科研之友
微信
新浪微博
Facebook
分享链接
摘要
提出一种新的古滑坡变形预测方法。首先结合集合经验模态分解(EEMD)和奇异值分解(SVD)对古滑坡变形数据进行分解，然后利用分项组合神经网络预测古滑坡复活区的变形，最后利用多重分形消除趋势波动分析(MF-DFA)进行古滑坡多标度趋势评价。以王家坡滑坡为例分析本文方法的有效性。结果表明，组合分解模型EEMD-SVD较单项分解模型具有更强的数据分解能力，可有效实现滑坡变形数据的信息分解；基于神经网络的分项组合预测模型适用于滑坡变形预测，所得预测结果的相对误差基本在2%左右，预测精度较高，且外推预测显示滑坡变形仍会进一步增加，增加速率为1.23～1.36 mm/周期；MF-DFA模型的多标度特征分析结果显示，滑坡变形具有多重分形特征，变形有进一步增加的趋势，这与预测结果较为一致，可佐证前述预测结果的准确性。
- 单位
