登录

  • 登录
  • 忘记密码?点击找回

注册

  • 获取手机验证码 60
  • 注册

找回密码

  • 获取手机验证码60
  • 找回
毕业论文网 > 文献综述 > 理工学类 > 自动化 > 正文

基于机器学习算法的滑坡演化状态分级文献综述

 2020-04-15 08:04  

1.目的及意义

滑坡是一种常见的地质次生灾害,通常发生于斜坡上的岩石、土体在重力作用下,受到降雨、地下水、地震以及人为活动等诱发因素,沿着切滑面发生整体或者分散地顺坡向下滑动。滑坡发生时一方面会对生态环境和自然资源带来巨大破坏,同时将对人类的生命和财产安全造成严重损害。我国是世界上滑坡最频繁发生国家之一,根据国土资源部中国地质调查局的《全国地质灾害通报》整理的数据,2012年-2016我国地质灾害分布情况如下表所示:

年份

总数

滑坡

崩塌

泥石流

地面

塌陷

地裂缝

地面

沉降

滑坡

占比

2012

14322

10888

2088

922

347

55

22

76.0%

2013

15403

9849

3313

1541

371

301

28

63.9%

2014

10907

8128

1872

543

302

51

11

74.5%

2015

8224

5616

1801

486

278

27

16

68.3%

2016

9710

7403

1484

584

221

12

6

76.2%

显然,历年来在我国发生的地质灾害事件中滑坡发生的次数占比极高,平均超过70%,所造成的破坏尤为凸显。此外,据最新统计数据显示:2018年全国共发生地质灾害2966起,造成105人死亡、7人失踪、73人受伤,直接经济损失14.7亿元。其中特大型地质灾害有21起,造成1人死亡,直接经济损失2.6亿元;大型地质灾害有36起,造成1人受伤,直接经济损失2.3亿元;中型地质灾害有259起,造成53人死亡、5人失踪、18人受伤,直接经济损失5.8亿元;小型地质灾害有2650起,造成51人死亡、2人失踪、54人受伤,直接经济损失4.0亿元。

滑坡大型灾害事故频发,已造成了大量人员伤亡和巨大的经济损失。加强对滑坡结构分析,加深对滑破演化分析、滑坡预警预报、滑坡预测、控制等相关方面的研究具有重大现实意义和经济意义。

现有的研究成果表明,斜坡的稳定性状况与其所处的变形阶段有着直接的联系,根据已知的监测数据信息,准确地判断斜坡的演化变形阶段是进行斜坡稳定性评价和滑坡预测预报的基础。因此,如何准确、定量地判别斜坡的演化变形阶段成为具有重要研究意义的热点问题。目前,针对滑坡演化状态、变形阶段的划分判别主要从滑坡的累计位移、变形速率和加速度等在演化过程不同阶段的变化规律的特点入手,进行系统分析研究。

大量监测资料表明,具有蠕变特点的滑坡从变形启动到整体滑动破坏这一过程一般要经历初始变形、等速变形和加速变形3个阶段,且不同阶段有其不同的变形特点。其中加速变形阶段还可以细分为初加速、中加速和临滑阶段。一旦滑坡进入临滑阶段,则预示滑坡已进入失稳状态,滑坡即将发生。在以上理论的基础上,依据加速度的变化在进入临滑阶段前后表现出与累积位移和变形速率完全不同的特点,提出基于加速度的滑坡临滑预警方法和临滑预警指标,以实现滑坡自动临滑预警。(许强和曾裕平,2009)但其对于演化阶段划分和临滑预警指标的具体数值确定时,往往是依据对加速度曲线特征进行分析来人为划分并大致估计出相应指标的阈值,缺少相应的理论支持和定量计算。此外,滑坡的变形破坏,受到多种诱发因素,如降雨、库水位升降等的影响当前滑坡的演化阶段划分多是对位移这一单变量进行研究,未能考虑诱发因素对滑坡的影响。针对上述问题,选取月降雨量、月库水位高程变化量对滑坡的累计位移建立多因素的时间序列预测模型.然后利用Chow分割点检验理论,以所建模型中F和LR统计量最大值点作为分割点对滑坡演化阶段进行划分,为滑坡的临滑预警预报提供重要判据(罗文强,2016)。显然,对滑坡不同演化变形阶段临界值、突变点的研究存在不足,基于滑坡数据库信息,采用统计分析方法研究滑坡不同变形阶段历时特征及其与不同影响因素的相关性、总结不同变形阶段裂缝发展及宏观特征、分析不同变形阶段滑坡位移速率预警判据(李聪,2016)。

