王小攀，張軍，丁慧君

(1.中國地質(zhì)大學(xué)信息工程學(xué)院，湖北武漢 430074； 2.內(nèi)蒙古測繪院，內(nèi)蒙古呼和浩特 010010)

忠武輸氣管道沿線滑坡預(yù)測方法研究

王小攀1?，張軍1，丁慧君2

(1.中國地質(zhì)大學(xué)信息工程學(xué)院，湖北武漢 430074； 2.內(nèi)蒙古測繪院，內(nèi)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(jiān)測方案，系統(tǒng)地分析了忠武輸氣管道沿線滑坡預(yù)測過程，根據(jù)灰色GM(1，1)模型具有對數(shù)據(jù)量需求少、對時間有關(guān)的序列有很好的預(yù)測效果等優(yōu)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(yù)測結(jié)果進行比較分析；同時顧及BP神經(jīng)網(wǎng)絡(luò)的各種優(yōu)點，本文還較深刻地研究了灰色神經(jīng)網(wǎng)絡(luò)組合預(yù)測模型，在此之上提出了一種改進的串聯(lián)灰色神經(jīng)網(wǎng)絡(luò)模型，通過實例分析對該模型在忠武管道沿線滑坡預(yù)測方法進行了探討。

滑坡預(yù)測；GM(1，1)及改進模型；BP神經(jīng)網(wǎng)絡(luò)；組合預(yù)測模型；改進的串聯(lián)灰色神經(jīng)網(wǎng)絡(luò)模型

1 引 言

忠縣—武漢輸氣管道工程是國家“西氣東輸”系統(tǒng)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(zhì)條件各異，地質(zhì)災(zāi)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(zhì)災(zāi)害防治要求，管道沿線滑坡的監(jiān)測期限設(shè)為2年，采用GPS定位技術(shù)進行靜態(tài)周期觀測，周期一個月，主要監(jiān)測內(nèi)容為位移－時間變化量，所以詳細描述滑坡運動規(guī)律的數(shù)據(jù)比較少且單一。

忠武輸氣管道沿線地質(zhì)災(zāi)害主要監(jiān)測內(nèi)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(lián)灰色神經(jīng)組合模型進行預(yù)測，從理論上來說，精度應(yīng)該比串聯(lián)灰色神經(jīng)網(wǎng)絡(luò)模型高；該模型原理為將灰色模型的預(yù)測結(jié)果和降雨量作為神經(jīng)網(wǎng)絡(luò)的輸入，通過灰色模型的預(yù)測誤差在神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程中權(quán)值的修正以及影響因素對滑坡位移量的非線性作用，實現(xiàn)預(yù)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(zhèn)，溝口在黃草坡小學(xué)一帶，管道里程為K158＋178～K158＋930 m。發(fā)育地層為志留系頁巖、泥質(zhì)砂巖，溝源頭分水嶺處有泥盆系石英砂巖，源頭地段發(fā)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(jié)構(gòu)，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(qū)2 km以上。

采用GPS定位技術(shù)對黃草坡古泥石流堆積體進行大地變形監(jiān)測，監(jiān)測內(nèi)容為地表位移、高程監(jiān)測。設(shè)置2條監(jiān)測剖面，共布置監(jiān)測點6個，監(jiān)測設(shè)計如圖1；另在穩(wěn)定地帶設(shè)置3個監(jiān)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(jiān)測點點位分布圖

3 數(shù)據(jù)的選擇和預(yù)處理

黃草坡滑坡總共有6個監(jiān)測點，其中5號監(jiān)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(nèi)，則可認為滑坡對管道的推力是安全的，故選擇5號監(jiān)測點進行預(yù)測分析。監(jiān)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?？紤]到雨量監(jiān)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(shù)據(jù)進行模型預(yù)測分析。

