金属矿山

作者：张研,叶玉龙王根伟荆浩然

单位：1.桂林理工大学土木工程学院,广西 桂林 541004;2.广西岩土力学与工程重点实验室,广西 桂林 541004; 3.广西自然资源职业技术学院自然资源工程系,广西 南宁 532100

关键词：滑坡位移,变分模态分解,深度学习,粒子群优化,灰色关联度,

基金：国家自然科学基金项目(编号:52068016);广西自然科学基金项目(编号:2020GXNSFAA159118);水利工程岩石力学广西高等学校高水平创新团队及卓越学者计划项目(编号:202006);广西岩土力学与工程重点实验室开放基金项目(编号:桂科能20-Y-XT-01)。

针对传统方法在预测滑坡位移时准确率不高、泛化性不足等问题,基于“分解—预测—重构”思想,提出了一种变分模态分解和深度学习相结合的滑坡位移预测模型。该模型通过灰色关联度分析确定滑坡位移的影响特征,采用粒子群优化算法(Particle Swarm Optimization,PSO)对变分模态分解(Variational Mode Decomposition,VMD)进行优化,将滑坡位移分解为具有不同物理意义的分量。针对分解后各分量的时序特点,分别采用多项式曲线拟合、长短时记忆网络(Long Short-Term Memory,LSTM)和时间卷积网络(Temporal Convolutional Networks,TCN)进行预测,最终将各分量预测值重构叠加,实现滑坡位移的精准预测。以三峡库区八字门滑坡数据为例,采用决定系数(R2)、平均绝对误差(MAE)、均方根误差(RMSE)等指标对模型进行量化评估。结果表明:所提出的滑坡位移预测模型精度达到98.6%,能够有效提取滑坡位移数据中隐含的信息特征,对滑坡位移获取具有一定的借鉴意义;在各分量预测中采用不同的模型时,预测效果存在显著差异,因此,针对各分量特征的不同,建立相应的预测模型能够有效提高滑坡位移预测精度;通过参数敏感性分析,得出模型的输入序列长度为12时精度最佳。所提模型预测精度良好,可以为滑坡防灾减灾工程的实际应用提供参考。

来源：2025年第11期

《金属矿山》期刊编辑部

查看金属矿山杂志2025年第11期