基于EEMD-HW-PSO-ELM耦合模型的排土场边坡位移预测模型
1.
2.
Displacement Prediction of Dump Slope Based on EEMD-HW-PSO-ELM Coupling Model
1.
2.
收稿日期: 2021-11-08 修回日期: 2022-04-03
基金资助: |
|
Received: 2021-11-08 Revised: 2022-04-03
关键词:
Keywords:
本文引用格式
康恩胜, 赵泽熙, 孟海东.
KANG Ensheng, ZHAO Zexi, MENG Haidong.
排土场滑坡地质灾害给矿山安全生产带来严重威胁。以边坡位移监测数据为基础,提高边坡位移预测精度,实现矿山排土场滑坡早期预测预警,对矿山灾害预防和安全管理至关重要(曹兰柱等,2017)。受边坡地质条件、生产状态等因素的影响,边坡位移呈现多维性、非线性和动态性等特点,传统的预测方法在实际生产中往往难以起到预期效果。随着模式识别与智能计算方法的发展,滑坡预警预测研究取得了一系列研究成果(郭子正等,2018;邓冬梅等,2017;朱赛楠等,2018;Zhu et al.,2017)。杜娟等(2009)选取移动平均法将边坡位移时间序列分解为趋势项和波动项,采用BP神经网络分别对分项进行预测,但存在数据样本时间短和分项拟合精度低的问题。韩永亮等(2015)将局域均值分解(LMD)、蝙蝠算法(BA)和极限学习机(ELM)相结合,进行露天矿边坡变形预测,但预测过程中未考虑形变与影响因素之间的非线性关系。李丽敏等(2020)将移动平均法(MA)和长短时记忆神经网络(LSTM)相结合,进行滑坡位移动态预测,弥补了滑坡位移预测模型对历史数据遗忘的不足。以往预测模型对非线性特点的边坡位移变化有一定的预测能力,但在应用于排土场边坡位移预测时,受模型网络结构的不合理、不稳定等因素以及监测数据特征挖掘不足的影响,预测效率和精度受到一定的限制(孙世国等,2017)。
近年来,极限学习机及相关算法已被证明能够较好地进行小样本和非线性特征的边坡位移预测。檀梦皎等(2019)将自适应白噪声的完备总体经验模态分解(CEEMDAN)和粒子群优化极限学习机(PSO-ELM)相结合,进行了滑坡位移预测,克服了ELM模型连接权值和偏差的随机性和不确定性,提高了预测的准确性和稳定性。谢博等(2020)根据北斗卫星监测位移数据,选用EEMD 方法进行了位移数据分解,选用PSO-ELM 分别进行了分解后的位移预测,叠加得到最终预测结果,验证了极限学习机在边坡时序位移预测中的稳定性和有效性。
相关研究表明,组合模型比单一预测模型具有更高的预测精度和稳定性(李润求等,2014;李骅锦等,2016)。经验模态分解(EMD)降噪方法,通过数据序列自身的特征时间尺度进行数据平稳化,无需预先设定基函数,挖掘数据的不同频率特征,能够有效提高预测精度(时培明等,2013)。然而,EMD在处理时间尺度变化较大的数据时容易陷入模态混叠(Huang et al.,1998),集成经验模态分解法(EEMD)在经验模态分解法(EMD)基础上加入白噪声取平均,能够有效抑制模态混叠现象效应(Duan et al.,2016)。集成经验模态分解法已被广泛应用于分析由多分量构成的时间序列,能够较好地分析数据样本从而达到分解目的(Yang et al.,2011)。针对边坡位移时间序列,将监测数据分解后,分别进行子序列的影响因素分析,并建立预测模型进行分项预测,将各分项预测结果等权叠加后作为最终预测值,能够有效提高预测精度(彭令等,2013;张凯翔等,2017)。
因此,本研究拟建立基于集成经验模态分解法(EEMD)、三次指数平滑法(HW)和粒子群优化极限学习机(PSO-ELM)的边坡位移耦合预测模型。以伊敏煤电公司排土场边坡位移数据为研究对象,采用EEMD法将预处理后的样本数据分解为趋势项和波动项位移,突出了不同频率位移数据的物理意义和数据特征;然后,选用三次指数平滑模型和PSO-ELM模型分别预测趋势项和波动项位移,并将结果叠加作为边坡累计位移预测值;结合原始监测数据,对比分析BP模型、ELman模型的预测结果,验证本文所建组合模型的有效性。
1 研究方法
1.1 集成经验模态分解法(EEMD)
(1)在原始时间序列
(2)对序列
(3)重复前两步,每次加入相同振幅的白噪声,得到
(4)将同阶
式中:
1.2 三次指数平滑法(HW)
指数平滑法是在移动平均法基础上发展而来的时间序列预测方法。该方法对中短期数据的敏感度优于长期数据,计算过程中不舍弃过去数据,而是通过逐步降低权重的方式调整不同数据对预测结果的影响(段功豪等,2016)。三次指数平滑法由一次指数平滑法和二次指数平滑法演变而来,可以对同时含有趋势和波动性的时序数据进行预测。对于平滑指数
预测周期n的计算公式为
1.3 粒子群优化极限学习机(PSO-ELM)
Huang et al.(2006)提出的极限学习机(ELM)是一种前馈神经网络算法,初始化过程随机确定输入权重
对于训练样本集
式中:
上式可简化为线性方程组
式中:
极限学习机模型权重和偏差的确定方式影响着运算精度,粒子群算法(Particle Swarm Optimiza-tion,PSO)与遗传算法类似,其搜索速度优于传统算法,能够适应非线性数据的寻优,稳健性好,因此选择粒子群算法优化极限学习机的权重和偏差(谢博等,2020)。
算法受鸟群随机觅食过程中,经自身经验和种群交流后调整搜寻路径,最终获得食物最多地点的启发。认为鸟的位置和路径为自变量,食物密度为函数值,搜寻过程综合自身历史最优点和种群粒子最优点调整搜寻方向与速度,并获得最优解。
在
式中:
1.4 EEMD-HW-PSO-ELM组合预测模型
将EEMD与HW、PSO-ELM算法相结合,建立排土场边坡位移的动态时序组合模型,预测流程如图1所示。
图1
图1
EEMD-HW-PSO-ELM组合模型预测流程
Fig.1
Prediction process based on the EEMD-HW-PSO-ELM combination model
(1)将位移监测时间序列进行EEMD分解,获得
(2)将分解得到的
