一种混合智能模型的水动力型滑坡位移预测方法技术

本发明专利技术公开了滑坡位移预测技术领域的一种混合智能模型的水动力型滑坡位移预测方法，旨在解决现有技术中对滑坡位移曲线进行处理时缺乏较好办法，因而影响水动力型滑坡位移预测效果的技术问题。所述方法包括如下步骤：对预获取的目标滑坡的位移时间序列进行EEMD分解，获取不少于两个特征频谱分量和一个残余项分量；基于特征频谱分量、残余项分量、预获取的目标滑坡的影响因子，求取滑坡累计位移的预测值。

【技术实现步骤摘要】
一种混合智能模型的水动力型滑坡位移预测方法
本专利技术涉及一种混合智能模型的水动力型滑坡位移预测方法，属于滑坡位移预测

技术介绍
水动力型滑坡，是指边坡在冰川融雪、降雨、水位变动、地表径流及地下水活动等水动力因素驱动下，所发生的岩土体失稳灾害。我国西南地区山体众多，降雨丰富，高山峡谷地貌较发育，岸坡层状岩体倾倒变形强烈，且建设有大型水电站，库水位落差很大，水库蓄水导致库区许多滑坡复活，安全隐患巨大，严重威胁人民群众的生命财产安全。因此，建立针对水动力型滑坡的位移预测方法以生成滑坡位移曲线，有着非常重要的现实意义。在进行水动力型滑坡位移预测过程中，从滑坡表面的各位移监测点所采集生成的滑坡位移曲线，一般是一段非平稳的位移时间序列，直接处理相对困难。目前主流的分析处理方法，是将位移时间序列中“分解与集成”的思想运用到滑坡位移预测中。其中，移动平均法和二次移动平均法容易受现象复杂性影响；小波法在预估小波分解阶次以及确定基函数方面有一定难度，影响预测效果；经验模态分解法(empiricalmodedecomposition，EMD)既吸本文档来自技高网...

【技术保护点】
1.一种混合智能模型的水动力型滑坡位移预测方法，其特征是，包括如下步骤：/n对预获取的目标滑坡的位移时间序列进行EEMD分解，获取不少于两个特征频谱分量和一个残余项分量；/n基于特征频谱分量、残余项分量、预获取的目标滑坡的影响因子，求取滑坡累计位移的预测值。/n

【技术特征摘要】
1.一种混合智能模型的水动力型滑坡位移预测方法，其特征是，包括如下步骤：
对预获取的目标滑坡的位移时间序列进行EEMD分解，获取不少于两个特征频谱分量和一个残余项分量；
基于特征频谱分量、残余项分量、预获取的目标滑坡的影响因子，求取滑坡累计位移的预测值。


2.根据权利要求1所述的混合智能模型的水动力型滑坡位移预测方法，其特征是，所述位移时间序列的获取方法，包括：
通过目标滑坡的位移监测点获取位移监测数据；
基于连续时域的位移监测数据生成累计位移时间序列，作为目标滑坡的位移时间序列。


3.根据权利要求1所述的混合智能模型的水动力型滑坡位移预测方法，其特征是，所述影响因子的获取方法，包括：
通过目标滑坡的雨量监测点或／和水位监测点获取降雨量监测数据、库水位监测数据、地下水位监测数据中的至少任一项；
基于连续时域的降雨量监测数据、库水位监测数据、地下水位监测数据中的至少任一项，生成目标滑坡的影响因子。


4.根据权利要求3所述的混合智能模型的水动力型滑坡位移预测方法，其特征是，基于连续时域的降雨量监测数据所生成的目标滑坡的影响因子，包括：当周降雨量、前两周降雨量、一周最大降雨量中的至少任一项；
基于连续时域的库水位监测数据所生成的目标滑坡的影响因子，包括：库水位或／和库水位变化；
基于连续时域的地下水位监测数据所生成的目标滑坡的影响因子，包括：地下水位或／和地下水位变化。


5.根据权利要求1所述的混合智能模型的水动力型滑坡位移预测方法，其特征是，滑坡累计位移...

【专利技术属性】
技术研发人员：王伟，李尧，邹丽芳，周倩瑶，朱其志，孟庆祥，王如宾，王豫宛，
申请(专利权)人：河海大学，
类型：发明
国别省市：江苏;32