到的相位信息进行解调,可以精确地提取相位信息并测量由外部扰动引起的应变变化[29]。当传感光纤沿其纵向或轴向受到外部振动的影响时,这将改变光纤的长度、内部折射率和纤芯直径,进而导致光程差或相位的变化。设波长为L的光纤中,脉冲光波传播时相对于入射光波产生的相位总延迟$\Delta \varphi $可表示为:

      $$ \Delta \varphi = \beta \Delta L + L\Delta \beta = \beta L\frac{{\Delta L}}{L} + L\left( {\frac{{\partial \beta }}{{\partial n}}} \right)\Delta n + L\left( {\frac{{\partial \beta }}{{\partial a}}} \right)\Delta a $$ (3)

      式中:$\beta $——传输常数;

      n——纤芯折射率;

      a——纤芯直径。

      布里渊散射和拉曼散射是非弹性散射,散射光的频率会发生变化。布里渊散射对温度和应变都敏感,当光纤发生应变或环境温度变化时,背向布里渊散射光的频移量也会相应变化,并且这种变化满足线性关系 [30]

      $$ {v_B}(\varepsilon ,T) = {v_B}(0,T) + {C_1}\varepsilon + {C_2}(T - {T_0}) $$ (4)

      式中:${v_B}(\varepsilon ,T)$——布里渊散射光频率;

      ${v_B}(0,T)$——没有应变的情况下环境温度T0时的 布里渊频移;

      C1——应变比例系数;

      C2——温度比例系数;

      ε——应变;

      T——温度。

      当脉冲泵浦光传输时,光纤中的光子与光声子产生非弹性碰撞,发生拉曼散射[31],产生了反斯托克斯光和斯托克斯光,两者的光强度比和温度存在如式(5)所示关系:

      $$ R(T) = \frac{{I{}_a}}{{{I_b}}} = {\left(\frac{{{V_a}}}{{{V_b}}}\right)^{{e^{\frac{{ - hcv}}{{KT}}}}}} $$ (5)

      式中:R(T)——待测温度;

      IaIb——反斯托克斯光强和斯托克斯光强;

      VaVb——反斯托克斯光频率和斯托克斯光频率;

      c——真空中的光速;

      v——拉曼平移量;

      h——普朗克常数;

      K——玻尔兹曼常数;

      T——绝对温度。

      除了温度外,拉曼散射对应变等其他参量并不敏感。因此在测温时,一般采用拉曼散射技术而非布里渊技术[3233]

      深入理解滑坡失稳机理的前提是全面掌握其基本特征,包括滑坡的范围、规模、滑带的位置和深度等[3435]。然而,目前准确定位滑带的深度和空间分布仍然面临挑战。滑坡剪切滑动区域通常表现出异常的应变集中分布,而准分布式或分布式光纤传感器能够持续监测应变的变化,因此可以为滑带的位置提供高精度的指示[36]。特别是在长期监测中,这些传感器的高灵敏度和分布式特性克服了传统方法的局限,为滑带长期蠕变特征的识别提供了新的工具。

      近年来,光纤传感技术在滑带定位方面取得了显著成效。例如,孙义杰等[37]采用FBG准分布传感器,准确获取了马家沟滑坡的失稳滑动位置。Zhang等人[38]结合钻孔岩芯数据,利用FBG准分布传感器确定了白洋湾滑坡滑带的位置。Ye等[39]通过超弱光纤布拉格光栅(UWFBG)获取了新铺滑坡滑带的变形时间序列特征,并结合库水位升降和降雨数据的监测,揭示了库岸复杂滑坡的滑带动力学演化特征。

      滑坡的失稳破坏本质上是由于上覆岩层和外部环境附加荷载的作用,使得滑坡软弱面上的剪应力超过该面的抗剪强度,从而导致斜坡上的土体和岩体沿着该软弱面向下滑动[40]。因此,准确获取滑带岩土体的应力水平和应力分布特征,对于理解滑坡的失稳破坏至关重要。Zhu等人[41]将准分布式FBG应变传感器直接嵌入边坡模型中,测量了上部加载和地下水位变化过程中的土体应变。他们的实验表明,FBG传感器的使用可为了解边坡变形和破坏模式提供重要的见解。朱武等人[42]基于光纤传感技术开发了埋入式岩土体三维应力测量系统,能够有效测量任意方向的正应力大小,实现三维土应力的偏移测量和精确定位,为地质灾害中岩土体应力的表征提供了一种全新的技术和方法。

