一种天然气管道滑坡累积变形曲线分析和滑坡预测方法

摘要

本公开提供一种天然气管道滑坡累积变形曲线分析和滑坡预测方法，属于天然气管道地质灾害预测防治领域，包括：获取天然气管道滑坡累积变形监测数据，并对监测数据序列进行预处理和变形曲线趋势分析；建立灰色理论模型GM(1,1)的灰微分方程，得出天然气管道滑坡累积变形监测数据的时间响应序列方程，进行灰色模型GM(1,1)的残差检验；输出灰色模型GM(1,1)预测值，对单一预测模型各点按精度高低顺序赋予权值，求得第n期预测数据误差倒数的平方和达到的极小值，建立基于诱导有序加权调和(IOWHA)算子的动态灰色变形模型，在滑坡累积变形曲线趋势分析的基础上预测天然气管道滑坡的变形，达到可高效的、科学的提高天然气管道滑坡变形的预测精度的效果。

说明书

技术领域

本发明涉及天然气管道地质灾害预测防治领域，具体是一种天然气管道滑坡累积变形曲线分析和滑坡预测方法。

背景技术

目前针对天然气管道滑坡累积变形曲线和变形趋势分析预测的方法，已经从根据位移-时间曲线分析管道滑坡变形的各阶段的定性分析发展到采用数学模型的定量智能预测和分析，且智能数学模型也逐渐多起来，如灰色预测模型、时间序列预测模型、遗传算法预测模型、BP神经网络预测模型等。

但是智能数学模型大都以单一的预测模型为主，存在一定的局限性，且计算过程和步骤繁琐、复杂，并不不能反应天然气管道滑坡的特殊性，所以应用组合预测方法，既可以弥补单一预测模型的局限性，又可以提高预测精度和计算的效率。

发明内容

本公开的目的在于针对现有技术中单一预测模型的局限性，针对灰色预测理论不确定因素比较大等问题，引入诱导有序加权调和(IOWHA)算子，建立基于诱导有序加权调和(IOWHA)算子的动态灰色时间序列天然气管道滑坡变形组合预测模型，有效的提高天然气管道滑坡变形的预测精度，为天然气管道滑坡变形预测和灾害防治提供技术支撑。

为了实现上述目的，本公开是通过如下的技术方案来实现：天然气管道滑坡累积变形曲线分析和滑坡预测方法，主要包括以下步骤：

步骤一：获取天然气管道滑坡变形监测数据，并对监测数据序列进行预处理和累积变形曲线分析；

步骤二：建立灰色理论模型GM(1,1)的灰微分方程，得出天然气管道滑坡变形监测数据的时间响应序列方程，进行灰色模型GM(1,1)的残差检验；

步骤三：输出灰色模型GM(1,1)预测值，引入诱导有序加权调和(IOWHA)算子，对单一预测模型各点按精度高低顺序赋予权值；

步骤四：求得第n期预测数据误差倒数的平方和达到的极小值，建立基于诱导有序加权调和(IOWHA)算子的动态灰色变形模型，预测天然气管道滑坡的变形；

优选地，所述的步骤一中通过布设天然气管道滑坡表层变形监测传感器，获取变形监测得来的一系列随机原始数据；

优选地，所述的监测的天然气管道滑坡变形数据序列进行预处理按照公式(1)和(2)进行，具体按照如下方法实施：

假设天然气管道滑坡变形监测的数据原始序列为：

X

将公式1采用累加生成，对监测数据的序列进行预处理后可得出：

X

上式中，x(0)为天然气管道滑坡变形监测的原始数值，x(1)为做一次累加后生成的数据序列；

优选地，所述步骤二具体如下：首先针对天然气管道滑坡变形原始数据预处理后生成的灰数序列，建立单一的灰色理论模型GM(1,1)的灰色微分方程；然后将灰微分方程白化，得出色微分方程的时间响应序列方程；进一步把灰色理论模型预测值和天然气管道滑坡变形的现场实际监测值进行一对一的残差检验，具体的实施如下：

