王小攀，张军，丁慧君

(1.中国地质大学信息工程学院，湖北武汉 430074； 2.内蒙古测绘院，内蒙古呼和浩特 010010)

忠武输气管道沿线滑坡预测方法研究

王小攀1∗，张军1，丁慧君2

(1.中国地质大学信息工程学院，湖北武汉 430074； 2.内蒙古测绘院，内蒙古呼和浩特 010010)

基于忠武管道沿线滑坡不具有成面、成片分布的特点及其管道沿线滑坡监测方案，系统地分析了忠武输气管道沿线滑坡预测过程，根据灰色GM(1，1)模型具有对数据量需求少、对时间有关的序列有很好的预测效果等优点，重点研究了灰色GM(1，1)模型及其改进模型，并对各种改进的灰色模型预测结果进行比较分析；同时顾及BP神经网络的各种优点，本文还较深刻地研究了灰色神经网络组合预测模型，在此之上提出了一种改进的串联灰色神经网络模型，通过实例分析对该模型在忠武管道沿线滑坡预测方法进行了探讨。

滑坡预测；GM(1，1)及改进模型；BP神经网络；组合预测模型；改进的串联灰色神经网络模型

1 引 言

忠县—武汉输气管道工程是国家“西气东输”系统工程的重要组成部分。忠武输气管道呈狭长线状分布，沿线滑坡工程地质条件各异，地质灾害点的空间分布具有很大的随机性，滑坡不具有成面、成片分布等特点；按照忠武输气管道滑坡地质灾害防治要求，管道沿线滑坡的监测期限设为2年，采用GPS定位技术进行静态周期观测，周期一个月，主要监测内容为位移－时间变化量，所以详细描述滑坡运动规律的数据比较少且单一。

忠武输气管道沿线地质灾害主要监测内容为滑坡位移量，其主要影响因素为降雨量。如果考虑影响滑坡时间－位移量一个主要因素降雨量，采用改进的串联灰色神经组合模型进行预测，从理论上来说，精度应该比串联灰色神经网络模型高；该模型原理为将灰色模型的预测结果和降雨量作为神经网络的输入，通过灰色模型的预测误差在神经网络训练过程中权值的修正以及影响因素对滑坡位移量的非线性作用，实现预测值与观察值的最佳拟合。

2 实例概述

本文实例选在忠县—武汉输气管道黄草坡古泥石流滑坡段。黄草坡古泥石流滑坡位于恩施龙凤坝镇，沟口在黄草坡小学一带，管道里程为K158＋178～K158＋930 m。发育地层为志留系页岩、泥质砂岩，沟源头分水岭处有泥盆系石英砂岩，源头地段发育较厚的崩坡积层。在黄草坡一带的沟口，见块石土堆积，块石大者50 cm以上，呈次圆到棱角状，块石成分为石英砂岩，为泥基结构，土石比约1∶1。堆积厚度估计1 m～5 m。石英砂岩块石母体来自泥盆系，距源区2 km以上。

采用GPS定位技术对黄草坡古泥石流堆积体进行大地变形监测，监测内容为地表位移、高程监测。设置2条监测剖面，共布置监测点6个，监测设计如图1；另在稳定地带设置3个监测基准点。考虑到影响滑坡的主要因素为降雨量，采用雨量测量仪采集滑坡每天的降雨量。

图1 黄草坡古泥石滑坡监测点点位分布图

3 数据的选择和预处理

黄草坡滑坡总共有6个监测点，其中5号监测点累计位移量最大，只要该点累计位移量在允许变化范围之内，则可认为滑坡对管道的推力是安全的，故选择5号监测点进行预测分析。监测的位移量有X、Y和Z，其中X为正北方向；由于管道的走向大致为东西走向，垂直于管道走向的滑坡推力对管道影响最大，故选择X方向累计位移进行研究。考虑到雨量监测仪是从2008年7月15日才开始安装运行，同时第19期及后面几期为施工期，故选择第9期～第18期数据进行模型预测分析。

采用GPS定位技术得到的原始数据为两期X位移变化量(如表1)，由于X位移变化量的监测时间间隔不均等，故先采用插值函数对X位移变化量进行插值，生成等间隔数据，然后生成累计位移量；同时由于停电及雨量监测器仪器故障，导致缺失约70天降雨量数据，本文采用拉格朗日函数进行插值，结果如表1所示。

监测原始数据及等间隔插值数据 表1

4 GM(1，1)及改进模型预测

考虑到篇幅的原因，在此省略逐一对GM(1，1)及改进模型预测结果的分析，仅对各模型预测结果进行精度比较。GM(1，1)模型和基于背景改正模型的预测结果为第16期至18期，等维新息模型和等维递补模型的预测结果为第17期和第18期，为了比较各种灰色模型预测精度，这里用平均相对误差△k来衡量模型预测精度的高低:

