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測,海量、多源的自動化監測數據被源源不斷地采集和存儲,如何基于這些數據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

提出了一種基于經驗模態分解(Empirical Mode Decomposition,EMD)[2]和雙階段注意力機制的循環神經網絡(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算法將位移監測數據分解為趨勢項、周期項和隨機項,然后對每一項分別采用DA-RNN神經網絡開展預測,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 經驗模態分解

經驗模態分解(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函數(Intrinsic Mode Function,IMF),該函數表示序列不同尺度的特征,EMD的具體計算步驟為[3]。

在初始數據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。

然后根據公式(1)繪制均值包絡線maent,

(1)

最后根據公式(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,秦瑤等提出了一種基于雙階段注意力機制的循環神經網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上是循環神經網絡,在時間注意力機制部分,采用LSTM實現對編碼信息解碼。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,止于中方縣牌樓鎮站坪村。由于雨水沖刷作用,邊坡西側存在局部沖刷現象。坡面采用掛網植草護坡,坡面植被較好,局部位置巖體外露,風化嚴重,三級邊坡網上為原植被護坡,根據原地勘資料,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 累計位移監測數據分解

滑坡變形是內部多種物理場演化(地形、巖土性質、構造、水文環境等)與外部誘發因素(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月之間的數據作為訓練集,采用2020年4月至2020年10月期間的數據作為測試集,預測結果如圖1所示。擬合優度達到了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月之間的數據作為訓練集,采用2020年4月至2020年10月期間的數據作為測試集,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月之間的數據作為訓練集,采用2020年4月至2020年10月期間的數據作為測試集,預測結果如圖3所示。可以發現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。可以發現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最主要的地質災害,每年造成了巨大的經濟損失和人員傷亡,而對滑坡進行監測預警能夠極大地起到預防作用。因此提出了一種基于經驗模態分解算法和雙階段注意力機制的循環神經網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。利用經驗模態分解算法將滑坡位移監測數據分解為趨勢項、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神經網絡進行預測,最后將三部分預測結果相加即為最終預測結果。