将Z(1)假设为预处理后X(1)生成的灰数序列：

上式中：k为自然数1，2，3……

根据天然气管道滑坡变形监测数据预处理后的灰数序列，建立单一的灰色理论模型GM(1,1)的灰色微分方程：

x

上式中：a为天然气管道滑坡变形监测灰色预测模型的发展系数，b为其作用应变量。

将灰微分方程白化，由于

将天然气管道滑坡变形的灰色理论模型预测值和现场实际监测值的差进行一对一的残差检验，计算出管道滑坡变形监测原始数据x

优选地，所述步骤三具体如下：通过对天然气管道滑坡变形的灰色理论GM(1,1)模型预测，引入诱导有序加权调和(IOWHA)算子，把单一灰色理论GM(1,1)模型各点按照精度顺序赋予权值，具体的实施如下：

某时刻，基于IOWHA算子的组合模型的天然气管道滑坡变形预测为：

上式中，xit(i＝1,2)是第i种预测模型，Pit表示第i种预测模型在第t时刻时的预测精度值，p-index(it)为单一预测方法的预测精度较大的值的下标。

在t时刻，预测精度较高的方法赋予较大权系数。假设

e

上式中，a为噪声序列；

优选地，所述的步骤四具体实施如下：

根据IOWHA组合预测理论，求得天然气管道滑坡变形第n期预测数据误差倒数的平方和的极小值：

上式中x^t为t时刻的加权调和平均值，l＝(l1,l2)T为组合预测加权系数；

建立基于诱导有序加权调和(IOWHA)算子的动态灰色时间序列油气管道滑坡变形预测模型为：

根据上式建立的预测模型，根据监测得到的天然气管道滑坡变形数据，预测滑坡的变形。

综上所述，本发明的有益技术效果为：

针对单一灰色模型GM(1,1)预测方法的很难同时考虑到天然气管道滑坡的地质复杂性和灾害发生的高后果性，引入诱导有序加权调和(IOWHA)算子，将单一方法的滑坡预测值，以加权平均的方式组合，建立IOWHA组合预测模型，可实现天然气管道滑坡变形的动态预测，可有效的、高效的、科学的提高天然气管道滑坡变形的预测精度。

附图说明

图1式本公开实施例提供的天然气管道滑坡变形组合预测方法流程图；

图2是本公开的具体实施中单一预测模型、组合预测模型和实际监测值的对比图；

图3是本公开的具体实施例中的误差过程图。

具体实施方式

下面将结合附图，对本公开实施例中的技术方案进行清楚、完整地描述。

一种天然气管道滑坡变形组合预测方法，包括以下步骤：

步骤一：在天然气管道滑坡布设变形监测传感器，获取一定时期内的监测原始数据，并对监测数据序列进行预处理：

监测获取的天然气管道滑坡变形数据序列进行预处理按照公式(1)和(2)进行，具体按照如下方法实施：

假设天然气管道滑坡变形监测的数据原始序列为：

X

将公式1采用累加生成，对监测数据的序列进行预处理后可得出：

X

上式中，x(0)为天然气管道滑坡变形监测的原始数值，x(1)为做一次累加后生成的数据序列。

步骤二：建立灰色理论模型GM(1,1)的灰微分方程，得出天然气管道滑坡变形监测数据的时间响应序列方程，进行灰色模型GM(1,1)的残差检验；

针对天然气管道滑坡变形原始数据预处理后生成的灰数序列，建立单一的灰色理论模型GM(1,1)的灰色微分方程；然后将灰微分方程白化，得出色微分方程的时间响应序列方程；进一步把灰色理论模型预测值和天然气管道滑坡变形的现场实际监测值进行一对一的残差检验，具体的实施如下：