针对滑坡时间预测的研究始于20世纪60年代,经过国内外专家学者数十年来不懈的努力和探索,滑坡的时间预测理论已经实现很大的发展和进步,因其显著的现实意义,目前,该方面的研究依然是滑坡领域研究中的热门课题。基于各种数学方法和理论模型,滑坡时间预测方法大致可以概括为以下几类:确定性预测模型,统计预测模型,非线性预测模型,综合预测模型。其中统计预测模型、非线性预测模型及综合预测模型应用居多。为了能更好地拟合滑坡位移-时间的变形破坏曲线, 学者们基于系统科学理论建立了一系列统计分析模型。 这类模型采用拟合的方法,注重位移-时间曲线的拟合优度。统计分析预测预报模型主要包括: Verhulst 模型、灰色模型、 Pearl 生长模型、灰色位移矢量角模型、 黄金分割模型等。

考虑到滑坡系统是一个开放的复杂巨系统, 从上个世纪 90 年代开始,许多学者结合滑坡预测领域的特殊背景,基于系统科学和非线性科学理论建立了一系列滑坡非线性预报模型, 诸如神经网络模型、非线性动力学模型、 突变理论预测模型、分形理论预测模型、协同预报模型等。神经网络具有强大的功能,采用合适网络结构就能够描述出任意阶复杂系统内部各参数间的非线性关系,它通过反复学习样本来实现对研究对象的预测。将神经网络运用到滑坡研究中,可实现对滑坡位移的预测且准确率高。

滑坡演化不仅与其自身岩土体特性有关,许多外界影响因素甚至人类活动都会对边坡系统的稳定性产生影响,由于这种复杂性和不确定性,确定性预测模型,统计预测模型和非线性预测都没有取得太好的预测效果。确定性预测模型需要许多假设,当滑坡系统条件简单时,预测效果良好,但是当条件复杂时,预测效果往往与现实情况相差很远。统计模型和非线性模型对历史数据的拟合效果很好,但是对未来数据的预测效果往往不尽人意。因此一些学者尝试采用综合预测模型,将定性定量的方法有机的结合起来,有效的提高了模型的预测效果。

{title}

2. 研究的基本内容与方案

{title}

基本内容:

根据目前国内外在滑坡演化变形阶段划分方面的研究现状,本毕设拟采用先进的机器学习中的聚类算法和分类算法,对已知的滑坡多场信息监测数据进行挖掘,拟采用无监督学习聚类算法实现对滑坡演化状态的自适应分层分簇,进而将滑坡演化状态划分为不同的级别。之后采用监督学习分类算法训练性能良好的分类器,进而实现对滑坡演化状态的分级预测。具体研究内容如下:

1)水库型滑坡工程地质基础知识和滑坡监测数据的预处理

2)无监督聚类算法的学习和研究

3)基于神经网络/决策树算法的学习与研究;

4)基于聚类和分类的滑坡演化状态分级实现。

研究目标:

1)掌握滑坡形成演变的基本知识和常用的数据处理方法

充分熟悉滑坡形成的机制,演化过程的基本特点,进而选择合适的方法对原始滑坡监测数据进行处理,满足后续研究的需要。

2)掌握利用机器学习算法实现滑坡数据挖掘的相关知识

聚类算法应可完成对无标签滑坡位移数据的无监督自适应分簇,充分反映数据本身的特点和相关性,符合实际滑坡演化过程的规律,为无标签数据打标,实现滑坡演化级别的自动划分。