(3)将预测数据等权求和,得到排土场边坡位移的时序预测结果。
1.5 模型精度判定
为验证模型的精度和有效性,本文采取平均相对误差(
2 工程实例
伊敏露天矿排土场的排弃物料为砂岩、砂质泥岩、泥岩、第四系层砂土以及电厂灰渣等混合物料。各种物料内摩擦角的均值为26°,凝聚力为0.01 MPa。当松散系数为1.15时,天然密度为1.65 t/m3。外排土场边坡角为18°时,表现为圆弧滑坡,安全系数为1.30;内排土场边坡为20°时,表现为圆弧直线滑坡,安全系数为1.37。
为保证排土场边坡安全,分别在东端帮、内排土场、西端帮、采场和光伏电站等设置了18个GPS监测点位,如图2所示。由于受现场条件限制,监测连续性不足,限制了监测数据在边坡位移变化中的应用,因此本文选取内排土场GPS09监测点作为研究对象,建立EEMD-HW-PSO-ELM组合模型进行训练和预测,将预测结果与BP模型、Elman模型等结果进行对比,验证模型在小样本非线性边坡位移变化数据预测中的有效性。
图2
2.1 监测序列分解
表1 排土场边坡监测数据
Table 1
监测周期 | 变形值/mm | 监测周期 | 变形值/mm |
---|---|---|---|
1 | 11.2 | 20 | 120.9 |
2 | 20.5 | 21 | 147.1 |
18 | 108.8 | 37 | 293.4 |
19 | 113.5 | 38 | 309.2 |
图3
图4
图4
排土场边坡位移EEMD分解结果
Fig.4
EEMD decomposition results of dump slope displacement
由监测数据分解结果来看,
表2 位移波动项数据
Table 2
监测周期 | 变形值/mm | 监测周期 | 变形值/mm |
---|---|---|---|
1 | -1.369963418 | 20 | -14.34116986 |
2 | 2.559812446 | 21 | 4.116794032 |
18 | -11.45177337 | 37 | 11.39798564 |
19 | -14.3411961 | 38 | 17.43340374 |
表3 位移趋势项数据
Table 3
监测周期 | 变形值/mm | 监测周期 | 变形值/mm |
---|---|---|---|
1 | 12.81344111 | 20 | 135.2624154 |
2 | 18.16840321 | 21 | 142.9195574 |
18 | 120.3123143 | 37 | 281.9660058 |
19 | 127.7266764 | 38 | 291.6910052 |
2.2 EEMD-HW-PSO-ELM边坡位移预测模型
为验证模型的有效性,将EEMD分解后的位移时序数据划分为2组,分别作为训练样本和检验样本。选取监测数据的前32个位移数据作为训练样本,后6个位移数据作为检验样本。
选择三次指数平滑模型进行位移趋势项训练和预测,其中三次指数平滑指数的平滑参数
图5
图5
基于EEMD-HW模型的趋势项位移预测
Fig.5
Trend term displacement prediction based on EEMD-HW model
图6
图6
基于EEMD-PSO-ELM模型的波动项位移预测
Fig.6
Fluctuation term displacement prediction based on EEMD-PSO-ELM model
表4 不同算法的排土场边坡预测精度
Table 4
模型类型 | MAE/% | RMSE |
---|---|---|
BP模型 | 3.96 | 12.16 |
Elman模型 | 7.67 | 24.99 |
EEMD-HW-PSO-ELM模型 | 0.38 | 1.15 |
图7
图7
基于EEMD-HW-PSO-ELM模型的排土场边坡位移预测
Fig.7
Displacement prediction of dump slope based on EEMD-HW-PSO-ELM model
3 结论
针对排土场边坡位移时序监测数据的非平稳、非线性和小样本特性,将EEMD模型和三次指数平滑、粒子群优化极限学习机模型相结合,建立了基于EEMD-HW-PSO-ELM的组合预测模型,结合伊敏煤电排土场边坡监测数据进行了方案验证,得到以下结论:
(1)选择EEMD模型将排土场边坡位移时间序列进行分解,避免了EMD分解过程的模态混叠和端点效应。边坡位移监测时序分解为4个IMF分量和1个余量,将分解的监测数据重构,分别代表排土场边坡位移趋势项和波动项,能够体现排土场位移监测值的物理含义。
(2)组合模型分别选择三次指数平滑模型和PSO-ELM模型对趋势项和波动项进行预测,将分项预测结果等权叠加作为最终预测值,选择平均相对误差和均方根误差验证模型预测精度,结果表明EEMD-HW-PSO-ELM组合模型精度高于其他单一模型,能够为边坡位移预测相关工作提供借鉴。
(3)EEMD-HW-PSO-ELM模型计算过程中存在未考虑地震、人工作业等偶发因素对数据突变的影响,下一步将结合监测数据,研究多因素影响下的位移变化趋势。
http://www.goldsci.ac.cn/article/2022/1005-2518/1005-2518-2022-30-4-594.shtml
参考文献
Research on theory and method of landslide early warning in open-pit mine
[J].
Displacement prediction method based on ensemble empirical mode decomposition and support vector machine regression—A case of landslides in Three Gorges Reservoir area
[J].
Study of displacement prediction model of landslide based on response analysis of inducing factors
