李 倩
(湖南省致力科技有限公司,湖南 长沙 410208)
我国幅员辽阔,地形气候条件复杂,因此地质灾害类型多、分布广。我国南方地形起伏波动较大,主要以丘陵、山地为主,气候上主要是亚热带季风性气候,降雨丰沛,因此主要以滑坡灾害为主[1]。随着越来越多的滑坡实施了自动化监测,海量、多源的自动化监测数据被源源不断地采集和存储,如何基于这些数据进行深入挖掘和指导预警是近年来研究的重点。位移是滑坡内部应力场、渗流场、温度场、重力场等多个物理场耦合作用和演化的结果,本质是一种耦合场,因此利用位移进行预警是最直观、最有效的方式。如果能够预测滑坡未来一段时间的位移,进而判定滑坡稳定性的演化趋势,对于滑坡灾害的及早预警、及早避险具有重要意义。
提出了一种基于经验模态分解(Empirical Mode Decomposition,EMD)[2]和双阶段注意力机制的循环神经网络(Dual-Stage Attention-Based Recurrent Neural Network,DA-RNN)的滑坡位移预测方法。该方法首先利用EMD算法将位移监测数据分解为趋势项、周期项和随机项,然后对每一项分别采用DA-RNN神经网络开展预测,最后将预测结果相加即可得到最终的预测结果。以怀化管理处吉怀高速公路石羊哨收费站、怀新高速公路新晃收费站两处边坡监测为依托,最终确认所提出的方法具有较高的预测精度。
经验模态分解(Empirical Mode Decomposition,EMD)是直接对信号进行自适应分解,得到的分量被称为本征模态函数(Intrinsic Mode Function,IMF),该函数表示序列不同尺度的特征,EMD的具体计算步骤为[3]。
在初始数据中找到极大值和极小值,绘制上包络线和下包络线,利用三次样条插值的方法对上下包络线的极值点进行拟合。
然后根据公式(1)绘制均值包络线maent,
(1)
最后根据公式(2)
ht=xt-maent
(2)
最终结果则会得到n组的IMF序列以及一组的残差序列,如公式(3)所示。
(3)
人类的注意行为可以通过两个阶段的注意机制来进行建模。第一阶段选择基本的刺激特征,第二阶段使用分类信息解码这些刺激。基于此理论启发,秦瑶等提出了一种基于双阶段注意力机制的循环神经网络用于时间序列的预测[4]。
DA-RNN模型核心是输入注意力机制编码器和时间注意力机制解码器。编码器和解码器本质上是循环神经网络,在时间注意力机制部分,采用LSTM实现对编码信息解码。与输入注意力机制编码器类似,也需要构建时间注意层。
怀化高速公路吉怀段起于凤凰县万召村,止于中方县牌楼镇站坪村。由于雨水冲刷作用,边坡西侧存在局部冲刷现象。坡面采用挂网植草护坡,坡面植被较好,局部位置岩体外露,风化严重,三级边坡网上为原植被护坡,根据原地勘资料,褐色种植土松散,含植物根系,稍湿、硬塑,岩层为强风化粉砂岩。
滑坡变形是内部多种物理场演化(地形、岩土性质、构造、水文环境等)与外部诱发因素(降雨、施工、人类活动)共同作用的结果,是对当前滑坡状态最直观的反映[5]。因此滑坡位移可以按照下式进行分解。
S(t)=φ(t)+η(t)+ε(t)
(4)
式中:S(t)表示滑坡的累计位移,φ(t)表示趋势项位移,η(t)是周期项位移,ε(t)是随机项位移。趋势项位移主要与滑坡内部因素相关,周期项位移主要与降雨、水位等具有明显周期性的外在气候因素相关,随机项位移主要与风扰动、地震、人类活动等随机事件相关。
采用2019年4月至2020年4月之间的数据作为训练集,采用2020年4月至2020年10月期间的数据作为测试集,预测结果如图1所示。拟合优度达到了0.9,能够有效地反映滑坡趋势项位移随时间的变化情况。
图1 趋势项位移预测曲线
利用低频触发因子分量预测周期项位移,采用2019年4月至2020年4月之间的数据作为训练集,采用2020年4月至2020年10月期间的数据作为测试集,预测结果如图2所示。有效反映了滑坡周期项位移随时间的变化情况。
图2 周期项位移预测结果
利用高频触发因子分量预测随机项位移采用2019年4月至2020年4月之间的数据作为训练集,采用2020年4月至2020年10月期间的数据作为测试集,预测结果如图3所示。可以发现2020年6月10日至6月20日之间的几次较大的波动得到了较好的预测。
图3 随机项位移预测结果
将趋势项、周期项和随机项位移的预测结果相加即为最终预测的累计位移,计算结果如图4所示。可以发现模型能够很好地预测6月5日至6月14日的剧烈变形过程。
图4 EMD-DA-RNN预测模型
滑坡是我国尤其是南部丘陵地区最主要的地质灾害,每年造成了巨大的经济损失和人员伤亡,而对滑坡进行监测预警能够极大地起到预防作用。因此提出了一种基于经验模态分解算法和双阶段注意力机制的循环神经网络的滑坡位移预测方法,提出了基于EMD和DA-RNN的滑坡位移预测方法。利用经验模态分解算法将滑坡位移监测数据分解为趋势项、周期项和随机项。针对趋势项、周期项和随机项位移,采用建立的双阶段注意力机制循环神经网络进行预测,最后将三部分预测结果相加即为最终预测结果。