式中，x(k)为第k个实际值，x(k)为第k个预测值。

根据式(1)，计算出各种灰色模型预测值的平均相对误差，结果如表2所示。

各种灰色模型预测数据平均相对误差 表2

从表2中可以看出:等维递补模型的预测精度最好；基于背景值改正模型的预测精度与GM(1，1)模型相当，背景值改正效果不明显；一般来说，等维灰数递补模型缩短灰区间，起到约束灰平面大小的作用，相对提高灰平面的白色度，但等维灰数递补所补充新信息为预测值，是原模型预测出的灰数。等维新息GM(1，1)模型所补充新信息为后来的实测数据，是系统值。因此用等维新息来调整模型更有效；对一个系统来说，随时间的推移，未来的一些扰动因素将不断进入系统而对系统施加影响，因此用实测值补充模型对模型的修正幅度更大，模型修正后精度在理论上更高，但是等维新息模型没有考虑到新加入数据是不是符合预测模型发展的变化趋势，即没有考虑到新加入数据的波动性，在本实例中，由于新加入的16期数据比原模型预测的数据小很多，该数据的波动性比较大，故等维新息模型的预测精度反而比GM(1，1)模型预测精度低。

5 灰色神经网络组合模型预测

5.1 串联灰色神经网络模型预测

网络采用二层BP网络，网络训练算法采用Levenberg－Marquardt算法，输入层采用4个神经元，分别为: GM(1，1)模型、等维新息模型、等维递补模型和基于背景值改正模型的第10期～第15期模拟值；输出层采用1个神经元，网络的转移函数采用两个线性函数purelin，通过调试得到神经网络训练的结果，如表3所示。通过表3，可以发现串联灰色神经网络的仿真残差平均相对误差和预测平均相对误差分别只有1.447%和1.085%，模型精度优于任意一种灰色模型。

串联灰色神经网络模型精度指标 表3

5.2 改进的串联灰色神经网络模型预测

同串联灰色神经网络模型一样，网络采用二层BP网络，网络训练采用Levenberg－Marquardt算法，网络的转移函数采用两个线性函数purelin，输出层采用1个神经元；但本预测模型输入层采用5个神经元，分别为:GM(1，1)模型、等维新息模型、等维递补模型和基于背景值改正模型的第10期～第15期模拟值以及第10期～15期累计降雨量。通过调试得到神经网络训练训练结果(见表4)。通过表4，可以发现改进的串联神经网络第10期～15期对实测建模数据的仿真精度与串联神经网络相当，但是改进的串联神经网络的预测误差比较大。

改进的串联灰色神经网络模型的精度指标 表4

改进的串联灰色神经网络模型既考虑到单项模型的非线性组合关系，又顾及到预测结果的影响因素，从理论上说改进的串联灰色神经网络模型的预测精度应比串联灰色神经网络模型预测精度高。

在本实例中，影响忠武输气管道沿线滑坡累计位移量的主要因素为降雨量，所以改进的串联神经预测模型在原串联灰色神经网络模型基础之上增加了降雨量因素。由于大量缺失降雨量实测数据，通过插值函数得到的降雨量数据与实测数据有较大的出入。改进的串联神经网络模型是根据第10期～16期降雨量与位移关系来预测第17～第18期位移量，故改进的串联神经网络模型不能提供预测精度，反而降低了预测精度。

6 结 语

本文较系统地研究了忠武输气管道沿线滑坡预测研究过程，着重研究了滑坡时间预测方法。通过对灰色GM(1，1)模型及其改进模型、BP神经网络模型的研究，综合灰色模型和BP神经网络模型各自的优点，进行了灰色神经网络组合预测模型研究，并在此基础之上提出了一种改进的串联灰色神经网络模型，并对该模型进行了探讨。

针对黄草坡古泥石流滑坡个例发现:等维递补模型对实测建模数据的拟合精度和预测精度都是最高的，改进的灰色模型不一定比原GM(1，1)模型预测精度高，同时等维新息模型在加入实测数据进行预测时，若不考虑到新加入数据的波动性，将导致预测精度比较低，故在以后滑坡预测过程中，需综合运用这些模型，进行优势互补。串联灰色神经网络模型可以明显提高预测精度，改进的串联灰色神经网络模型理论上精度比较好，但是如果提供的降雨量数据不理想，该模型预测效果很难达到预期精度。

[1] 杨晓平，徐景田.工程监测技术及应用[M].北京:中国电力出版社，2008

[2] 黄声享.变形监测数据处理[M].武汉:武汉大学出版社，2003

[3] 邓聚龙.灰理论基础[M].武汉:华中科技大学出版社，2002

[4] 焦李成.神经网络理论[M].西安:西安电子科技大学出版社，1996

[5] 丛爽.面向MATLAB工具箱的神经网络理论与应用[M].合肥:中国科学技术大学出版社，1998

[6] 武汉大学测绘学院测量平差学科组.误差理论与测量平差基础[M].武汉:武汉大学出版社，2003

[7] 王穗辉.变形数据处理、分析及预测方法若干问题研究[D].上海:同济大学，2007，6

[8] 殷坤龙等.滑坡预测及相关模型[J].岩石力学与工程学报，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]殷坤龙.滑坡位移的动态分析—大气降雨对滑坡的影响[J].水文地质工程地质，1987(5):52～54

[11]黄声享，尹晖，蒋征.变形监测数据处理[M].武汉:武汉大学出版社，2002

[12]林孝松.滑坡与降雨研究[J].地质灾害与画家保护，2001，12(3):1～7

[13]宴同珍.滑坡时间的预测预报[C].滑坡论文选集，成都:四川科学技术出版社，1989

[14]张友谊.不同降雨条件下峡口滑坡稳定性研究[D].成都:西南交通大学，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，本科在读，研究方向:大地测量与工程。