分类算法应可完成以聚类处理后的带标签样本为输入,以演化级别为输出的分类器训练,进而实现对未知级别样本的准确预测,为后续的预警控制提供依据。

3)掌握完成基于聚类和分类的滑坡演化自适应分级实验相关技能

明确思路,完成理论分析研究后,应选择合适的工具实现相应的方法算法,进行实际的实验,验证自适应分级效果,发现问题提出改进,对过程中所涉及的各方面的技能应自主学习熟练掌握。

拟采用的技术方案及措施:

1)数据预处理

查阅文献,学习理解目前对于滑坡演化变形阶段划分的理论知识,系统分析其研究思路和存在的问题。在文献研究的基础上,对已有的沧江桥滑坡监测数据进行分析,清楚其各项表示含义,考虑数据的完整性和数量, 选择不同监测点的累计位移作为原始数据并根据后续研究需要对数据进行相应的预处理。预处理主要步骤为:在整体监测数据中提取不同监测点的累计位移数据作为原始数据,对不同深度数据进行划分并对数据按时间进行排序,进行筛选,剔除明显异常不合理数据;对初始处理后的数据进行编号,采用插值处理,按天为单位,补全缺失数据;对完整位移序列进行相应计算,得到变形速率、加速度等序列。

2)聚类打标

查阅文献书籍,学习无监督学习中的代表算法——聚类算法,分析理解典型聚类算法的理论基础和算法思路,进而能用相应的编程语言实现对预处理后的滑坡数据的自适应分簇,分析聚类结果,若效果不满意,在现有算法的基础上提出改进方案,达到理想的效果,最终实现为现有的无标签数据样本的打标工作,即将滑坡位移数据划分为不同的级别。初步拟选择从预处理后的SAA、IN2数据集中选择不同维度的变形速率、加速度序列作为样本,分别采用Kmeans聚类、层次聚类进行聚类分析。样本选择时可考虑不同特征维度的数据,例如考虑一维特征数据,即选择一个监测点一个深度的变形速率;然后考虑二维特征数据,包括同一个监测点不同深度的变形速率组合、两个监测点同一深度的变形速率组合、两个监测点不同深度的变形速率组合;最后尝试四维特征数据,即两个监测点四个变形速率的组合。Kmens聚类的聚类中心和层次聚类的最大簇数选择3-5。将在不同样本集上的实验结果与实际滑坡演化过程对比,分析分级结果是否符合变形特点,类别分布是否均衡,从而选择比较好的样本集,同时对两种聚类算法进行比较,选择优者实现自适应分层分簇。

3)分类器训练

查阅文献书籍,学习监督学习中的用以处理离散数据的分类算法,推导分析典型分类算法的理论依据和实现过程,进而能用相应的编程语言搭建实现相应的结构,以聚类打标后的带标签样本数据为训练样本进行训练,并对分类器性能进行评估,若效果不满足精度要求,在现有算法的基础上提出改进方案,最终得到可对未知级别样本数据进行准确演化状态划分的分类器。初步拟计划首先确定样本特征,拟选取某一监测点某一深度的累计位移序列,对于某一天的位移值取其前后两天的位移值构成三维特征空间,取该天所处的级别作为标签,组成一个样本,对聚类后的带标签数据按照以上规则进行处理得到样本集。然后对重新整理后的数据进行分析,若样本表现出明显的类别不均衡,则应采用相关的算法对数据进行处理,例如大类数据欠采样,小类数据过采样,SMOTE算法生成小类数据等。进而将处理后的类别均衡的带标签样本选择合适的方法划分为训练集、验证集和测试集,拟选择分别搭建决策树和神经网络结构的分类器,进行训练得到分类器,使用验证集调整参数后,最后用测试集样本对分类器进行分级准确性评估,对比两种方法的分级精度,选择优者实现自动状态分级。

4)演化状态分级预测及后续研究

使用不同监测点的滑坡数据以及不同滑坡体的数据对聚类分类效果进行重复试验,确保系统效果。进而将系统应用于实际滑坡演化状态的分级预测中,精确预测滑坡变形状态所处级别,为后续的滑坡控制研究提供基础。之后拟根据滑坡预测分级结果,研究降级控制算法及工程措施,实现对滑坡的有效控制。

3. 参考文献

[1] 罗文强,李飞翱,刘小珊,黄丽等.多元时间序列分析的滑坡演化阶段划分[J].地球科学,2016,41(4):711-717.

