忠武輸氣管道沿線滑坡預測方法研究

王小攀，張軍，丁慧君

(1.中國地質大學信息工程學院，湖北武漢 430074； 2.內蒙古測繪院，內蒙古呼和浩特 010010)

忠武輸氣管道沿線滑坡預測方法研究

王小攀1?，張軍1，丁慧君2

(1.中國地質大學信息工程學院，湖北武漢 430074； 2.內蒙古測繪院，內蒙古呼和浩特 010010)

基于忠武管道沿線滑坡不具有成面、成片分布的特點及其管道沿線滑坡監測方案，系統地分析了忠武輸氣管道沿線滑坡預測過程，根據灰色GM(1，1)模型具有對數據量需求少、對時間有關的序列有很好的預測效果等優點，重點研究了灰色GM(1，1)模型及其改進模型，并對各種改進的灰色模型預測結果進行比較分析；同時顧及BP神經網絡的各種優點，本文還較深刻地研究了灰色神經網絡組合預測模型，在此之上提出了一種改進的串聯灰色神經網絡模型，通過實例分析對該模型在忠武管道沿線滑坡預測方法進行了探討。

滑坡預測；GM(1，1)及改進模型；BP神經網絡；組合預測模型；改進的串聯灰色神經網絡模型

1 引 言

忠縣—武漢輸氣管道工程是國家“西氣東輸”系統工程的重要組成部分。忠武輸氣管道呈狹長線狀分布，沿線滑坡工程地質條件各異，地質災害點的空間分布具有很大的隨機性，滑坡不具有成面、成片分布等特點；按照忠武輸氣管道滑坡地質災害防治要求，管道沿線滑坡的監測期限設為2年，采用GPS定位技術進行靜態周期觀測，周期一個月，主要監測內容為位移－時間變化量，所以詳細描述滑坡運動規律的數據比較少且單一。

忠武輸氣管道沿線地質災害主要監測內容為滑坡位移量，其主要影響因素為降雨量。如果考慮影響滑坡時間－位移量一個主要因素降雨量，采用改進的串聯灰色神經組合模型進行預測，從理論上來說，精度應該比串聯灰色神經網絡模型高；該模型原理為將灰色模型的預測結果和降雨量作為神經網絡的輸入，通過灰色模型的預測誤差在神經網絡訓練過程中權值的修正以及影響因素對滑坡位移量的非線性作用，實現預測值與觀察值的最佳擬合。

2 實例概述

本文實例選在忠縣—武漢輸氣管道黃草坡古泥石流滑坡段。黃草坡古泥石流滑坡位于恩施龍鳳壩鎮，溝口在黃草坡小學一帶，管道里程為K158＋178～K158＋930 m。發育地層為志留系頁巖、泥質砂巖，溝源頭分水嶺處有泥盆系石英砂巖，源頭地段發育較厚的崩坡積層。在黃草坡一帶的溝口，見塊石土堆積，塊石大者50 cm以上，呈次圓到棱角狀，塊石成分為石英砂巖，為泥基結構，土石比約1∶1。堆積厚度估計1 m～5 m。石英砂巖塊石母體來自泥盆系，距源區2 km以上。

采用GPS定位技術對黃草坡古泥石流堆積體進行大地變形監測，監測內容為地表位移、高程監測。設置2條監測剖面，共布置監測點6個，監測設計如圖1；另在穩定地帶設置3個監測基準點。考慮到影響滑坡的主要因素為降雨量，采用雨量測量儀采集滑坡每天的降雨量。

圖1 黃草坡古泥石滑坡監測點點位分布圖

3 數據的選擇和預處理

黃草坡滑坡總共有6個監測點，其中5號監測點累計位移量最大，只要該點累計位移量在允許變化范圍之內，則可認為滑坡對管道的推力是安全的，故選擇5號監測點進行預測分析。監測的位移量有X、Y和Z，其中X為正北方向；由于管道的走向大致為東西走向，垂直于管道走向的滑坡推力對管道影響最大，故選擇X方向累計位移進行研究。考慮到雨量監測儀是從2008年7月15日才開始安裝運行，同時第19期及后面幾期為施工期，故選擇第9期～第18期數據進行模型預測分析。

采用GPS定位技術得到的原始數據為兩期X位移變化量(如表1)，由于X位移變化量的監測時間間隔不均等，故先采用插值函數對X位移變化量進行插值，生成等間隔數據，然后生成累計位移量；同時由于停電及雨量監測器儀器故障，導致缺失約70天降雨量數據，本文采用拉格朗日函數進行插值，結果如表1所示。

