基于EMD-DA-RNN的邊坡位移預測

李 倩

(湖南省致力科技有限公司,湖南 長沙 410208)

1 研究背景

我國幅員遼闊,地形氣候條件復雜,因此地質(zhì)災害類型多、分布廣。我國南方地形起伏波動較大,主要以丘陵、山地為主,氣候上主要是亞熱帶季風性氣候,降雨豐沛,因此主要以滑坡災害為主[1]。隨著越來越多的滑坡實施了自動化監(jiān)測,海量、多源的自動化監(jiān)測數(shù)據(jù)被源源不斷地采集和存儲,如何基于這些數(shù)據(jù)進行深入挖掘和指導預警是近年來研究的重點。位移是滑坡內(nèi)部應力場、滲流場、溫度場、重力場等多個物理場耦合作用和演化的結果,本質(zhì)是一種耦合場,因此利用位移進行預警是最直觀、最有效的方式。如果能夠預測滑坡未來一段時間的位移,進而判定滑坡穩(wěn)定性的演化趨勢,對于滑坡災害的及早預警、及早避險具有重要意義。

2 理論分析

提出了一種基于經(jīng)驗模態(tài)分解(Empirical Mode Decomposition,EMD)[2]和雙階段注意力機制的循環(huán)神經(jīng)網(wǎng)絡(Dual-Stage Attention-Based Recurrent Neural Network,DA-RNN)的滑坡位移預測方法。該方法首先利用EMD算法將位移監(jiān)測數(shù)據(jù)分解為趨勢項、周期項和隨機項,然后對每一項分別采用DA-RNN神經(jīng)網(wǎng)絡開展預測,最后將預測結果相加即可得到最終的預測結果。以懷化管理處吉懷高速公路石羊哨收費站、懷新高速公路新晃收費站兩處邊坡監(jiān)測為依托,最終確認所提出的方法具有較高的預測精度。

2.1 經(jīng)驗模態(tài)分解

經(jīng)驗模態(tài)分解(Empirical Mode Decomposition,EMD)是直接對信號進行自適應分解,得到的分量被稱為本征模態(tài)函數(shù)(Intrinsic Mode Function,IMF),該函數(shù)表示序列不同尺度的特征,EMD的具體計算步驟為[3]。

在初始數(shù)據(jù)中找到極大值和極小值,繪制上包絡線和下包絡線,利用三次樣條插值的方法對上下包絡線的極值點進行擬合。

然后根據(jù)公式(1)繪制均值包絡線maent,

(1)

最后根據(jù)公式(2)

ht=xt-maent

(2)

最終結果則會得到n組的IMF序列以及一組的殘差序列,如公式(3)所示。

(3)

2.2 DA-RNN算法介紹

人類的注意行為可以通過兩個階段的注意機制來進行建模。第一階段選擇基本的刺激特征,第二階段使用分類信息解碼這些刺激。基于此理論啟發(fā),秦瑤等提出了一種基于雙階段注意力機制的循環(huán)神經(jīng)網(wǎng)絡用于時間序列的預測[4]。

DA-RNN模型核心是輸入注意力機制編碼器和時間注意力機制解碼器。編碼器和解碼器本質(zhì)上是循環(huán)神經(jīng)網(wǎng)絡,在時間注意力機制部分,采用LSTM實現(xiàn)對編碼信息解碼。與輸入注意力機制編碼器類似,也需要構建時間注意層。

3 研究區(qū)域概況

懷化高速公路吉懷段起于鳳凰縣萬召村,止于中方縣牌樓鎮(zhèn)站坪村。由于雨水沖刷作用,邊坡西側存在局部沖刷現(xiàn)象。坡面采用掛網(wǎng)植草護坡,坡面植被較好,局部位置巖體外露,風化嚴重,三級邊坡網(wǎng)上為原植被護坡,根據(jù)原地勘資料,褐色種植土松散,含植物根系,稍濕、硬塑,巖層為強風化粉砂巖。

4 滑坡位移預測

4.1 累計位移監(jiān)測數(shù)據(jù)分解

滑坡變形是內(nèi)部多種物理場演化(地形、巖土性質(zhì)、構造、水文環(huán)境等)與外部誘發(fā)因素(降雨、施工、人類活動)共同作用的結果,是對當前滑坡狀態(tài)最直觀的反映[5]。因此滑坡位移可以按照下式進行分解。

S(t)=φ(t)+η(t)+ε(t)

(4)

式中:S(t)表示滑坡的累計位移,φ(t)表示趨勢項位移,η(t)是周期項位移,ε(t)是隨機項位移。趨勢項位移主要與滑坡內(nèi)部因素相關,周期項位移主要與降雨、水位等具有明顯周期性的外在氣候因素相關,隨機項位移主要與風擾動、地震、人類活動等隨機事件相關。

4.2 趨勢項預測

采用2019年4月至2020年4月之間的數(shù)據(jù)作為訓練集,采用2020年4月至2020年10月期間的數(shù)據(jù)作為測試集,預測結果如圖1所示。擬合優(yōu)度達到了0.9,能夠有效地反映滑坡趨勢項位移隨時間的變化情況。

圖1 趨勢項位移預測曲線

4.3 周期項預測

利用低頻觸發(fā)因子分量預測周期項位移,采用2019年4月至2020年4月之間的數(shù)據(jù)作為訓練集,采用2020年4月至2020年10月期間的數(shù)據(jù)作為測試集,預測結果如圖2所示。有效反映了滑坡周期項位移隨時間的變化情況。

圖2 周期項位移預測結果

4.4 隨機項預測

利用高頻觸發(fā)因子分量預測隨機項位移采用2019年4月至2020年4月之間的數(shù)據(jù)作為訓練集,采用2020年4月至2020年10月期間的數(shù)據(jù)作為測試集,預測結果如圖3所示。可以發(fā)現(xiàn)2020年6月10日至6月20日之間的幾次較大的波動得到了較好的預測。

圖3 隨機項位移預測結果

4.5 累計位移預測

將趨勢項、周期項和隨機項位移的預測結果相加即為最終預測的累計位移,計算結果如圖4所示。可以發(fā)現(xiàn)模型能夠很好地預測6月5日至6月14日的劇烈變形過程。

圖4 EMD-DA-RNN預測模型

5 結 論

滑坡是我國尤其是南部丘陵地區(qū)最主要的地質(zhì)災害,每年造成了巨大的經(jīng)濟損失和人員傷亡,而對滑坡進行監(jiān)測預警能夠極大地起到預防作用。因此提出了一種基于經(jīng)驗模態(tài)分解算法和雙階段注意力機制的循環(huán)神經(jīng)網(wǎng)絡的滑坡位移預測方法,提出了基于EMD和DA-RNN的滑坡位移預測方法。利用經(jīng)驗模態(tài)分解算法將滑坡位移監(jiān)測數(shù)據(jù)分解為趨勢項、周期項和隨機項。針對趨勢項、周期項和隨機項位移,采用建立的雙階段注意力機制循環(huán)神經(jīng)網(wǎng)絡進行預測,最后將三部分預測結果相加即為最終預測結果。