基于組合預測模型的露天礦高陡邊坡滑坡變形研究

肖海平 楊旺生 肖 嵐 郭鐘群 曹希西

(1．江西理工大學建筑與測繪工程學院，江西 贛州 341000；2．東華理工大學勘測設計研究院于都測繪分院，江西 贛州 341000；3．贛州市國土局測繪科，江西 贛州 341000)

基于組合預測模型的露天礦高陡邊坡滑坡變形研究

肖海平1楊旺生2肖 嵐3郭鐘群1曹希西1

(1．江西理工大學建筑與測繪工程學院，江西 贛州 341000；2．東華理工大學勘測設計研究院于都測繪分院，江西 贛州 341000；3．贛州市國土局測繪科，江西 贛州 341000)

隨著露天礦山開采規模及深度的不斷擴大，致使礦山邊坡變陡、變高，而形成高陡邊坡，但由于地質條件以及礦山施工等因素的影響，高陡邊坡經常發生崩塌、滑坡等比較嚴重的地質災害。因此，為加強對露天礦山高陡邊坡的變形預測，應及時研究滑坡的變化趨勢，開展滑坡預警，指導礦山生產，保障人民的生命財產安全。建立了一種能夠更加有效地反映出變形體變化趨勢的組合預測模型，并介紹了其建模思想及計算方法，在此基礎上，依據某高陡邊坡實際監測數據，將其預測結果與獨立預測模型的預測結果進行分析比較，結果顯示，其精度要優于獨立預測模型的精度，且可靠性更高，具有較強的適用性。

組合預測模型 灰色模型 線性回歸 神經網絡

隨著露天礦山開采規模及深度的不斷擴大，逐步演變成凹陷采場，致使礦山邊坡變陡、變高，而形成高陡邊坡。由于地質條件以及礦山施工等因素的影響，高陡邊坡發生崩塌、滑坡等比較嚴重的地質災害。據統計，自建礦至1990年的70多年間，我國的撫順西露天礦，總共發生滑坡70余次，由此帶來的處理滑坡、削坡減災而剝離巖石近1億m3，耗費了巨大的人力、物力和財力[1]；2009 年6月5日，重慶市武隆縣鐵礦鄉雞尾山發生山體垮塌，損滑坡總量超過350萬m3，造成嚴重的生命財產損失[2]。因此，加強對露天礦山高陡邊坡的變形預測，及時研究滑坡的變化趨勢，開展滑坡預警，指導礦山生產，保障人身財產安全就顯得尤為重要。

目前，研究露天礦山高陡邊坡滑坡變形預測的常用預測模型主要有時間序列分析預測模型、灰色預測模型、神經網絡預測模型、支持向量機預測模型以及Kalman濾波預測模型等，并且都取得了一定的成效，例如，基于灰色系統理論的基坑變形預測研究[3]、非線性沉降預測模型參數計算研究[4]和人工神經網絡在預測深基坑周邊地表沉降變形中的應用研究[5]等。但是由于在變形預測過程中存在許多不確定因素，單一預測模型不能較全面的反映滑坡變形的規律，導致對邊坡的預測產生誤差。而不同的預測模型其所反映的問題不同，體現出的特點和優勢也有所區別。所以，在此基礎上，通過利用不同預測模型各自的特點及優勢，將它們進行有機結合，建立起一種能夠進一步反映邊坡變形趨勢的預測模型，以提高預測的精度。

1 組合預測模型的構建

1.1 組合預測模型構建思路

目前，組合預測模型是變形監測預測領域中應用最為廣泛的方法之一，在國內外有許多學者提出了許多不同種組合預測方法，例如，萬程輝[6]研究的基于小波分析回歸模型的大壩監測數據處理；王秀麗等[7]研究的滑坡變形的回歸-神經網絡預測模型研究；吳益平等[8]研究的灰色-神經網絡模型在滑坡變形預測中的應用。但是在實際的預測過程中，由于考慮的因素不同，所采取的預測模型也不同，就必然導致預測的結果也不完全相同。但在這些預測結果中，能真正反映變形體實際變化趨勢的卻只有一種，而由于不能事先確定哪種方法最優，則需要根據影響變形體變形的主要因素來建立預測模型，為了更好地利用不同預測模型的優勢以及其所提供的信息，則不能簡單的對預測結果進行平均。因此，本研究擬采用灰色預測模型、線性回歸模型以及神經網絡建立組合預測模型對變形體的變化趨勢進行分析，以便綜合考慮，進一步符合變形體的演化規律，提高預測精度。其構建流程如圖1所示。

