基于组合预测模型的露天矿高陡边坡滑坡变形研究

肖海平 杨旺生 肖 岚 郭钟群 曹希西

(1．江西理工大学建筑与测绘工程学院，江西 赣州 341000；2．东华理工大学勘测设计研究院于都测绘分院，江西 赣州 341000；3．赣州市国土局测绘科，江西 赣州 341000)

基于组合预测模型的露天矿高陡边坡滑坡变形研究

肖海平1杨旺生2肖 岚3郭钟群1曹希西1

(1．江西理工大学建筑与测绘工程学院，江西 赣州 341000；2．东华理工大学勘测设计研究院于都测绘分院，江西 赣州 341000；3．赣州市国土局测绘科，江西 赣州 341000)

随着露天矿山开采规模及深度的不断扩大，致使矿山边坡变陡、变高，而形成高陡边坡，但由于地质条件以及矿山施工等因素的影响，高陡边坡经常发生崩塌、滑坡等比较严重的地质灾害。因此，为加强对露天矿山高陡边坡的变形预测，应及时研究滑坡的变化趋势，开展滑坡预警，指导矿山生产，保障人民的生命财产安全。建立了一种能够更加有效地反映出变形体变化趋势的组合预测模型，并介绍了其建模思想及计算方法，在此基础上，依据某高陡边坡实际监测数据，将其预测结果与独立预测模型的预测结果进行分析比较，结果显示，其精度要优于独立预测模型的精度，且可靠性更高，具有较强的适用性。

组合预测模型 灰色模型 线性回归 神经网络

随着露天矿山开采规模及深度的不断扩大，逐步演变成凹陷采场，致使矿山边坡变陡、变高，而形成高陡边坡。由于地质条件以及矿山施工等因素的影响，高陡边坡发生崩塌、滑坡等比较严重的地质灾害。据统计，自建矿至1990年的70多年间，我国的抚顺西露天矿，总共发生滑坡70余次，由此带来的处理滑坡、削坡减灾而剥离岩石近1亿m3，耗费了巨大的人力、物力和财力[1]；2009 年6月5日，重庆市武隆县铁矿乡鸡尾山发生山体垮塌，损滑坡总量超过350万m3，造成严重的生命财产损失[2]。因此，加强对露天矿山高陡边坡的变形预测，及时研究滑坡的变化趋势，开展滑坡预警，指导矿山生产，保障人身财产安全就显得尤为重要。

目前，研究露天矿山高陡边坡滑坡变形预测的常用预测模型主要有时间序列分析预测模型、灰色预测模型、神经网络预测模型、支持向量机预测模型以及Kalman滤波预测模型等，并且都取得了一定的成效，例如，基于灰色系统理论的基坑变形预测研究[3]、非线性沉降预测模型参数计算研究[4]和人工神经网络在预测深基坑周边地表沉降变形中的应用研究[5]等。但是由于在变形预测过程中存在许多不确定因素，单一预测模型不能较全面的反映滑坡变形的规律，导致对边坡的预测产生误差。而不同的预测模型其所反映的问题不同，体现出的特点和优势也有所区别。所以，在此基础上，通过利用不同预测模型各自的特点及优势，将它们进行有机结合，建立起一种能够进一步反映边坡变形趋势的预测模型，以提高预测的精度。

1 组合预测模型的构建

1.1 组合预测模型构建思路

目前，组合预测模型是变形监测预测领域中应用最为广泛的方法之一，在国内外有许多学者提出了许多不同种组合预测方法，例如，万程辉[6]研究的基于小波分析回归模型的大坝监测数据处理；王秀丽等[7]研究的滑坡变形的回归-神经网络预测模型研究；吴益平等[8]研究的灰色-神经网络模型在滑坡变形预测中的应用。但是在实际的预测过程中，由于考虑的因素不同，所采取的预测模型也不同，就必然导致预测的结果也不完全相同。但在这些预测结果中，能真正反映变形体实际变化趋势的却只有一种，而由于不能事先确定哪种方法最优，则需要根据影响变形体变形的主要因素来建立预测模型，为了更好地利用不同预测模型的优势以及其所提供的信息，则不能简单的对预测结果进行平均。因此，本研究拟采用灰色预测模型、线性回归模型以及神经网络建立组合预测模型对变形体的变化趋势进行分析，以便综合考虑，进一步符合变形体的演化规律，提高预测精度。其构建流程如图1所示。