[J].
Rainfall induced landslide prediction based on dynamic exponential smoothing model
[J].
A hybrid EMD-SVR model for the short-term prediction of significant wave height
[J].
Landslide displacement prediction based on surface monitoring data and nonlinear time series combination model
[J] .
Research on LMD-BA-ELM-based model for nonlinear prediction of slope deformation time-series
[J].
Extreme learning machine:Theory and applications
[J] .
The empirical mode decomposition and the Hilbert spectrum for nonlinear and non-stationary time series analysis
[J].
Chaotic time series prediction based on ELM learning algorithm
[J].
Predictive model of landslide displacement by wavelet analysis and multiple extreme learning machines
[J].
Dynamic prediction of landslide displacement based on long short time memory and multiple influencing factors
[J].
Research on coal mining workface gas emission prediction method based on EMD-Elman and its application
[J].
Ensemble of extreme learning machine for landslide displacement prediction based on time series analysis
[J].
Time series analysis and support vector machine for landslide displacement prediction
[J].
An improved method of EMD and its applications in rotating machinery fault diagnosis
[J].
Displacement prediction based on optimized gray model of dump slope of Zijinshan
[J].
Landslide displacement prediction based on CEEMDAN method and Particle Swarm Optimized-Extreme Learning Machine model
[J].
Slope displacement prediction method based on EEMD-PSO-ELM model
[J].
Decomposing the association of completed suicide with air pollution,weather and unemployment data at different time scales
[J].
Efficient non-consecutive feature tracking for robust structure from motion
J].
Landslide displacement prediction based on wavelet transform and external response
[J].
Evolution characteristics of weak intercalation in massive layered rockslides-A case study of Jiweishan rockslide in Wulong,Chong-qing
[J].
A hybrid machine learning and computing model for forecasting displacement of multifactor-induced landslides
[J].
露天矿滑坡预警理论与方法研究
[J].
基于集合经验模态分解与支持向量机回归的位移预测方法:以三峡库区滑坡为例
[J].
基于诱发因素响应分析的滑坡位移预测模型研究
[J].
基于动态指数平滑模型的降雨诱发型滑坡预测
[J].
基于地表监测数据和非线性时间序列组合模型的滑坡位移预测
[J].
基于LMD-BA-ELM的边坡变形时序非线性预测模型研究
[J].
基于 ELM 学习算法的混沌时间序列预测
[J].
WA联合ELM与OS-ELM的滑坡位移预测模型
[J].
基于长短时记忆与多影响因子的滑坡位移动态预测
[J].
采煤工作面瓦斯涌出预测的EMD-Elman方法及应用
[J].
时间序列分析与支持向量机的滑坡位移预测
[J].
一种EMD改进方法及其在旋转机械故障诊断中的应用
[J].
基于优化灰色模型的紫金山排土场边坡位移预测研究
[J].
基于CEEMDAN理论和PSO-ELM模型的滑坡位移预测
[J].
边坡位移的EEMD-PSO-ELM模型预测方法
[J].
基于小波变换及外因响应的滑坡位移预测
[J].
大型层状基岩滑坡软弱夹层演化特征研究——以重庆武隆鸡尾山滑坡为例
[J].
/
〈 |
|
〉 |