圖1 組合預測模型流程

從圖1可以看出，組合預測模型是先對監測原始數據進行處理，并選定獨立模型預測的基礎上，獲得不同的預測結果，然后再根據一定的原則選定組合預測模型的權系數，建立組合模型，最終確定預測結果。通過這種方式，不僅利用了各獨立預測模型的優勢，還將它們在預測變形體變形趨勢中存在的缺陷進行了彌補。

1.2 組合預測模型權系數的確定

由于權系數所反映的是各獨立預測模型在組合預測模型中的影響程度，所以在對變形體進行組合模型預測時，確定權系數則是關鍵。因此，在實際預測過程中，如果權系數計算方法得當，就能夠有效地提高組合預測模型的精度，從而使得預測結果真實的反映出變形體的變化趨勢。本研究確定組合預測模型權系數采用的方法是方差倒數法，其計算過程是：首先根據各獨立模型的預測誤差，求算出它們的誤差平方和，然后再對各誤差平方和求倒數，并確定其在誤差中所占的權值，從而最大限度的使得組合預測模型的誤差平方和達到最小，其計算公式為

(1)

且

式中，ej為第j個單一模型的誤差平方和，即

因此，在組合預測模型中，只要計算出了各獨立預測模型的預測值和誤差平方和，求算出組合預測模型的權系數后，再乘以各獨立預測模型的預測值，就可以求出組合預測模型的最終預測值。

(2)

2 工程應用及分析

某露天礦高陡邊坡在施工過程中對其進行了水平位移和沉降監測，因為對該高陡邊坡是進行定時監測，每隔10 d監測1次，現為了驗證組合預測模型的實用性，選取監測點J20的沉降實測數據為研究對象，以其前20期沉降實測值為原始數據，對其進行驗證。從實測數據來看，監測點J20的監測數據具有一定的不穩定性和離散性，現利用灰色預測模型、線性回歸模型和神經網絡等3種獨立模型以及由其形成的組合預測模型進行分析，可得到灰色預測模型為

(3)

線性回歸模型為

(4)

其中，k=1，2，3，…，m。

另外，根據式(1)和式(2)，計算出獨立模型在組合模型中的權系數為(0.319 8，0.351 4，0.328 8)，則各模型預測結果如表1所示。

表1 監測點J20沉降預測結果 Table1 The settlement prediction results of J20

從表1可以看出，雖然組合模型的預測值并不都優于獨立預測模型，但是從求算的組合模型相對誤差來看，基本上都要小于單一的獨立模型，表明其總體預測效果和精度都有所提高。

3 結 論

(1)利用組合預測模型對變形監測進行預測，其精度要高于各獨立模型，更加有效的反映出變形體的變化趨勢，為指導礦山生產，保障人民的生命財產安全提供了有利的保障，體現出模型具有良好的可靠性和可行性。

(2)通過方差倒數的方法確定組合模型的權系數，以確定各獨立模型所占的比例，由此建立的組合模型簡單易懂更具有可操作性。

(3)由于引起高陡邊坡變形的因素眾多，在選擇預測模型的同時，要盡可能的能夠反映變形體變化的趨勢，以提高預測的精度。

[1] 孫永前.新橋礦露采區高陡邊坡的失穩分析及預測[D].合肥：合肥工業大學，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] 欒婷婷，謝振華，張雪冬.露天礦山高陡邊坡穩定性分析及滑坡預警技術[J].中國安全生產科學技術，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，張小平.基于灰色系統理論的基坑變形預測研究[J].地下空間與工程學報，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] 鐘漢青，丁建勛，馬德富.非線性沉降預測模型參數計算研究[J].測繪通報，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] 葛長峰，胡慶興，李方明.人工神經網絡在預測深基坑周邊地表沉降變形中的應用研究[J].防災減災工程學報，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] 萬程輝，何習平.基于小波分析回歸模型的大壩監測數據處理[J].測繪科學，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] 王秀麗，李恒凱.滑坡變形的回歸-神經網絡預測模型研究[J].人民黃河，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] 吳益平，滕偉福，李亞偉.灰色-神經網絡模型在滑坡變形預測中的應用[J].巖石力學與工程學報，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.

(責任編輯 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

江西省教育廳科技計劃項目(編號：GJJ11472)，江西理工大學科研基金項目(編號：jxxj12013)。

肖海平(1980— )，男，講師。

TD854.6

A

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