[2] 李聪,朱杰兵,汪斌等.滑坡不同变形阶段演化规律与变形速率预警判据研究[J].岩土力学与工程学报,2016,35(7):1407-1414.

[3] 罗文强,李飞翱,刘小珊,黄丽等.基于关联规则的滑坡演化阶段判识指标[J].地质科技情报,2014,33(2):711-716.

[4] 刘小珊,罗文强,李飞翱,黄丽等.多元时间序列分析的滑坡演化阶段划分[J].地球科学,2016,41(4):160-164-

[5] 廉城.基于极限学习的重大工程灾变滑坡预测研究[D].武汉:华中科技大学自动化学院,2014

[6] 陈煌琼.基于神经网络的滑坡预测及其控制研究[D].武汉:华中科技大学自动化学院,2013

[7] 宋江明.基于数据的滑坡预测与模糊控制研究[R].武汉:华中科技大学自动化学院,2015

[8] 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].岩土力学与工程学报,2018,37(X):1-10.

[9] 廉城,曾志刚,苏义鑫,姚为.基于误差修正EOS-ELM的滑坡位移预测[J].华中科技大学学报(自然科学版),2017,45(9):52-57.

[10] 姚为,廉城等.滑坡位移的动态概率预测模型[J].水文地质工程地质,2015,42(5):134-139.

[11] Shihabudheen KV.Prediction of landslidedisplacement with controlling factors using extreme learning adaptiveneuro-fuzzy inference system [J].Applied Soft Computing,2017,61:892-904

[12] Zaobao Liu I,,Jianfu Shao.Comparison on landslide nonlineardisplacement analysis and prediction with computational intelligence approaches[J].Landslides,2014,11:889-896

[13] Zaobao Liu I,,Jianfu Shao.Constructing prediction intervalsfor landslide displacement using

bootstrapping random vector functional link networks selectiveensemble with neural networks switched [J].Neurocomputing,2018,291:1-10

[14] Huangqiong Chen,Zhigang Zeng.Deformation Prediction of LandslideBased on Improved Back-propagation Neural Network [J].Cogn Comput,2013,5:56-62

[15] Cheng Lian,Zhigang Zeng.Multiple neural networks switched predictionfor landslide displacement [J].Engineering Geology,2015,186:91-99

[16] Peijie Lin,,Zhouning Peng.Short-term power prediction forphotovoltaic power plants using a hybrid improved Kmeans-GRA-Elman model basedon multivariate meteorological factors and historical power datasets [J].Energy Conversion and Management,2018,177:704-717

[17] 陈黎飞,姜青山等.基于层次划分的最佳聚类数确定方法[J].软件学报,2008,19(1):62-73

[18] 颜宏文,盛成功.基于层次聚类和极限学习机的母线短期负荷预测[J].计算机应用,2018,38(8):2437-2441

[19] Anil K. Jain.Data clustering: 50 years beyondK-means [J].Pattern Recognition Letters,2010,31:651-656

[20] Nitesh V. Chawla,Kevin W. Bowyer.SMOTE: Synthetic Minority Over-samplingTechnique [J].Journal of Artificial Intelligence Research,2002,16:321-357




1.目的及意义

滑坡是一种常见的地质次生灾害,通常发生于斜坡上的岩石、土体在重力作用下,受到降雨、地下水、地震以及人为活动等诱发因素,沿着切滑面发生整体或者分散地顺坡向下滑动。滑坡发生时一方面会对生态环境和自然资源带来巨大破坏,同时将对人类的生命和财产安全造成严重损害。我国是世界上滑坡最频繁发生国家之一,根据国土资源部中国地质调查局的《全国地质灾害通报》整理的数据,2012年-2016我国地质灾害分布情况如下表所示:

剩余内容已隐藏,您需要先支付 10元 才能查看该篇文章全部内容!立即支付

企业微信

Copyright © 2010-2022 毕业论文网 站点地图