图1 组合预测模型流程

从图1可以看出，组合预测模型是先对监测原始数据进行处理，并选定独立模型预测的基础上，获得不同的预测结果，然后再根据一定的原则选定组合预测模型的权系数，建立组合模型，最终确定预测结果。通过这种方式，不仅利用了各独立预测模型的优势，还将它们在预测变形体变形趋势中存在的缺陷进行了弥补。

1.2 组合预测模型权系数的确定

由于权系数所反映的是各独立预测模型在组合预测模型中的影响程度，所以在对变形体进行组合模型预测时，确定权系数则是关键。因此，在实际预测过程中，如果权系数计算方法得当，就能够有效地提高组合预测模型的精度，从而使得预测结果真实的反映出变形体的变化趋势。本研究确定组合预测模型权系数采用的方法是方差倒数法，其计算过程是：首先根据各独立模型的预测误差，求算出它们的误差平方和，然后再对各误差平方和求倒数，并确定其在误差中所占的权值，从而最大限度的使得组合预测模型的误差平方和达到最小，其计算公式为

(1)

且

式中，ej为第j个单一模型的误差平方和，即

因此，在组合预测模型中，只要计算出了各独立预测模型的预测值和误差平方和，求算出组合预测模型的权系数后，再乘以各独立预测模型的预测值，就可以求出组合预测模型的最终预测值。

(2)

2 工程应用及分析

某露天矿高陡边坡在施工过程中对其进行了水平位移和沉降监测，因为对该高陡边坡是进行定时监测，每隔10 d监测1次，现为了验证组合预测模型的实用性，选取监测点J20的沉降实测数据为研究对象，以其前20期沉降实测值为原始数据，对其进行验证。从实测数据来看，监测点J20的监测数据具有一定的不稳定性和离散性，现利用灰色预测模型、线性回归模型和神经网络等3种独立模型以及由其形成的组合预测模型进行分析，可得到灰色预测模型为

(3)

线性回归模型为

(4)

其中，k=1，2，3，…，m。

另外，根据式(1)和式(2)，计算出独立模型在组合模型中的权系数为(0.319 8，0.351 4，0.328 8)，则各模型预测结果如表1所示。

表1 监测点J20沉降预测结果 Table1 The settlement prediction results of J20

从表1可以看出，虽然组合模型的预测值并不都优于独立预测模型，但是从求算的组合模型相对误差来看，基本上都要小于单一的独立模型，表明其总体预测效果和精度都有所提高。

3 结 论

(1)利用组合预测模型对变形监测进行预测，其精度要高于各独立模型，更加有效的反映出变形体的变化趋势，为指导矿山生产，保障人民的生命财产安全提供了有利的保障，体现出模型具有良好的可靠性和可行性。

(2)通过方差倒数的方法确定组合模型的权系数，以确定各独立模型所占的比例，由此建立的组合模型简单易懂更具有可操作性。

(3)由于引起高陡边坡变形的因素众多，在选择预测模型的同时，要尽可能的能够反映变形体变化的趋势，以提高预测的精度。

[1] 孙永前.新桥矿露采区高陡边坡的失稳分析及预测[D].合肥：合肥工业大学，2012. Sun Yongqian.The Instability Analysis and Forecast of High-steep Slope of Open-pit of Xinqiao Mine[D].Hefei:Hefei University of Technology，2012.

