Study on Displacement Prediction of Completely Weathered Slope Based on Set Pair Analysis and Combination Theory
-
摘要: 风化花岗岩边坡位移受多种不确定因素影响,其预测是一个复杂的不确定性问题。以平益高速某风化花岗岩边坡为研究对象,先利用少量位移监测数据建立五种单项预测模型,然后基于集对关系准则定量分析各单项模型预测值与实测值间的集对关系,并通过联系数确定组合权重系数,最终建立了关于边坡位移的组合预测模型,并将预测数据与实测数据进行了对比验证。研究表明,利用集对分析组合理论建立的模型实现了预测信息的优化组合,相对单项模型,组合模型的预测相对误差最大不超过20%,绝对误差平方SSE、标准误差SE等指标偏小,可为边坡动态施工管理提供更加可靠的依据。拓宽了集对分析组合理论的应用范围,也为解决其他类似工程的位移预测问题提供了思路。Abstract: The displacement of weathered granite slope is affected by many uncertain factors, resulting in complicated uncertain problem for its prediction. A weathered granite slope in Ping-Yi Expressway was taken as the study object. Based on a small number of monitoring data, five single prediction models were established. Then, the set pair relationship between each single model predicted value and the measured value was quantitatively analyzed based on the set pair relation criterion, and the combination weight coefficient was determined by the relation number.Finally,the combined prediction model of slope displacement was established, and the predicted value was compared with the measured value. The study shows that the optimal combination of prediction information is realized by using the set pair analysis and combination theory. Compared with the single model, the maximum relative error of the combined model is less than 20%, and the absolute error square SSE, standard error SSE as well as other indicators are small, which can provide a more reliable basis for dynamic slope construction management. The application scope of the set pair analysis and combination theory is expanded, and ideas for solving displacement prediction problems of other similar projects are provided.
-
Key words:
- slope /
- displacement monitoring /
- set pair analysis /
- combined weight coefficient /
- relative errors
-
表 1 监测点的位移数据
观测天数 7号桩WY05/mm 11号桩WY07/mm 1 0.56 0.33 2 0.82 0.51 3 0.89 0.66 4 1.59 1.10 5 2.26 1.56 6 2.41 1.96 7 2.80 2.43 8 3.42 2.91 9 3.75 3.19 10 3.94 3.43 11 4.47 3.70 12 5.16 3.94 13 5.45 4.15 14 5.91 4.31 15 6.16 4.43 16 6.18 4.55 17 6.20 4.57 18 6.27 4.62 19 6.26 表 2 单项预测模型在监测点WY05的位移预测结果