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

監(jiān)測原始數(shù)據(jù)及等間隔插值數(shù)據(jù) 表1

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

式中，x(k)為第k個實際值，x(k)為第k個預(yù)測值。

根據(jù)式(1)，計算出各種灰色模型預(yù)測值的平均相對誤差，結(jié)果如表2所示。

各種灰色模型預(yù)測數(shù)據(jù)平均相對誤差 表2

從表2中可以看出:等維遞補模型的預(yù)測精度最好；基于背景值改正模型的預(yù)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(shù)遞補模型縮短灰區(qū)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(shù)遞補所補充新信息為預(yù)測值，是原模型預(yù)測出的灰數(shù)。等維新息GM(1，1)模型所補充新信息為后來的實測數(shù)據(jù)，是系統(tǒng)值。因此用等維新息來調(diào)整模型更有效；對一個系統(tǒng)來說，隨時間的推移，未來的一些擾動因素將不斷進入系統(tǒng)而對系統(tǒng)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(shù)據(jù)是不是符合預(yù)測模型發(fā)展的變化趨勢，即沒有考慮到新加入數(shù)據(jù)的波動性，在本實例中，由于新加入的16期數(shù)據(jù)比原模型預(yù)測的數(shù)據(jù)小很多，該數(shù)據(jù)的波動性比較大，故等維新息模型的預(yù)測精度反而比GM(1，1)模型預(yù)測精度低。

5 灰色神經(jīng)網(wǎng)絡(luò)組合模型預(yù)測

5.1 串聯(lián)灰色神經(jīng)網(wǎng)絡(luò)模型預(yù)測

網(wǎng)絡(luò)采用二層BP網(wǎng)絡(luò)，網(wǎng)絡(luò)訓(xùn)練算法采用Levenberg－Marquardt算法，輸入層采用4個神經(jīng)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(jīng)元，網(wǎng)絡(luò)的轉(zhuǎn)移函數(shù)采用兩個線性函數(shù)purelin，通過調(diào)試得到神經(jīng)網(wǎng)絡(luò)訓(xùn)練的結(jié)果，如表3所示。通過表3，可以發(fā)現(xiàn)串聯(lián)灰色神經(jīng)網(wǎng)絡(luò)的仿真殘差平均相對誤差和預(yù)測平均相對誤差分別只有1.447%和1.085%，模型精度優(yōu)于任意一種灰色模型。

串聯(lián)灰色神經(jīng)網(wǎng)絡(luò)模型精度指標 表3

5.2 改進的串聯(lián)灰色神經(jīng)網(wǎng)絡(luò)模型預(yù)測

同串聯(lián)灰色神經(jīng)網(wǎng)絡(luò)模型一樣，網(wǎng)絡(luò)采用二層BP網(wǎng)絡(luò)，網(wǎng)絡(luò)訓(xùn)練采用Levenberg－Marquardt算法，網(wǎng)絡(luò)的轉(zhuǎn)移函數(shù)采用兩個線性函數(shù)purelin，輸出層采用1個神經(jīng)元；但本預(yù)測模型輸入層采用5個神經(jīng)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(diào)試得到神經(jīng)網(wǎng)絡(luò)訓(xùn)練訓(xùn)練結(jié)果(見表4)。通過表4，可以發(fā)現(xiàn)改進的串聯(lián)神經(jīng)網(wǎng)絡(luò)第10期～15期對實測建模數(shù)據(jù)的仿真精度與串聯(lián)神經(jīng)網(wǎng)絡(luò)相當，但是改進的串聯(lián)神經(jīng)網(wǎng)絡(luò)的預(yù)測誤差比較大。