監測原始數據及等間隔插值數據 表1

4 GM(1，1)及改進模型預測

考慮到篇幅的原因，在此省略逐一對GM(1，1)及改進模型預測結果的分析，僅對各模型預測結果進行精度比較。GM(1，1)模型和基于背景改正模型的預測結果為第16期至18期，等維新息模型和等維遞補模型的預測結果為第17期和第18期，為了比較各種灰色模型預測精度，這里用平均相對誤差△k來衡量模型預測精度的高低:

式中，x(k)為第k個實際值，x(k)為第k個預測值。

根據式(1)，計算出各種灰色模型預測值的平均相對誤差，結果如表2所示。

各種灰色模型預測數據平均相對誤差 表2

從表2中可以看出:等維遞補模型的預測精度最好；基于背景值改正模型的預測精度與GM(1，1)模型相當，背景值改正效果不明顯；一般來說，等維灰數遞補模型縮短灰區間，起到約束灰平面大小的作用，相對提高灰平面的白色度，但等維灰數遞補所補充新信息為預測值，是原模型預測出的灰數。等維新息GM(1，1)模型所補充新信息為后來的實測數據，是系統值。因此用等維新息來調整模型更有效；對一個系統來說，隨時間的推移，未來的一些擾動因素將不斷進入系統而對系統施加影響，因此用實測值補充模型對模型的修正幅度更大，模型修正后精度在理論上更高，但是等維新息模型沒有考慮到新加入數據是不是符合預測模型發展的變化趨勢，即沒有考慮到新加入數據的波動性，在本實例中，由于新加入的16期數據比原模型預測的數據小很多，該數據的波動性比較大，故等維新息模型的預測精度反而比GM(1，1)模型預測精度低。

5 灰色神經網絡組合模型預測

5.1 串聯灰色神經網絡模型預測

網絡采用二層BP網絡，網絡訓練算法采用Levenberg－Marquardt算法，輸入層采用4個神經元，分別為: GM(1，1)模型、等維新息模型、等維遞補模型和基于背景值改正模型的第10期～第15期模擬值；輸出層采用1個神經元，網絡的轉移函數采用兩個線性函數purelin，通過調試得到神經網絡訓練的結果，如表3所示。通過表3，可以發現串聯灰色神經網絡的仿真殘差平均相對誤差和預測平均相對誤差分別只有1.447%和1.085%，模型精度優于任意一種灰色模型。

串聯灰色神經網絡模型精度指標 表3

5.2 改進的串聯灰色神經網絡模型預測

同串聯灰色神經網絡模型一樣，網絡采用二層BP網絡，網絡訓練采用Levenberg－Marquardt算法，網絡的轉移函數采用兩個線性函數purelin，輸出層采用1個神經元；但本預測模型輸入層采用5個神經元，分別為:GM(1，1)模型、等維新息模型、等維遞補模型和基于背景值改正模型的第10期～第15期模擬值以及第10期～15期累計降雨量。通過調試得到神經網絡訓練訓練結果(見表4)。通過表4，可以發現改進的串聯神經網絡第10期～15期對實測建模數據的仿真精度與串聯神經網絡相當，但是改進的串聯神經網絡的預測誤差比較大。

改進的串聯灰色神經網絡模型的精度指標 表4

改進的串聯灰色神經網絡模型既考慮到單項模型的非線性組合關系，又顧及到預測結果的影響因素，從理論上說改進的串聯灰色神經網絡模型的預測精度應比串聯灰色神經網絡模型預測精度高。

在本實例中，影響忠武輸氣管道沿線滑坡累計位移量的主要因素為降雨量，所以改進的串聯神經預測模型在原串聯灰色神經網絡模型基礎之上增加了降雨量因素。由于大量缺失降雨量實測數據，通過插值函數得到的降雨量數據與實測數據有較大的出入。改進的串聯神經網絡模型是根據第10期～16期降雨量與位移關系來預測第17～第18期位移量，故改進的串聯神經網絡模型不能提供預測精度，反而降低了預測精度。

6 結 語

本文較系統地研究了忠武輸氣管道沿線滑坡預測研究過程，著重研究了滑坡時間預測方法。通過對灰色GM(1，1)模型及其改進模型、BP神經網絡模型的研究，綜合灰色模型和BP神經網絡模型各自的優點，進行了灰色神經網絡組合預測模型研究，并在此基礎之上提出了一種改進的串聯灰色神經網絡模型，并對該模型進行了探討。

