Print

基于CEEMDAN理论和PSO-ELM模型的滑坡位移预测

论文摘要

对三峡库区中具有"阶跃型"位移曲线的滑坡进行位移预测的难度较高,为此,提出了基于自适应噪声完整集合经验模态分解法的粒子群优化-极限学习机模型,并将该模型用于万州区塘角1号滑坡的位移预测。首先利用CEEMDAN法提取滑坡趋势项位移和波动项位移的不同IMF组分,并使用Elman神经网络对趋势项位移进行预测;其次结合历史监测资料,通过滑坡位移对降雨、库水位等诱发因素的响应分析,确定了7种不同的波动项位移影响因素,并使用CEEMDAN法分解得到上述因素的各IMF分量;然后通过模糊熵分析,将波动项位移和诱发因素的IMF分量一一对应,构建PSO-ELM模型进行波动项位移的预测;最后将趋势项位移预测值和波动项位移预测值叠加得到累积位移的预测值。结果表明:和ELM模型、PSO-ELM模型相比,基于CEEMDNAN的PSO-ELM模型的预测精度更高,其均方根误差（RMSE）和拟合优度（R2）可达到0.54 mm和0.99,为滑坡位移预测提供了一种新手段。

论文目录

  • 1 研究方法
  •   1.1 CEEMDAN法
  •   1.2 Elman神经网络
  •   1.3 极限学习机
  •   1.4 粒子群优化算法
  •   1.5 精度检验
  • 2 塘角滑坡概况
  •   2.1 工程地质概况
  •   2.2 监测数据及变形特征分析
  • 3 塘角滑坡位移预测
  •   3.1 基于CEEMDAN的位移分解
  •   3.2 基于Elman神经网络的趋势项位移预测
  •   3.3 波动项位移的诱发因素分析
  •   3.4 基于PSO-ELM的波动项位移预测
  •   3.5 滑坡累积位移预测
  • 4 结 论

    • 文章来源

    类型: 期刊论文

    作者: 檀梦皎,殷坤龙,郭子正,张俞,杨永刚,赵海燕,张怡悦

    关键词: 粒子群优化,极限学习机,滑坡位移预测,神经网络

    来源: 地质科技情报 2019年06期

    年度: 2019

    分类: 基础科学,工程科技Ⅱ辑

    专业: 地质学,工业通用技术及设备

    单位: 中国地质大学(武汉)工程学院

    基金: 国家重点研发计划(2018YFC0809400),国家自然科学基金项目(41842062)

    分类号: P642.22

    DOI: 10.19509/j.cnki.dzkq.2019.0619

    页码: 165-175

    总页数: 11

    文件大小: 4857K

    下载量: 404

    相关论文文献

    本文来源: https://www.lunwen66.cn/article/467e9e9aec8dbe05bdbaa1d5.html