      温度场变化会导致岩土体的体积及裂隙发展,并间接或直接作用于滑坡体的物理和力学性质,影响其内部应力状态和水文地质条件[43],并触发滑坡灾害 [4445]。沿光纤传播的光信号后向散射光谱对温度较为敏感,因此可以通过分布式光纤连续监测沿线的温度变化,提供高空间分辨率的温度场数据。此外,当前研究结果表明,绝大部分的滑坡都与水有关。降雨入渗、水位变动和动水压力是其失稳的主要诱因[4648]。近年来,光纤传感技术在野外成功监测得到了大范围岩土体的含水率和渗流速率等信息。例如,南京大学施斌团队等研发了全分布式碳纤维自加热光缆,并应用于饱和土中渗流速率[49]和非饱和土中含水率[50]的监测。武汉理工大学徐东升团队也提出了一种基于3D打印方法的FBG传感器,用于测量土体的水压,并在应用中表现出色的稳定性和准确性[51]

      滑坡的演化失稳受到应力场、渗流场、温度场等多物理场的综合影响[5253]。光纤传感技术最大的优点在于能够沿着光纤长度方向,获取多物理参量(应变、温度和声波震动等物理量)的耦合信息,可对其失稳演化机制提供更深入准确的认识。Ye等[54]采用弱反射光纤布拉格光栅(WFBG)捕捉到了三峡地区藕塘滑坡深部空间中的热-水-力耦合行为,生成了滑坡中垂直钻孔的温度、湿度和应变的时空分布。这种采用光纤传感获取的多物理场耦合信息,为水库滑坡的长期演化机制和周期性变形机制提供了新的视角和综合性的见解。

      光纤传感技术具备分布式立体传感的能力,具有高精度和实时性,为滑坡监测和预警提供了全新的技术手段。Ho等[55]和Pei等[56]采用FBG技术研发了新型光纤测斜仪,并成功应用于现场滑坡变形监测。他们的研究结果表明,FBG传感器能够有效预警人工滑坡,但安装位置对准确预警滑坡的发生至关重要。随后,分布式光纤传感器在滑坡监测和预警中也得到了广泛应用。隋海波等[57]和王宝军等[58]分别利用BOTDR技术在实际填土边坡和室内边坡模型试验中,成功实现了边坡变形的监测及变形区域的精确定位。在日本,Kato等[59]将FBG与BOTDR技术结合,对多个滑坡进行了位移监测,结果显示光纤传感器在斜坡失稳前2小时检测到了异常应变变化,为滑坡的短期预报和预警提供了重要数据支持。Zhu等[22]在前人研究的基础上,将FBG和BOTDA技术同时应用于人工加固边坡的模型试验,监测了边坡中土钉的应变分布和土体内部位移,研究发现光纤监测数据能够有效识别边坡的失稳临界状态。Sun等[60]将多种光纤传感技术应用于三峡库区某边坡的长期监测,成功获取了坡体的变形、温度和渗流等多场信息,进一步证明了光纤传感在滑坡预警中多元数据融合的优势。

      光纤与滑坡体的粘结方式以及光纤的布置形式,对滑坡监测和预警的准确性至关重要。目前主要的布设方式分为表面布设和埋入式布设两种。史彦新等[29]通过在滑坡表面布设BOTDA的分布式监测网络,同时在地表变形缝处安装FBG传感器,实现了由点到面的地表监测网络。刘永莉[61]和刘虹霖[62]也采用了类似的监测组网方式,这种布置方式在滑坡监测预警中取得了良好效果。一些研究者还通过埋入式方式布置光纤传感器,例如张磊[63]通过安装光纤测斜管进行滑坡深部位移的实时监测。这种方法通常选用金属管作为测斜管,在测斜管两平行凹槽处粘贴光缆,并使用环氧树脂固定。孙义杰等[64]也采用了类似的方法,通过在滑坡体上布设埋入式感测光缆、设置光纤综合观测孔和在抗滑桩内植入分布式感测光纤等方式对滑坡内部变形进行监测。

      目前,精确的光纤传感系统的发展使得感知微小变形和全天候实时监测滑坡成为可能。然而,根据光纤监测结果建立预测模型并确定报警触发条件仍然是一个挑战。从海量监测数据中快速、智能、自动化地挖掘监测参数-失稳之间的关联模式仍需进一步研究。同时,将实时监测数据与机器学习方法相结合,不断优化滑坡预测预警模型,也是未来滑坡监测预警的重要研究方向。

      光纤传感器在滑坡防治加固工程的健康状态监测以及滑坡设计荷载的确定上也可起到一定作用[65]。通过在锚杆、土钉墙、抗滑桩上安装光纤传感器,可以实时监测这些结构内部的应变和应力变化。这有助于评估加固措施的有效性,及时发现局部过载或潜在的结构损伤[66]。如孙义杰等[37]采用BOTDR、ROTDR和FBG相结合的方式,对三峡库区马家沟滑坡的抗滑桩进行了监测,有效地获取了桩身内力和应变等信息。刘永莉等[61]采用BOTDR技术确定了某高速公路边坡抗滑桩身的滑坡推力分布形式和大小,还进一步确定了整个抗滑桩上的受力及滑面埋深。Huntley等人[67]在加拿大Ripley滑坡上安装了光纤传感系统来监测滑坡挡土墙的稳定性。他们将两个FBG传感器与表面粘合的BOTDR传感器一起安装在挡土墙上,并进行了三个月的连续监测,监测数据验证了该防治结构的有效应。

