基于自适应OVMD-SSA-GRU混合框架的公路软岩边坡变形预测研究

《Applied Sciences》:An Adaptive OVMD-SSA-GRU Hybrid Framework for Highway Soft Rock Slope Deformation Prediction

【字体: 大 中 小 】 时间:2026年09月21日 来源:Applied Sciences 2.5

编辑推荐:

  公路软岩边坡变形监测所产生的时间序列具有非线性、非平稳和多尺度特征,且受降雨和现场噪声的显著影响。本研究提出了一种自适应混合框架,融合了最优变分模态分解(OVMD)、麻雀搜索算法(SSA)与门控循环单元(GRU)网络。研究人员利用2022年底至2023年初为期

  
公路软岩边坡变形监测所产生的时间序列具有非线性、非平稳和多尺度特征,且受降雨和现场噪声的显著影响。本研究提出了一种自适应混合框架,融合了最优变分模态分解(OVMD)、麻雀搜索算法(SSA)与门控循环单元(GRU)网络。研究人员利用2022年底至2023年初为期120天的K55监测工程中每小时采集的高精度北斗全球导航卫星系统(GNSS)观测数据,采用累积和(CUSUM)变点检测器与三次样条重构进行数据清洗,同时将通过渗流与边坡稳定性分析获得的降雨相关水-力变量作为外部输入。为防止盲测阶段的信息泄漏,在每个提前一天的预测起始点,仅使用截至该起始点的观测数据因果地重新计算OVMD;随后,OVMD将变形信号分解为具有物理解释的趋势、周期和高频分量,SSA自适应优化各分量对应的GRU超参数,以实现并行预测与重构。在K55强风化页岩边坡上,经5次独立运行,所提模型取得了平均均方根误差(RMSE)为0.04±0.01 mm、平均平均绝对百分比误差(MAPE)为0.18±0.05%的性能,优于接受同等基于验证集超参数搜索的标准GRU、长短期记忆网络(LSTM)和反向传播神经网络(BPNN)基线。在地质条件不同的K14泥灰岩边坡上进行的跨场景评估中,研究人员使用其自身记录独立重新训练,获得了平均RMSE为0.14±0.02 mm、平均MAPE为0.42±0.08%的结果。结果表明,所提出的框架在提高预测精度的同时保持了有用的跨场景鲁棒性,为降雨敏感型公路边坡的智能监测与早期预警提供了支撑。
**论文解读:自适应OVMD-SSA-GRU混合框架在公路软岩边坡变形预测中的应用**

**1. 研究背景与问题**

随着交通基础设施的快速发展,复杂地质环境下的公路边坡稳定性日益成为重要的安全问题。软岩路堑边坡在地质构造、降雨入渗、开挖扰动、冻融循环和长期环境荷载的耦合作用下,易发生渐进式变形,进而引发蠕变、渐进滑动甚至失稳,威胁公路运营和周边设施。准确的边坡变形预测是智能监测与早期预警系统的关键组成部分。传统方法包括确定性数值方法、灰色系统模型、经验/统计模型和非线性时间序列方法。然而,确定性模型高度依赖难以获取的岩土参数,统计模型对噪声敏感且难以处理强非线性和非平稳的变形序列。近年来,机器学习与深度学习方法为边坡变形预测提供了新途径,其中长短期记忆网络(LSTM)和门控循环单元(GRU)等门控循环架构能够捕捉监测序列中的长程时间依赖,但模型性能仍受输入质量、噪声污染和超参数选择的显著影响。尽管已有研究将信号分解与数据驱动模型结合,但多数仅在实验室试样或单一场地验证,未同时解决自适应模态数选择、群体智能分量级调参以及跨地质类型在公路软岩边坡上的重新应用问题。直接对原始GNSS变形序列进行预测仍面临挑战,因为监测信号具有非线性、非平稳、多尺度特征,并受多径效应、大气延迟、施工振动和传感器噪声等高频干扰污染,这些特征会掩盖长期变形趋势并导致过拟合或预测滞后。

**2. 研究内容与结论**

针对上述问题,研究人员提出了一种自适应的OVMD-SSA-GRU(OSG)混合框架,用于公路软岩边坡变形预测。具体目标包括:构建基于物理信息且抗噪的输入管线;利用自适应确定的VMD将非平稳变形序列分解为趋势、周期和随机分量;采用SSA代替试错法对各分量GRU预测器进行调参;并在两个地质条件不同的边坡上验证提前一天的预测性能。研究依托K55强风化页岩边坡和K14泥灰岩边坡开展。K55边坡监测期为120天(2022年底至2023年初),数据按时间顺序划分:前72天训练,第73–90天验证,第91–120天作为独立盲测。K14边坡提供90天独立记录,按60/15/25%划分。所有预处理和参数选择均遵循严格的因果(滚动起始点)时间验证策略,避免信息泄漏。研究结果表明,OSG模型在K55边坡上五次独立运行的平均RMSE为0.04±0.01 mm,MAPE为0.18±0.05%,相比标准GRU基线,平均RMSE降低了89.5%。在K14泥灰岩边坡上独立重训后,平均RMSE为0.14±0.02 mm,MAPE为0.42±0.08%,绝对MAPE增幅仅为0.24个百分点,明显小于传统BPNN的3.63个百分点。OSG模型在异构地质条件下表现出良好的跨场景鲁棒性,支持降雨敏感型公路边坡的智能监测与早期预警。