将Z(1)假设为预处理后X(1)生成的灰数序列：

上式中：k为自然数1，2，3……

根据天然气管道滑坡变形监测数据预处理后的灰数序列，建立单一的灰色理论模型GM(1,1)的灰色微分方程：

x

上式中：a为天然气管道滑坡变形监测灰色预测模型的发展系数，b为其作用应变量。

将灰微分方程白化，由于

将天然气管道滑坡变形的灰色理论模型预测值和现场实际监测值的差进行一对一的残差检验，计算出管道滑坡变形监测原始数据x

步骤三：输出灰色模型GM(1,1)预测值，引入诱导有序加权调和(IOWHA)算子，对单一预测模型各点按精度高低顺序赋予权值；

通过对天然气管道滑坡变形的灰色理论GM(1,1)模型预测，引入诱导有序加权调和(IOWHA)算子，把单一灰色理论GM(1,1)模型各点按照精度顺序赋予权值，具体的实施如下：

某时刻，基于IOWHA算子的组合模型的天然气管道滑坡变形预测为：

上式中，xit(i＝1,2)是第i种预测模型，Pit表示第i种预测模型在第t时刻时的预测精度值，p-index(it)为单一预测方法的预测精度较大的值的下标。

在t时刻，预测精度较高的方法赋予较大权系数。假设

e

上式中，a为噪声序列。

步骤四：求得第n期预测数据误差倒数的平方和达到的极小值，建立基于诱导有序加权调和(IOWHA)算子的动态灰色变形模型，预测天然气管道滑坡的变形；

根据IOWHA组合预测理论，求得天然气管道滑坡变形第n期预测数据误差倒数的平方和的极小值：

上式中x^t为t时刻的加权调和平均值，l＝(l1,l2)T为组合预测加权系数。

建立基于诱导有序加权调和(IOWHA)算子的动态灰色时间序列油气管道滑坡变形预测模型为：

根据上式建立的预测模型，根据监测得到的天然气管道滑坡变形数据，预测滑坡的变形。

根据预测结果选取误差评价指标，见表1，建立预测误差体系，定量分析预测的精确性。

表1误差评价表

本公开提出的上述天然气管道滑坡变形组合预测方法，以下举例说明：

实施例一

用本公开提出的方法，对某天然气管道沿线龙舟坪镇刘家坳滑坡开展组合变形预测的实例分析。

刘家坳滑坡位于宜昌市龙舟坪镇刘家坳三组，斜坡为土质边坡(碎石土)，预测体积1000m3，管道位于斜坡下方，穿过斜坡敷设，管道走向170°，埋深2.0m，底部建有浆砌块石挡土墙，局部有裂缝，裂缝呈“八”字型，斜坡上覆第四系覆盖层较厚，厚度3-8m，表层主要为松散松软的第四系残坡积层(Q)，为黄褐色粘土、粉质粘土及碎块石组成，其次为人工堆积体，主要分布于坡面上，土质松散松软，排水不畅，易饱水变形，遇强降水易形成滑坡等地质灾害，2019年在滑坡上安装分布式大量程电位变形位移计，监测管道滑坡的表层变形，选择2019年8月6日～2019年9月7日之间1个月的监测数据作为原始样本，如表2所示，选择2019年9月7日以后的变形进行预测，滑坡变形的预测值和预测误差分别如表3和表4所示，单一预测模型、组合预测模型和实际监测值的对比如图2所示，绝对误差过程如图3所示。

表2所选原始样本数据

表3滑坡变形的实测值、预测值

表4滑坡变形预测误差

由表4可知，本文建立的组合预测模型的预测最大绝对误差为0.54，单一的灰色理论GM(1,1)模型的预测误差最大绝对误差为0.72，很明显本文建立的预测误差相对较小,更接近实际监测值。

应当理解的是，对本领域技术人员来说，可以根据上述说明加以改进，而所有这些改进都应属于本公开所附权利要求的保护范围。