      另外,与传统的电阻和振弦式监测装置相比,光纤传感器可以对加固结构进行分布式测量,从而可以获得加固结构轴向力、剪切力和弯矩的详细分布[68]。通过结构剪切力和弯矩的详细分布情况,可准确地获得滑坡下滑推力值以及加固结构的抗滑机理。2000年,Glisic等[69]便采用了分布式光纤传感器对桩-土交互中,桩身应变、挠度、位移和正应力等进行了系统地监测。Zhu等人[70]根据准分布式FBG传感器阵列,在土钉的多个位置进行了精确的应变测量,在拔出试验期间发现了随着钉长近似线性的应变分布模式。刘永莉[61]采用BOTDR技术监测获取了抗滑桩沿着深度方向的应变数据,并基于抗滑桩受力和位移之间的理论模型,定量获取了桩身所受的滑坡推力大小及分布。

      在隧道建设工程中,长期的地应力变化、地下水位波动、人类工程活动或地震活动等因素可能导致围岩应力的重新分布,从而影响隧道的结构安全[71]。因此,工程师需要对隧道的变形进行监测,以确保其结构的稳定性[72]。分布式光纤传感技术因其具备分布式、大范围、三维空间监测、长距离、实时在线和遥感监测等特点,已广泛应用于隧道围岩的变形监测[7374]

      通过光纤监测技术,可以获取隧道不同位置的应变分布,但无法直观地反映隧道变形(如顶板沉降或收敛变形)的具体大小[75]。因此,当前的研究常通过数学模型建立光纤应变与隧道变形之间的关系。其中,双重积分法是一种快速简便的方法,其通过对曲率分布进行两次积分以获得挠度[76]。然而,该方法需要使用测斜仪来测量边界点处的初始位移和挠度,从而增加了监测成本。针对这一不足,Shen等[77]提出了一种改进的共轭梁方法(ICBM),以处理光纤监测应变与隧道沉降和横向变形之间的关系。采用该方法,仅需在同一隧道断面不同位置纵向安装三个应变传感器,即可测得隧道的竖向曲率和水平曲率,从而计算盾构隧道的沉降和横向位移。

      Moffat等[78]提出了一种理论模型,假设光纤管为具有未知边界条件的一维线性伯努利梁单元,建立了光纤轴向应变与隧道侧壁变形之间的反演模型。侯公羽等[79]根据隧道顶板的变形规律,提出了圆弧形沉降模型、抛物线形沉降模型和三角形沉降模型三种经验模型,以建立光纤轴向应变与垂直变形之间的关系。除了理论模型外,一些学者[8081]尝试基于神经网络算法,实现自动识别光纤应变测量值与隧道断面形状之间的关系,从而省去复杂的理论计算,节省了大量计算时间。

      在隧道变形监测中,光纤的布设方式显著影响监测效果。目前较为常见的布设方法是将光缆固定在钢筋网或大梁上,然后通过喷射混凝土将光纤嵌入初始衬砌中以进行应变传感[8283]。此外,光纤还可以直接粘合在衬砌表面,或在衬砌表面切割小槽,将传感光纤埋入其中,并用胶水或砂浆填充槽口[8486]。以上方法主要用于对隧道围岩表层的变形监测。近年来,有学者采用内嵌光纤的锚杆,植入隧道围岩中,以对围岩松动圈进行立体变形监测。这种内嵌光纤自感知锚杆的隧道围岩智能监测系统,已在我国广汕高铁的陈塘隧道中得到应用[87]。此外,随着机器学习技术的发展,其在光纤传感布设中的应用也逐渐增多。例如,郑体鹏[88]提出了一种结合鲸鱼优化算法思想的改进DQN算法。该算法通过鲸鱼优化算法实现全局范围搜索,降低了策略网络迭代时陷入局部最优解的概率,增强了算法的探索性,并将其应用于盾构隧道FBG传感阵列的布局优化问题中,提高了监测精度。

      在隧道建设中,常见的有害气体包括甲烷、硫化氢、二氧化碳和一氧化碳等[89]。这些气体在地下工程和密闭空间中更易积聚,工人长期暴露于高浓度有害气体环境中可能导致中毒、窒息,甚至引发爆炸事故。因此,对隧道建设中的有害气体进行及时监测是不可忽视的重要环节。近年来,光纤监测技术在隧道有害气体监测中得到初步应用[9091]。该技术的原理主要依赖于光缆包层中某些特定材料与气体发生可逆反应所引起的物理或光学变化,从而导致从光纤中导出的光波强度发生变化[9293]

