学术报告

作者与机构

该研究论文的第一作者为石化波，其主要负责单位是“中煤湖北地质勘察基础工程有限公司，武汉 430070, 中国”；其他作者包括王刚（中铁建城建交通发展有限公司，江苏苏州 215000, 中国）以及曾怀恩（湖北长江三峡滑坡国家野外科学观测研究站与三峡大学土木与建筑学院，湖北宜昌 443002, 中国）。论文发表于 《三峡大学学报（自然科学版）》2025年第47卷第1期。

研究背景

滑坡位移预测是滑坡灾害监测与早期预警的关键组成部分，对于防御坡体破坏具有重要科学及工程价值。然而，现有滑坡位移预测模型存在以下重要问题：1）传统数学分解方法（如移动平均分解法、指数平滑分解法等）对位移特征的捕捉不足，因而削弱了对滑坡趋势和周期性位移规律的解析能力；2）基于机器学习的预测方法（如支持向量回归、LSTM、GRU等）在处理输入特征变量时，未能充分挖掘变量之间的深层信息，这可能引起模型泛化性能和稳定性不足。鉴于上述瓶颈，作者提出了一种名为“ICEEMDAN-CNN-SVR滑坡位移组合预测模型”的方法，旨在提升滑坡位移预测的精准性和深度，从而优化预警能力。

研究目标

本文的主要研究目标是设计与验证一种新型组合预测模型，即通过将自适应噪声完全集合经验模态分解（ICEEMDAN）、卷积神经网络（CNN）特征提取与支持向量机回归（SVR）模型相结合，来解决现有模型在位移分解与特征变量处理上的不足。研究以典型的库岸滑坡——八字门滑坡为例，通过监测数据验证该模型的有效性和优越性。

研究流程与方法

1. 数据收集与研究对象

研究对象为湖北宜昌八字门滑坡，该滑坡因库水位变化和降雨影响而具备显著的变形特性。以两处监测点（ZG110和ZG111）的水平位移、月降雨量以及库水位数据作为研究基础，时间跨度为2007年1月至2012年9月。

八字门滑坡特性

滑坡体呈堆积层特点，其中坡前缘受三峡大坝与葛洲坝库水位变化加剧破坏，主体地层包括侏罗纪砂岩、黏土层等，具有显著的周期性变形趋势。原有监测系统从2003年开始布点10处，2007至2012年为监测重点时期。

2. 提出分解模型（ICEEMDAN方法）

为解决传统分解方法信号丢失及分解不彻底的缺陷，作者引入了自适应噪声完全集合经验模态分解（Intrinsic Computing Expressive Empirical Mode Decomposition with Adaptive Noise, ICEEMDAN）模型。该方法通过在滑坡数据中添加高斯白噪声来优化分解精度，以获得趋势性平滑信号（趋势项位移c(t)）以及波动性信号（周期项位移p(t)）。

• 分解步骤：
  1. 将原始数据加入噪声，计算其第一阶模态分量；
  2. 调整误差残差并依次递归，得到更平滑、更稳定的趋势项 IMFs；
  3. 重构趋势项和周期项以简化复杂滑坡曲线。

3. 提出CNN-SVR预测模型

作者在支持向量回归（SVR）模型的基础上，结合卷积神经网络（CNN）以增强特征提取能力。CNN的卷积层和池化层用于捕捉历史位移、降雨量及库水位数据中的深层信息，随后通过全连接层将特征映射为输入变量，再送入SVR实现滑坡位移预测。

• 预测输入变量：
  • 趋势项：以时间变量为主；
  • 周期项：使用年度历史序列、前两个月降雨量与库水位变化量作为输入变量。

4. 综合ICEMDAN、CNN与SVR模型架构

最终，作者提出整体预测模型结合了三种核心技术：ICEEMDAN分解主导数据处理，CNN负责深度特征提取，SVR完成趋势与波动项位移的精准预测。架构图如下：

滑坡位移数据输入 → ICEEMDAN分解模型（趋势项/周期项重构） → CNN特征提取 → SVR预测 → 输出结果 

实验与结果

1. 模型分解与特征提取结果

通过ICEEMDAN方法，将ZG110与ZG111监测点数据成功分解为多层次平滑IMFs（如趋势项c(t)与周期项p(t)），趋势曲线和波动曲线特性显著。训练集和测试集区间的划分比例为0.8:0.2。

趋势项与周期项示例曲线： 研究显示，趋势项维持平稳单调上升，而波动项则明显反映周期性波动特性，符合八字门滑坡的地质背景。

2. 模型预测结果与性能评估

基于ICEEMDAN-CNN-SVR模型对ZG110、ZG111两处监测点进行预测，所得趋势项与周期项叠加后生成预测总位移结果。该结果与实际监测值高度吻合。

• 评价指标： 通过相关系数（R²）、均方根误差（ERMSE）及平均绝对误差（EMAE）三个指标评价模型性能：
  • ZG110监测点：R²=0.9951, ERMSE=5.7489, EMAE=4.5091
  • ZG111监测点：R²=0.9989, ERMSE=2.7532, EMAE=1.8529

研究显示，模型具有良好的预测精度和稳定性。

3. 模型对比分析

将ICEEMDAN-CNN-SVR模型与传统EEMD-CNN-SVR及单纯CNN-SVR模型的预测效果进行对比。结果表明，新模型在所有评价指标上均显著优于其他两种方法：

• ZG110监测点的EEMD-CNN-SVR和CNN-SVR模型的R²分别为0.9591和0.8915，而新模型提升至0.9951；
• ZG111监测点的ERMSE值同样由30.6789显著降低至2.7532。

研究结论与价值

1. 本研究提出的ICEEMDAN-CNN-SVR模型，成功解决了滑坡预测模型中位移分解不足和特征提取深度不够的两大核心问题，显著提升了预测精度。
2. 研究结果表明，该模型适用于复杂堆积层滑坡（如八字门滑坡）位移预测，在预测效果上远超传统模型，具有重要的实际工程价值。
3. 特别地，ICEEMDAN分解方法因其彻底性与平滑能力，为模型的特征提取和趋势预测奠定了基础；CNN的深层特征融合则提高了预测的鲁棒性和泛化性能。

研究亮点

1. 新方法的创新性：首次将ICEEMDAN与CNN特征提取结合，适配滑坡周期性与趋势性位移特征；
2. 工程意义：可为三峡大坝库区及其他类似滑坡的监测与预警提供新工具；
3. 预测性能优越：R²接近1，误差最小化，超越主流模型。

作者同时指出，尽管新模型表现突出，但其在更广泛滑坡场景中的适用性尚待后续验证。