针对经典智能算法用于滑坡位移预测时存在的网络结构参数选取复杂、易陷入局部极小等缺陷,提出了基于改进极限学习机ELM(Extreme Learning Machine)的滑坡位移预测模型。在滑坡变形位移状态辨识基础上,根据其位移变化特征,将滑坡位移曲线类型划分减速-匀速型、匀速-增速型、减速-匀速-增速型、复合型4类,将改进的ELM算法分别用于4种不同类型的滑坡位移预测。基于改进ELM算法构建滑坡位移预测模型时,采用二值区间搜索算法选定最佳隐含层神经元个数和激励函数,并融入数据滚动建模思想,以期提高网络泛化能力和预测精度。以链子崖、卧龙寺、古树屋、新滩滑坡体为例,对ELM预测的适用性进行讨论,实验结果表明,基于ELM构建不同类型滑坡位移预测模型时,具有较高的预测精度,且在网络学习速度等方面优势明显,适用于复杂状况下滑坡体的位移预测。

以典型滑坡位移-时间曲线为依据,利用现有的位移曲线拟合、相似地区滑坡位移曲线类比以及专业监测人员对加速阶段报警阀值调整的3种方法,建立边坡雷达滑坡监测预警机制。通过黑岱沟露天煤矿的应用实例分析,确定该监测预警机制是合理、可靠的。

基于递归神经网络与K折交叉验证的R-RTRL用于多步预测滑坡位移