      其中,甲烷气体是导致事故的主要有害气体,针对其监测的光纤方案研究和应用较为广泛。其中,基于光子晶体光纤(PCF)结构的传感器被广泛报道。Liu等人[94]提出了一种基于PCF的传感器结构,能够同时检测甲烷和氢气,该结构如图3a所示,光纤包含三层孔,孔径和间距分别为3 µm和1.45 µm。甲烷和氢气敏感膜分别涂覆在内包层的六个孔的内壁上。该结构对甲烷的最大灵敏度为−2.052 nm/%。此外,该团队还研发了一种基于PCF的温度补偿甲烷敏感传感器[95],其设计为在芯区两个较大孔隙内壁涂覆甲烷敏感薄膜,并在包层区两个孔隙内填充温度敏感液体,具体结构见图3b

      图  3  (a) Liu等人提出的一种基于PCF的传感器结构[94];(b) 基于PCF的温度补偿甲烷敏感光纤传感器结构[94]
      Figure  3.  (a) A PCF-based sensor structure proposed by Liu et al.; (b) PCF-based temperature-compensated methane-sensitive optical fiber sensor structure.

      除了PCF结构外,长周期光纤光栅(LPFG)的方案同样得到了广泛应用。LPFG结构对周围折射率的变化极为敏感,通过敏感材料可将甲烷浓度的变化转化为折射率的变化。Yang等[96]采用高频CO2激光脉冲法制作了周期为520 μm的LPFG,并涂覆敏感材料用于测量甲烷气体浓度,其结构如图4(a)所示。此外,该团队还提出了一种利用PCF制作LPFG用于甲烷气体监测的方案[97],结构如图4(b)所示。通过静电自组装技术将敏感薄膜涂覆在孔隙内表面,随着甲烷浓度的增加,透射光谱的共振波长发生明显的蓝移,测试结果显示其灵敏度为1.078 nm/%。

      图  4  (a)测量甲烷气体浓度的LPFG结构[96];(b)用于甲烷气体监测的LPFG 结构[97]
      Figure  4.  (a) LPFG structure for methane gas concentration measurement; (b) LPFG structure for methane gas monitoring.

      为了通过折射率的变化反映各种气体的浓度,功能聚合物涂层通常被用作敏感材料,沉积在光纤的表面或孔内。这些功能聚合物涂层在光纤传感器对有害气体监测的性能中起着关键作用。聚乙烯醇(PVA)因其优良的水溶性和气体渗透性,广泛应用于挥发性有机化合物和氨气的检测[98]。此外,聚苯乙烯(PS)涂层因其卓越的化学稳定性和适中的气体渗透性,亦可用于监测多种有机气体。聚合物-金属复合涂层通过将金属颗粒嵌入聚合物中,也可以显著增强对特定气体的检测能力,尤其在催化反应中表现出色。Cao等人[99]提出了一种新型功能聚合物,用于监测甲烷气体浓度,该聚合物掺杂了2-甲基咪唑锌(ZIF-8)纳米晶体,以改善其物理性质。研究表明,该功能聚合物在甲烷的溶解度和渗透性方面有显著提升,表现出良好的重复性和较低的检测限,显示出其在浓度监测中的巨大潜力。

      值得注意的是,功能聚合物涂层的厚度以及不同的沉积技术(如喷涂、浸涂、化学气相沉积等)都会影响涂层的均匀性和附着力,进而影响传感器在长期使用中的稳定性、抗老化能力及可靠性[100102]

      近年来,光纤传感器逐渐被应用于隧道火灾监控领域。与传统的温度传感器相比,光纤温度传感器具有安装简便、耐用性强和维护成本低等多种优势,因此在性价比方面表现突出。早在1985年,Dakin等人[103]首次将拉曼分布式传感器用于温度测量,实现了3米的良好空间分辨率,传感器的长度可达1公里。Meacham等人[104]发明了一种瑞利散射光纤传感器,该传感器由光纤、蜡填充管和保护罩三部分组成。蜡在受热时会熔化并膨胀,从而引起反射光的变化。该系统的最大感应范围可达2公里。在中国,重庆大学的黄尚廉、梁大巍等人[105]在20世纪80年代末开始研究光纤测温技术,并成功研制出一套监测系统,具有温度误差3℃、空间分辨率6米、测量范围1公里的特点。

      在传统光纤温度传感系统中,光纤沿线的温度通常以列表或二维(2D)曲线的形式显示。然而,对于大规模数据监测系统而言,由于光纤分布复杂或部分光纤的弯曲,这种显示方式无法迅速定位温度变化显著的区域(如局部火灾)于实际的三维环境中[106]。为了解决这一问题,Tobias等人[107]开展了光纤传感器在隧道全尺寸布设实验的应用,通过分布式温度传感器获取隧道壁面的温度分布,所提出的技术在全尺寸示范实验中取得了良好的效果。Sun 等人[108]采用两段平行的多模光纤作为传感光纤,通过将三维火源定位简化为热气流动中心点的二维方向定位,从理论上简化了火源的定位问题。该方法为长距离火源定位提供了重要参考。