改進的串聯(lián)灰色神經(jīng)網(wǎng)絡(luò)模型的精度指標 表4

改進的串聯(lián)灰色神經(jīng)網(wǎng)絡(luò)模型既考慮到單項模型的非線性組合關(guān)系，又顧及到預(yù)測結(jié)果的影響因素，從理論上說改進的串聯(lián)灰色神經(jīng)網(wǎng)絡(luò)模型的預(yù)測精度應(yīng)比串聯(lián)灰色神經(jīng)網(wǎng)絡(luò)模型預(yù)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(lián)神經(jīng)預(yù)測模型在原串聯(lián)灰色神經(jīng)網(wǎng)絡(luò)模型基礎(chǔ)之上增加了降雨量因素。由于大量缺失降雨量實測數(shù)據(jù)，通過插值函數(shù)得到的降雨量數(shù)據(jù)與實測數(shù)據(jù)有較大的出入。改進的串聯(lián)神經(jīng)網(wǎng)絡(luò)模型是根據(jù)第10期～16期降雨量與位移關(guān)系來預(yù)測第17～第18期位移量，故改進的串聯(lián)神經(jīng)網(wǎng)絡(luò)模型不能提供預(yù)測精度，反而降低了預(yù)測精度。

6 結(jié) 語

本文較系統(tǒng)地研究了忠武輸氣管道沿線滑坡預(yù)測研究過程，著重研究了滑坡時間預(yù)測方法。通過對灰色GM(1，1)模型及其改進模型、BP神經(jīng)網(wǎng)絡(luò)模型的研究，綜合灰色模型和BP神經(jīng)網(wǎng)絡(luò)模型各自的優(yōu)點，進行了灰色神經(jīng)網(wǎng)絡(luò)組合預(yù)測模型研究，并在此基礎(chǔ)之上提出了一種改進的串聯(lián)灰色神經(jīng)網(wǎng)絡(luò)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(fā)現(xiàn):等維遞補模型對實測建模數(shù)據(jù)的擬合精度和預(yù)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(yù)測精度高，同時等維新息模型在加入實測數(shù)據(jù)進行預(yù)測時，若不考慮到新加入數(shù)據(jù)的波動性，將導(dǎo)致預(yù)測精度比較低，故在以后滑坡預(yù)測過程中，需綜合運用這些模型，進行優(yōu)勢互補。串聯(lián)灰色神經(jīng)網(wǎng)絡(luò)模型可以明顯提高預(yù)測精度，改進的串聯(lián)灰色神經(jīng)網(wǎng)絡(luò)模型理論上精度比較好，但是如果提供的降雨量數(shù)據(jù)不理想，該模型預(yù)測效果很難達到預(yù)期精度。

[1] 楊曉平，徐景田.工程監(jiān)測技術(shù)及應(yīng)用[M].北京:中國電力出版社，2008

[2] 黃聲享.變形監(jiān)測數(shù)據(jù)處理[M].武漢:武漢大學(xué)出版社，2003

[3] 鄧聚龍.灰理論基礎(chǔ)[M].武漢:華中科技大學(xué)出版社，2002

[4] 焦李成.神經(jīng)網(wǎng)絡(luò)理論[M].西安:西安電子科技大學(xué)出版社，1996

[5] 叢爽.面向MATLAB工具箱的神經(jīng)網(wǎng)絡(luò)理論與應(yīng)用[M].合肥:中國科學(xué)技術(shù)大學(xué)出版社，1998

[6] 武漢大學(xué)測繪學(xué)院測量平差學(xué)科組.誤差理論與測量平差基礎(chǔ)[M].武漢:武漢大學(xué)出版社，2003

[7] 王穗輝.變形數(shù)據(jù)處理、分析及預(yù)測方法若干問題研究[D].上海:同濟大學(xué)，2007，6

[8] 殷坤龍等.滑坡預(yù)測及相關(guān)模型[J].巖石力學(xué)與工程學(xué)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(tài)分析—大氣降雨對滑坡的影響[J].水文地質(zhì)工程地質(zhì)，1987(5):52～54

[11]黃聲享，尹暉，蔣征.變形監(jiān)測數(shù)據(jù)處理[M].武漢:武漢大學(xué)出版社，2002

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

[13]宴同珍.滑坡時間的預(yù)測預(yù)報[C].滑坡論文選集，成都:四川科學(xué)技術(shù)出版社，1989

[14]張友誼.不同降雨條件下峽口滑坡穩(wěn)定性研究[D].成都:西南交通大學(xué)，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。