**3. 主要关键技术方法**

研究人员采用了以下关键技术方法:利用CUSUM变点检测器和三次样条重构对小时级北斗GNSS累积位移序列进行异常清洗与插值,并聚合为日尺度;通过GeoStudio的SEEP/W和SLOPE/W模块进行渗流与稳定性数值模拟,建立水-力输入特征库,包括前期累积位移、前期变形速率、当日降雨量、3日前期累积降雨量和3日累积变形增量;采用基于相邻模态中心频率演化的自适应准则确定VMD的最优模态数,将变形信号分解为趋势、周期和高频随机分量;利用麻雀搜索算法(SSA)以验证集RMSE为适应度对各分量GRU的隐藏单元数和学习率进行全局优化;采用因果滚动起始点方式在每个预测日重新计算分解与参数,保证盲测真实性。

**4. 研究结果**

**4.1 时频分解特征分析**

多维水-力特征库和原始累积位移序列经OVMD分解后,得到三个具有明确物理意义的IMF分量。IMF1为低频趋势分量,中心频率约0.01 cycles/day,反映软岩在自重和深部地应力场下的不可逆长期线性蠕变趋势;IMF2为中频周期分量,中心频率约0.14 cycles/day,对应约7天主导周期,与研究区强降雨事件典型持续时间一致,且其振幅与3日前期累积降雨量呈正相关(Spearman ρ=0.71, p<0.01),支持其作为周期渗流响应的物理解释;IMF3为高频随机分量,中心频率约0.8 cycles/day,捕捉现场爆破引起的弹性扰动和传感器随机测量噪声。通过OVMD预处理隔离高频噪声,可防止随机噪声对主趋势预测的严重干扰。

**4.2 子序列预测与整体重构基准比较**

并行预测架构对每个IMF子序列独立进行SSA-GRU预测。盲测结果表明,IMF1趋势分量精度最高(RMSE=0.02 mm,MAE=0.01 mm,R2=0.998);降雨驱动的IMF2分量RMSE为0.06 mm,MAE为0.04 mm,波形跟踪保真度高;即使高度随机的IMF3分量预测误差仍受控(RMSE=0.11 mm,MAE=0.09 mm,R2=0.764)。将各分量预测线性叠加重构总累积位移后,与标准BPNN、LSTM、GRU及OSG架构进行定量比较。每种模型独立运行五次,OSG在所有五次运行中均取得最佳平均RMSE。OSG模型盲测平均RMSE为0.04 mm,MAPE为0.18%。相比标准GRU基线,OSG将平均RMSE降低89.5%(从0.38 mm降至0.04 mm)。95%置信区间显示OSG的RMSE区间为[0.028, 0.052] mm,与GRU[0.343, 0.417] mm、LSTM[0.410, 0.510] mm和BPNN[1.296, 1.544] mm均无重叠,表明改进具有统计显著性。

**5. 讨论与结论**

跨场景评估显示,OSG在K14泥灰岩边坡上取得平均MAPE 0.42%、平均RMSE 0.14 mm。泥灰岩细粒致密、低孔隙率结构导致其水文敏感性和入渗响应较K55强风化页岩更慢,变形序列更平滑。所有基线模型在上升段均出现一到两天的明显滞后和系统性低估,而OSG重构能在绘图线宽内跟随降雨驱动的拐点。盲测窗口的平均符号误差OSG为?0.03 mm(基本无偏),GRU为?0.18 mm,LSTM为?0.27 mm,BPNN为?0.41 mm,表明分解-重构步骤不仅去除了噪声,还消除了单网络在致密泥灰岩信号上的系统性滞后。OSG单步计算时间为18.4 s,略高于GRU(12.2 s)、LSTM(15.6 s)和BPNN(4.1 s),但仍与日监测间隔兼容。研究也指出实际局限性:冬季到早春转换期存在冻融循环引起的局部预测偏差;传感器中断或多径污染会降低CUSUM样条重构质量;120天记录仅覆盖一个干湿季循环,极端降水事件需重新训练;新边坡部署需约2–3个月连续观测窗口,无法零样本泛化。未来工作将引入热物理变量(如地温、冻深、冻融频率)并集成注意力机制或Transformer骨干以增强长期依赖性建模。结论可概括为:(1)基于北斗自动GNSS监测建立了高密度连续感知体系,异常变点剔除与三次样条重构有效清洗了原始信号离群值并恢复了数据连续性,结合渗流数值模拟的降雨动力学为输入特征空间提供了坚实的岩土力学基础。(2)OSG自适应混合模型克服了单一网络和手动调参的局限,通过OVMD因果解耦变形信号,SSA优化分量级GRU参数,在五次独立运行中实现平均RMSE 0.04 mm和MAPE 0.18%,相比等效调参的标准GRU平均RMSE降低89.5%。(3)K14泥灰岩边坡独立重训评估获得平均MAPE 0.42%,绝对增幅仅0.24个百分点,单步计算时间18.4 s支持与自动化公路边坡监测和预警平台集成,但需考虑第5.2节讨论的实际限制和标定要求。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号