      光纤温度传感系统在全球范围内的隧道火灾监测中逐渐替代传统火灾传感器。例如,德国联邦49号公路Treysa/Frankenhain隧道在近期的扩建中安装了新型光纤火灾传感器以替代传统传感器[109]。在国内,2010年,张嵩和王剑[110]在重庆交通科研设计院的隧道与交通工程所的实验隧道中,对基于FBG的温度传感系统进行了测试和验证。2013年,光纤光栅火灾报警系统在厦蓉高速公路天城山隧道投入使用[111]

      光纤传感器通过监测光在光纤中的反射和折射变化,可以有效检测隧道衬砌表面的水分情况,且具有极高的灵敏度。基于这一原理,已经有多种光纤湿度传感器的设计方法被广泛报道[112113]。其中,基于FBG的湿度传感器开发得到了相当多的关注[114115]。在这种方法中,吸湿涂层(如聚酰亚胺)被施加于FBG上,该涂层在水分存在时会发生膨胀,导致光纤中产生轴向和径向应变,从而影响FBG的应变特性,并可被轻松检测到。

      在分布式湿度传感领域,先前的研究[116]报道了一种基于光纤的可膨胀聚合物系统。该传感器主要由遇水后膨胀的水凝胶构成,当水分存在时,水凝胶的膨胀会导致光纤中传播光的衰减。已有多种设计方法被提出用于构建这种类型的光纤可膨胀聚合物系统。例如,可以创建缠绕节距为几毫米的螺旋扭曲线,以便为水凝胶涂层的中心杆[117]或仅水凝胶[118119]配置光纤。螺旋状的扭曲线在光纤中产生微小弯曲,从而在水凝胶膨胀时进一步导致光的衰减。在此背景下,光纤可膨胀聚合物系统与光时域反射仪(OTDR)相结合,可以有效定位潜在的漏水点[120]

      光纤渗水监测技术已在隧道中展开实验性部署。例如,东京地铁公司与神户大学联合在东京地铁千代田线进行了光纤渗水监测试验[121]。在实际应用中,由于传感器的高灵敏度,列车经过时产生的热量以及渗水中夹带的其他物质可能会影响监测结果。尽管存在以上干扰,光纤传感器仍然能够有效地检测隧道衬砌的漏水情况。在为期13个月的测试中,该传感器成功地准确监测到漏水现象,其结果与人工检测记录高度吻合。

      地壳形变与地震能量的积累和释放密切相关,因此研究地壳形变过程是理解地震的重要方法之一[122]。传统的地壳应变监测通常使用铟钢棒伸缩应变仪和激光干涉仪技术。然而,为了实现纳米级的应变测量,这些设备的传感探头需要达到几十到几百米的长度。这不仅限制了空间分辨率,还因其庞大尺寸导致安装和施工复杂且成本高昂,从而限制了应用[123]

      光纤传感技术的出现为精确观测地壳形变提供了新的解决方案。早在1986年,美国洛斯阿拉莫斯国家实验室启动了光纤钻探地球应变仪(FibeS)项目,开发了利用单模光纤的地壳应变传感器,能够监测微小的地壳应变变化,精度达到10E-9到10E-10量级[124]。1988年,加州大学圣地亚哥分校的Mark Zumberge等人[125]进行了为期两年的实验室研究,使用25米长的单模光纤观察地壳形变,结果表明光纤在该领域的应用是可行的。2008年,邓涛等人将光纤干涉与光纤光栅结合应用于高精度地形变量学测量。这一创新的感应系统具备出色的抗干扰能力、强大的抗腐蚀性和良好的防潮性能,并且能够避免零点漂移和标定问题[126]。2015年,上海交通大学与东京大学合作,在油壶湾地壳形变观测站开展了高精度光纤应变传感器技术的现场测试[127],结果表明光纤应变传感器在较小基线长度上可有效实现高精度地壳形变测量。

      综上所述,面向地壳形变观测的高精度光纤应变传感器的不断发展,表明该技术相比传统测量方法具有诸多优势,有望成为地球物理学研究中观察地壳形变的新一代有力工具。

      传统的天然地震的研究主要依赖地震台网观测。随着分布式光纤传感技术的引入,研究者能够更精确地捕捉地震波的传播特征。2015年,德国GFZ在冰岛进行的实验中,通过15公里长的光纤记录局部小地震,发现了断层内的多重反射信号和体波延迟,揭示了瑞利面波的清晰信号。这一成果标志着低频噪声交叉相关方法在地震研究中的应用潜力[128]。2017至2018年,加州理工学院和劳伦斯伯克利实验室的团队在加州金石地区的研究中,利用20公里长的光缆成功记录了重大地震信号,并提取了接收函数,获得了清晰的莫霍面反射信号[129]。该研究不仅展示了分布式光纤传感在天然地震监测中的应用潜力,也为地幔速度结构的约束提供了重要数据。Biondi等人[130]在加州长谷火山口布设了100公里长的分布式光纤传感阵列,成功提取了超过1200万条天然地震的P波和S波到时。以上应用和发展展示了光纤传感技术在地震监测中的广泛潜力。