[2] 栾婷婷，谢振华，张雪冬.露天矿山高陡边坡稳定性分析及滑坡预警技术[J].中国安全生产科学技术，2013，9(4):11-15. Luan Tingting，Xie Zhenhua，Zhang Xuedong.Stability analysis and landslide early warning technology for high and steep slope of open-pit mine[J].Journal of Safety Science and Technology，2013，9(4):11-15.

[3] 胡 冬，张小平.基于灰色系统理论的基坑变形预测研究[J].地下空间与工程学报，2009，5(1):74-78. Hu Dong，Zhang Xiaoping.Research on predicting deformation of foundation pit based on grey system theory[J].Chinese Journal of Underground Space and Engineering，2009，5(1):74-78.

[4] 钟汉青，丁建勋，马德富.非线性沉降预测模型参数计算研究[J].测绘通报，2012(5)：68-70. Zhong Hanqing，Ding Jianxun，Ma Defu.A study of parameter calculation for nonlinear prediction model of settlement[J].Bulletin of Surveying and Mapping，2012(5):68-70.

[5] 葛长峰，胡庆兴，李方明.人工神经网络在预测深基坑周边地表沉降变形中的应用研究[J].防灾减灾工程学报，2008，28(4):519-522. Ge Changfeng，Hu Qingxing，Li Fangming.A study on application of artificial neural network in prediction of ground surface settlement around deep foundation pit[J].Journal of Disaster Prevention and Mitigation Engineering，2008，28(4):519-522.

[6] 万程辉，何习平.基于小波分析回归模型的大坝监测数据处理[J].测绘科学，2009，34(5):113-115. Wan Chenghui，He Xiping.Research on regression model based on wavelet analysis for dam monitoring[J].Science of Surveying and Mapping，2009，34(5):113-115.

[7] 王秀丽，李恒凯.滑坡变形的回归-神经网络预测模型研究[J].人民黄河，2012，34(7):90-92. Wang Xiuli，Li Hengkai.Research on prediction model of regression-neural network for landslide deformation[J].Yellow River，2012，34(7):90-92.

[8] 吴益平，滕伟福，李亚伟.灰色-神经网络模型在滑坡变形预测中的应用[J].岩石力学与工程学报，2007，26(3):632-636. Wu Yiping，Teng Weifu，Li Yawei.Application of grey-neural network model to landslide deformation prediction[J].Chinese Journal of Rock Mechanics and Engineering，2007，26(3):632-636.

(责任编辑 石海林)

Research on Landslide Deformation of High and Steep Slope in Open-pit Mine based on Combination Prediction Model

Xiao Haiping1Yang Wangsheng2Xiao Lan3Guo Zhongqun1Cao Xixi

(1.SchoolofArchitecturalandSurveying&MappingEngineering，JiangxiUniversityofScienceandTechnology，Ganzhou341000，China；2.YuduBranchofSchoolofSurveyingandDesign，EastChinaInstituteofTechnology，Ganzhou341000，China；3.DepartmentofSurveying，GanzhouLandandResourcesBureau，Ganzhou341000，China)

In order to strengthen the deformation prediction of high and steep slope in open-pit mine，and timely obtain the trend of the landslide，the landslide pre-warning was conducted，which guided the mine production and ensured the safety of people′s life and property.A combined prediction model was established，and the modeling ideas and calculating methods were introduced in the paper.On this basis，according to the actual monitoring data of a high and steep slope，the predicted results were analyzed and compared with the predictions of the independent model.The results showed that the precision of the combined model is superior to that of the independent model with higher reliability.Therefore，it owns strong applicability.

Combined prediction model，Grey model，Linear regression model，Neural network

2013-12-24

江西省教育厅科技计划项目(编号：GJJ11472)，江西理工大学科研基金项目(编号：jxxj12013)。

肖海平(1980— )，男，讲师。

TD854.6

A

1001-1250(2014)-04-169-03