论文部分内容阅读
滑坡是高速公路沿线最常见的自然灾害之一,且发生频率较高,严重威胁着人们的生命安全。目前针对边坡的稳定性分析及安全性监测预警受到了广泛关注,但是现有单一的预测方法不能有效预测连续的形变位移、组合模型算法间存在优化过程导致无法准确预测边坡发生滑坡的阈值等问题亟待研究。因此,针对特定应用场景下的高精度预测预警算法,本文在前人研究的基础上,引入径向基(RBF)神经网络模型算法对边坡位移进行预测。选择以临汾吉河高速公路高边坡作为背景,选取粘聚力、内摩擦角、温度、湿度、降雨量等因素作为自变量,通过建立径向基神经网络-粒子群优化(RBF—PSO)模型算法对该边坡进行位移预测,最后引入综合因素增长率算法进行边坡的预警分析。本文主要内容为:(1)建立RBF神经网络模型算法进行数据训练并分析,确立网络的结构为5-14-1。通过样本训练和预测,发现该模型在吉河高速公路高边坡的位移预测中存在误差较大、精度低等问题,因此引入PSO算法来对RBF神经网络进行优化。(2)提出RBF-PSO模型算法并创建了基于该模型的边坡位移预测模型。结合边坡变形特点进行综合分析,分析了边坡在三维直角坐标下的X、Y、Z三个方向的位移变化曲线。基于监测点BP3-2-1样本数据的实验结果表明RBF-PSO模型算法在X、Y、Z方向的平均相对误差分别为2.63%、0.24%、0.44%,均小于BP-PSO模型算法、GM(1,1)算法、灰色Verhulst算法的平均相对误差。同时实验结果证明了RBF神经网络经过PSO算法优化后,在X、Y、Z三个方向的预测精度分别提高了25.3%、8.9%、3.29%。(3)以临汾吉河高速公路高边坡为背景,选取综合因素响应率算法作为判别边坡是否发生滑坡的判断条件。并且根据实际情况,确定了当边坡处于稳定状态时,边坡在X、Y、Z三个方向的综合因素响应率阈值范围分别为[0.616,0.959]、[0.618,0.960]、[0.592,0.921]。并结合RBF-PSO模型算法对该边坡监测点BP3-2-1未来位移做出预测,以此对未来综合因素响应率做出预测。最后,在GIS环境下将整个边坡的综合因素响应率转换成栅格,计算出该边坡的滑坡易感性。从而对该边坡的未来稳定性状态做出预警分析。