      传统的地震监测系统通常依赖有限数量的地震台站,这些台站的空间分布不均可能导致某些区域的监测盲区。而分布式光纤传感技术的引入,能够通过光纤网络实现大区域的高密度观测,显著改善这一局面。Lindsey等人[131]综合了多个分布式光纤传感台阵的观测数据,记录了多种类型的地震,展示了这种技术在天然地震监测中的巨大潜力。他们通过对同一区域的密集地震台阵与光纤传感台阵的数据进行比较,结果表明后者能够可靠地记录地震波形。Li和Zhan[132]采用模板匹配技术,使用分布式光纤成功监测到区域内大量微地震,其数量比当地的小口径固定台网目录增加了约20倍。这些研究表明,分布式光纤传感技术在提高地震监测能力方面具有显著优势。

      非常规储层的水力压裂作业面临着一系列复杂的挑战,包括但不限于地层应力状态的复杂性、岩石物理力学性质的各向异性和非均质性、天然裂缝的不确定性以及人工裂缝间的相互干扰等[133134]。为了应对这些挑战,实时且准确的压裂过程监测成为确保水力压裂成功的关键因素。

      分布式光纤温度传感器(DTS)被广泛应用于水力压裂监测中。当压裂液注入地层时,流经区域的温度会降低,与未流经区域形成明显的温差。DTS系统通过部署于井筒或压裂管柱外壁的光纤网络,能够以较高的时间分辨率和空间分辨率持续捕获温度剖面演化过程。监测数据不仅可反映压裂液的初始注入位置和分布范围,还能反演识别复杂裂缝网络的分支结构[135]。最终可以确定裂缝长度[136]、渗透率[137]等关键参数。

      DTS还可以监测压后生产情况以持续监测水力压裂效果[138]。针对已完成返排进入稳定生产状态的多级压裂水平井,可以采用永久式、半永久式或连续油管临时下井方式安装DTS系统[139],根据监测结果反演并评价各压裂级生产情况和效果[140]

      近年来,分布式光纤声波传感技术(DAS)因其能够即时检测、定位和表征与裂缝张开相关的微地震数据,成为当前水力压裂的最新监测手段之一[141]。目前,DAS技术主要用于监测地层中压裂液的注入分布以及裂缝的形成和扩展[142]。在水力压裂过程中,DAS通过捕捉流体在油管内流动时产生的震动信号,来监测压裂液的分布情况[143]。此外,通过分析DAS记录的微震信号,可以推断出裂缝的位置和几何形态,从而提高对压裂过程的理解和控制[144]

      DAS在水力压裂监测中的工程应用较晚,2009年壳牌石油公司在加拿大一口致密气井中首次使用DAS技术监测测井、射孔和压裂过程[145]。在美国,犹他大学领头的FORGE地热能项目大量应用了DAS技术对水力压裂进行监测。Lellouch等[146]对FORGE地热能项目的DAS监测结果与传统的Geophone结果进行了分析对比。结果表明,尽管DAS对微震事件的探测精度低于传统的Geophone,但由于其耐高温高压等能力,因此具有在地热能开发中进行长期监测的应用潜力。在国内,2021年,中国石油在长庆油田启动了国内首个水力压裂试验场建设项目,该项目将光纤布设于页岩气储层水平井套管外,同时在监测井进行水力压裂,实现了基于水平井DAS的水力压裂过程同井微振动实时监测[147148]。2024年,浙江油田、东方物探和中油奥博合作,基于浙江油田YS137H1平台套管,成功完成了DAS数据的采集、数据存储、现场数据处理、微地震事件识别和解释等一系列相关试验。

      光纤传感监测技术已成为地质灾害与地震研究的重要工具,但在实际应用中仍面临一些挑战。首先,光纤的脆弱性使其在复杂地质环境中易断裂,且对光信号传输的损耗要求较高,因此需要有效的保护措施和后期修复方案。其次,尽管在理想条件下光纤能够实现高精度监测,但在现场使用过程中,光纤监测数据常常受到多种因素的干扰,难以准确反映应变、温度和振动等数据,导致信息采集不够全面。最后,如何根据海量的光纤多物理参数监测数据,建立基于多元数据融合的地质灾害判识模型仍然是一个挑战。