mm 天数 实测值 双曲线模型 指数模型 泊松模型 GM(1,1)模型 BP神经网络 1 0.56 0.28 0.17 0.70 0.68 0.64 2 0.82 0.93 0.72 0.91 1.04 0.88 3 0.89 1.44 1.23 1.17 1.40 1.25 4 1.59 1.93 1.72 1.50 1.76 1.63 5 2.26 2.39 2.19 1.88 2.12 2.04 6 2.41 2.83 2.63 2.32 2.48 2.49 7 2.80 3.24 3.05 2.79 2.84 2.95 8 3.42 3.69 3.45 3.29 3.20 3.41 9 3.75 4.09 3.83 3.79 3.56 3.88 10 3.94 4.47 4.19 4.28 3.92 4.33 11 4.47 4.82 4.54 4.72 4.28 4.77 12 5.16 5.18 4.86 5.10 4.64 5.17 13 5.45 5.46 5.17 5.44 5.00 5.53 14 5.91 5.75 5.47 5.71 5.36 5.85 15 6.16 6.04 5.75 5.93 5.72 6.10 16 6.18 6.32 6.01 6.10 6.08 6.29 17 6.20 6.58 6.27 6.23 6.44 6.40 18 6.27 6.83 6.51 6.34 6.80 6.42 19 6.26 6.98 6.74 6.41 7.16 6.34 表 3 单项预测模型在监测点WY07的位移预测结果
mm 天数 实测值 双曲线模型 指数模型 泊松模型 GM(1,1)模型 BP神经网络 1 0.33 –0.03 –0.04 0.42 0.53 0.20 2 0.51 0.59 0.47 0.59 0.81 0.60 3 0.66 1.05 0.93 0.82 1.09 0.96 4 1.10 1.47 1.36 1.12 1.37 1.43 5 1.56 1.86 1.76 1.48 1.65 1.81 6 1.96 2.22 2.12 1.89 1.93 2.09 7 2.43 2.55 2.46 2.34 2.21 2.16 8 2.91 2.86 2.78 2.78 2.49 2.73 9 3.19 3.24 3.06 3.18 2.77 3.08 10 3.43 3.50 3.33 3.54 3.05 3.40 11 3.70 3.65 3.58 3.82 3.33 3.70 12 3.94 3.88 3.81 4.04 3.61 3.97 13 4.15 4.10 4.02 4.21 3.89 4.19 14 4.31 4.30 4.21 4.33 4.17 4.37 15 4.43 4.49 4.39 4.42 4.45 4.50 16 4.55 4.70 4.56 4.48 4.73 4.58 17 4.57 4.94 4.71 4.52 5.01 4.59 18 4.62 5.00 4.85 4.54 5.29 4.53 表 4 组合权重系数
双曲线模型 指数模型 泊松模型 GM(1,1)模型 BP神经网络 0.189 0.189 0.239 0.132 0.251 表 5 预测效果对比
预测模型 绝对误差
平方和SSE标准误差
SE相对误差
平方和SSPE相对标准
误差SPE双曲线模型 43.21 1.08 0.07 0.04 指数模型 39.55 1.03 0.07 0.04 泊松模型 121.81 1.81 0.47 0.11 GM(1,1)模型 130.47 1.88 1.71 0.21 BP神经网络模型 51.27 1.21 0.37 0.09 组合预测模型 33.30 0.95 0.17 0.07 -
[1] 钟卫平. 某高速公路顺层岩质边坡失稳机理分析及加固措施研究[J]. 公路工程,2020,45(6):250-254. doi: 10.19782/j.cnki.1674-0610.2020.06.040 [2] 冯开帅,姜谙男,吴洪涛. 顺层非贯通节理边坡稳定性及破坏模式研究[J]. 公路工程,2020,45(6):52-58. doi: 10.19782/j.cnki.1674-0610.2020.06.009 [3] 肖衡林,李丽华,郭小川,等. 山区高填方路堤沉降预测方法[J]. 应用基础与工程科学学报,2015,(1):154-161. doi: 10.16058/j.issn.1005-0930.2015.01.014 [4] 史笑凡,杨春风. 基于支持向量机的边坡垂直位移方向率预测及边坡稳定性研究[J]. 河北工业大学学报,2021,50(1):92-98. doi: 10.14081/j.cnki.hgdxb.2021.01.013 [5] 燕彦君,程爱平,李 健. 基于监测数据的铁路高边坡力学参数反演及长期稳定性预测[J]. 铁道科学与工程学报,2021,17(10):2516-2525. doi: 10.19713/j.cnki.43-1423/u.T20191090 [6] 谭衢霖,魏 健,胡吉平. 基于小波神经网络的建筑工程沉降变形预测[J]. 应用基础与工程科学学报,2015,(3):629-636. doi: 10.16058/j.issn.1005-0930.2015.03.021 [7] 熊 起,刘小生. 基于GA-ACO-SVM组合模型边坡位移预测研究[J]. 矿山测量,2019,47(3):6-9. doi: 10.3969/j.issn.1001-358X.2019.03.002 [8] 冷伍明,杨 奇,聂如松,等. 高速铁路桥梁桩基工后沉降组合预测研究[J]. 岩土力学,2011,32(11):3341-3348. doi: 10.3969/j.issn.1000-7598.2011.11.023 [9] 刘园春. 边坡变形的灰色–时间序列组合预测模型[J]. 工程技术研究,2017,4(1):10-12. doi: 10.3969/j.issn.1671-3818.2017.01.006 [10] 赵克勤. 集对分析及其初步应用[M]. 杭州: 浙江科学技术出版社, 2000. [11] 汪明武, 金菊良, 周玉良. 集对分析耦合方法与应用[M]. 北京: 科学出版社, 2014. [12] 刘鹏鹏. 基于灰色组合模型的高速铁路边坡位移预测及应用研究[D]. 兰州: 兰州交通大学, 2020.