針對黃草坡古泥石流滑坡個例發現:等維遞補模型對實測建模數據的擬合精度和預測精度都是最高的，改進的灰色模型不一定比原GM(1，1)模型預測精度高，同時等維新息模型在加入實測數據進行預測時，若不考慮到新加入數據的波動性，將導致預測精度比較低，故在以后滑坡預測過程中，需綜合運用這些模型，進行優勢互補。串聯灰色神經網絡模型可以明顯提高預測精度，改進的串聯灰色神經網絡模型理論上精度比較好，但是如果提供的降雨量數據不理想，該模型預測效果很難達到預期精度。

[1] 楊曉平，徐景田.工程監測技術及應用[M].北京:中國電力出版社，2008

[2] 黃聲享.變形監測數據處理[M].武漢:武漢大學出版社，2003

[3] 鄧聚龍.灰理論基礎[M].武漢:華中科技大學出版社，2002

[4] 焦李成.神經網絡理論[M].西安:西安電子科技大學出版社，1996

[5] 叢爽.面向MATLAB工具箱的神經網絡理論與應用[M].合肥:中國科學技術大學出版社，1998

[6] 武漢大學測繪學院測量平差學科組.誤差理論與測量平差基礎[M].武漢:武漢大學出版社，2003

[7] 王穗輝.變形數據處理、分析及預測方法若干問題研究[D].上海:同濟大學，2007，6

[8] 殷坤龍等.滑坡預測及相關模型[J].巖石力學與工程學報，1996，15(1):1～8

[9] Yin K L，Yan T Z，Statistical prediction models for slope instability of metamorphosed rocks[J].Landslide，1988，1269～1272

[10]殷坤龍.滑坡位移的動態分析—大氣降雨對滑坡的影響[J].水文地質工程地質，1987(5):52～54

[11]黃聲享，尹暉，蔣征.變形監測數據處理[M].武漢:武漢大學出版社，2002

[12]林孝松.滑坡與降雨研究[J].地質災害與畫家保護，2001，12(3):1～7

[13]宴同珍.滑坡時間的預測預報[C].滑坡論文選集，成都:四川科學技術出版社，1989

[14]張友誼.不同降雨條件下峽口滑坡穩定性研究[D].成都:西南交通大學，2007，7

[15]Chen Shuyan，Qu Gaofeng，Wang Xinghe，Traffic flow forecast ting bashed on grey neural network model[A].In:Proceedings of the Second International Conference on Machine Learning and Cybernetics[C]，XI’an，2003(11):2～5

[16]Hsieh Chenghsiung.Grey neural network and its application to short term load forcasting problem[J].IEICE Transctions on Information and Systems，2002，E85－D(5):897～902

[17]Ingmar H.A.FrankenT，Peter Muris，Irina Georgieva，Gray’s model of personality and addiction[J].Addictive Behaviors 31(2006)

[18]Ananga N，Sakurai S.The Use of GPS Data for Improving Local Geoid Determination.Survey Review，1996，P334～338

[19]J N，Arslan T，Wan D J，et al.GPS attitude determination using a genetic algorithm[M].Hawaii:IEEE Press，2002，178～180

The Study of Zhong－Wu Gas Pipeline Landslide Prediction

Wang XiaoPan1，Zhang Jun1，Ding HuiJun2
(1.China University of Geosciences School of Information Engineering，Wuhan 430074，China；2.Inner Mongolia Institute of Surveying and Mapping，Inner Mongolia，Hohhot 010010，China)

Based on landslides along the Zhong－Wu gas pipeline have not the characteristics of the distribution into a surface and a pieces，and the landslides monitoring cycle of this pipeline.this paper systematically analyzes forecasting process of the landslide along the Zhong－Wu gas pipeline.As GM(1，1)model is less demand on the amount of data，with a good predictive advantages of the sequence of time，this paper focuses on the gray GM(1，1)model and its improved model，and a variety of improved gray model for comparative analysis.In view of the BP neural network has many kinds of advantages.This paper has thoroughly studied the combination of gray neural network model，and based on the combination forecasting model，putting forward an improved gray neural network model series and probe the model through an example.

Landslide Prediction；GM(1，1)and improved model；BP neural network；Combination forecasting model；Improved gray neural network model series

1672－8262(2011)02－158－03

P258

B

2010—07—18

王小攀(1989—)，女，本科在讀，研究方向:大地測量與工程。