      光纤传感在地质灾害与地震的应用发展上,应重点关注以下几点趋势:首先,强化光纤保护技术,以提升其在复杂环境中的耐用性,确保监测系统的稳定运行。其次,根据具体监测对象的特征,优化光纤的固定和布设方法,制定个性化的光纤监测方案,以提高监测的有效性和准确性。此外,应突破传统的灾害预警系统中单物理量参数监测的局限,针对海量的光纤多物理场参数监测数据,构建更准确更灵敏的温度-应变-水文-位移等多场耦合灾变预警模型。最后,探索点状与分布式光纤测量技术的融合,实现两种监测系统的协同工作,以增强对外界环境变化下地质灾害的监测能力。通过应对这些挑战并把握未来发展趋势,光纤传感监测技术必将在地质安全监测中发挥更大的作用。

      本文回顾了光纤传感在地质灾害及地震监测领域的研究发展。重点介绍了其在滑坡、隧道灾害及地震监测三个领域的应用进展。本文得到了以下结论:

      (1)光纤传感技术在滑坡、隧道和地震监测中展现了强大的应用潜力,能够实时监测应变、温度和水文特征,为各类地质灾害的预警和防治提供了重要支持。

      (2)光纤传感技术能够同时获取多种物理参数(如应变、温度、水汽和振动等),为深入理解地质灾害的机理和演化过程提供了全面的数据支持。这进一步强调了多物理场耦合监测的重要性,有助于增强对复杂环境中地质及结构安全性的评估。

      (3)尽管光纤传感技术在监测中表现出色,但在光纤布设、数据处理和实时预警系统的优化方面仍面临挑战。未来的研究应着重提高光纤监测系统的耐用性及有效性,进一步结合人工智能技术,以提高地质灾害判识模型的有效性及监测系统的智能化水平。

    • 图  1   边坡位移预测流程图

      Figure  1.   Flow chart of slope displacement prediction

      图  2   极限学习机的预测结果

      Figure  2.   The prediction results of ELM

      图  3   小波神经网络的预测结果

      Figure  3.   The prediction results of WNN

      图  4   本文提出的PSO-DSRVM模型预测结果

      Figure  4.   The prediction results of the PSO-DSRVM

      图  5   PSO-DSRVM预测的精度

      Figure  5.   Accuracy of PSO-DSRVM prediction

      表  1   边坡变形量与影响因素监测数据统计样本

      Table  1   Statistical sample of monitoring data of slope deformation and influencing factors

      编号X1/mmX2/mmX3/kPaX4/mmX5/(°)X6/(°)X7/kPaX8/mm
      11921202433188.4514.4
      21272001022115.9111.7
      33646804451177.8616.5
      41663002040190.4118.5
      51633002040188.7320.3
      63626803849109.6541.2
      712435101022120.3525.6
      8301250403946159.1951.3
      93215503842189.0724.1
      102724603846180.3511.4
      1123639123140190.4526.8
      1225740353543192.1327.2
      13131120302630194.8818.5
      141632502040182.2110.9
      153115003847187.7921.4
      1626449153648190.1722.8
      172354003142115.2814.4
      183345503949102.7732.5
      192444003341182.8318.5
      20151325244327194.3222.4
      2126846283645139.1853.1
      221823002332182.4811.2
      232504003243106.4923.7
      2424840303341190.4523.1
      252223703039189.0324.5
      262133502437113.5836.6
      272123503236181.8910.6
      283225504149184.6921.2
      292363903140116.6915.1
      30331155404446193.5529.8
      311532501835181.8912.5
      321833202337191.0321.2
      下载: 导出CSV

      表  2   三种不同模型预测效果的比较

      Table  2   Comparison of prediction effects of different models

      评价指标PSO-DSRVM极限学习机小波神经网络
      RMSE0.4781.881.14
      R20.990.720.77
      ARPE0.0170.290.27
      下载: 导出CSV
    • [1] 王鹏飞. 基于GM-RBF组合模型的高路堑边坡稳定性预测研究[J]. 建筑结构,2021,51(20):140 − 145. [WANG Pengfei. Study on stability prediction of high cutting slope based on GM-RBF combination model[J]. Building Structure,2021,51(20):140 − 145. (in Chinese with English abstract) DOI: 10.19701/j.jzjg.2021.20.023
      [2] 方然可,刘艳辉,苏永超,等. 基于逻辑回归的四川青川县区域滑坡灾害预警模型[J]. 水文地质工程地质,2021,48(1):181 − 187. [FANG Ranke,LIU Yanhui,SU Yongchao,et al. A early warning model of regional landslide in Qingchuan County,Sichuan Province based on logistic regression[J]. Hydrogeology & Engineering Geology,2021,48(1):181 − 187. (in Chinese with English abstract) DOI: 10.16030/j.cnki.issn.1000-3665.201911034
      [3] 史笑凡,杨春风. 基于支持向量机的边坡垂直位移方向率预测及边坡稳定性研究[J]. 河北工业大学学报,2021,50(1):92 − 98. [SHI Xiaofan,YANG Chunfeng. Support vector machine for vertical displacement direction rate of slope estimate and slope stability research[J]. Journal of Hebei University of Technology,2021,50(1):92 − 98. (in Chinese with English abstract)
      [4] 晏红波,杨庆,任超,等. 基于EEMD的BP神经网络边坡预测研究[J]. 水力发电,2017,43(7):37 − 40. [YAN Hongbo,YANG Qing,REN Chao,et al. Research on side slope prediction using BP neural network based on EEMD[J]. Water Power,2017,43(7):37 − 40. (in Chinese with English abstract) DOI: 10.3969/j.issn.0559-9342.2017.07.010
      [5] 邓超,胡焕校,张天乐,等. 基于改进极限学习机模型的岩质边坡稳定性评价与参数反演[J]. 中国地质灾害与防治学报,2020,31(3):1 − 10. [DENG Chao,HU Huanxiao,ZHANG Tianle,et al. Stability evaluation and parameter inversion of rock slope using modified extreme learning machine model[J]. The Chinese Journal of Geological Hazard and Control,2020,31(3):1 − 10. (in Chinese with English abstract) DOI: 10.16031/j.cnki.issn.1003-8035.2020.03.01
      [6] 韩连生,宋光仁. 基于灰色理论的露天矿边坡位移预测预警研究[J]. 化工矿物与加工,2018,47(5):48 − 52. [HAN Liansheng,SONG Guangren. Research of prediction and early warning of slope displacement in open-pit mines based on Gray Theory[J]. Industrial Minerals & Processing,2018,47(5):48 − 52. (in Chinese with English abstract) DOI: 10.16283/j.cnki.hgkwyjg.2018.05.012
      [7] 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) DOI: 10.13722/j.cnki.jrme.2017.1508
      [8]

      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

      [9] 罗亦泳,张豪,张立亭. 基于进化相关向量机的边坡安全系数估算[J]. 人民黄河,2016,38(2):103 − 107. [LUO Yiyong,ZHANG Hao,ZHANG Liting. Estimation of slope safety factor based on evolutionary relevance vector machine[J]. Yellow River,2016,38(2):103 − 107. (in Chinese with English abstract) DOI: 10.3969/j.issn.1000-1379.2016.02.027
      [10] 江婷,沈振中,徐力群,等. 基于支持向量机-小波神经网络的边坡位移时序预测模型[J]. 武汉大学学报(工学版),2017,50(2):174 − 181. [JIANG Ting,SHEN Zhenzhong,XU Liqun,et al. Time series prediction model of slope displacement based on support vector machines-wavelet nerual network[J]. Engineering Journal of Wuhan University,2017,50(2):174 − 181. (in Chinese with English abstract)
      [11]

      TIPPING M E. Escaping the convex hull with extrapolated vector machines[M]//Advances in Neural Information Processing Systems 14. MIT: The MIT Press, 2002: .

      [12] 沈力华,陈吉红,曾志刚,等. 多稀疏回声状态网络预测模型[J]. 控制理论与应用,2018,35(4):421 − 428. [SHEN Lihua,CHEN Jihong,ZENG Zhigang,et al. Prediction model with multiple sparse echo state network[J]. Control Theory & Applications,2018,35(4):421 − 428. (in Chinese with English abstract) DOI: 10.7641/CTA.2017.70315
      [13]

      KALTWANG S,TODOROVIC S,PANTIC M. Doubly sparse relevance vector machine for continuous facial behavior estimation[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence,2016,38(9):1748 − 1761. DOI: 10.1109/TPAMI.2015.2501824

      [14]

      LUO Z Y,BUI X N,NGUYEN H,et al. A novel artificial intelligence technique for analyzing slope stability using PSO-CA model[J]. Engineering with Computers,2021,37(1):533 − 544. DOI: 10.1007/s00366-019-00839-5

      [15] 李胜,韩永亮. 基于MFOA-SVR露天矿边坡变形量预测研究[J]. 中国安全生产科学技术,2015,11(1):11 − 16. [LI Sheng,HAN Yongliang. Research on forecasting of slope deformation in open-pit mine based on MFOA-SVR[J]. Journal of Safety Science and Technology,2015,11(1):11 − 16. (in Chinese with English abstract)
    图(5)  /  表(2)
    计量
    • 文章访问数:  1974
    • HTML全文浏览量:  1124
    • PDF下载量:  319
    • 被引次数: 0
    出版历程
    • 收稿日期:  2021-12-26
    • 修回日期:  2022-04-17
    • 网络出版日期:  2022-11-06
    • 刊出日期:  2023-02-24

    目录

    /

    返回文章
    返回