第42卷第3期岩石力学与工程学报Vol.42No.32023年3月ChineseJournalofRockMechanicsandEngineeringMarch，2023收稿日期：2022–04–28；修回日期：2022–09–08基金项目：国家自然科学基金资助项目(41931295，41877263)SupportedbytheNationalNaturalScienceFoundationofChina(GrantNos.41931295and41877263)作者简介：邢保印(1998–)，男，2020年毕业于华北水利水电大学地质工程专业，现为硕士研究生，主要从事滑坡预测预报方面的研究工作。E-mail：xingbaoyin@126.com。通讯作者：章广成(1980–)，男，博士，现任教授、博士生导师。E-mail：zhangguangc@cug.edu.cnDOI：10.13722/j.cnki.jrme.2022.0424基于变形速率分解的阶跃型滑坡预测——以呷爬滑坡为例邢保印1，张炜怡1，章广成1，张世殊2，刘忠绪2，曾鑫1，郑子涵1(1.中国地质大学(武汉)工程学院，湖北武汉430074；2.中国电建集团成都勘测设计研究院有限公司，四川成都610072)摘要：阶跃型滑坡位移预测是滑坡变形现状研究与危害评估的重要工作，而阶跃预测的研究多为平稳波动信号，基于滑坡阶跃运动特征的变形速率分解方法提供了非线性变形阶段阶跃滑坡信号分解的新思路。以呷爬滑坡为例，通过差分与离散小波变换(DWT)平滑方法得到变形速率数据，并基于滑坡阶跃运动特征将变形速率数据分解为由外部诱发因素决定的小尺度波动项与内在控制因素决定的大尺度趋势项，其中变形速率趋势项信号通过添加震荡函数的反Logistic函数模型(ILF)预测，并结合曲率极值法判识滑坡变形状态；变形速率波动项信号则运用长短时记忆神经网络(longshort-termmemory，LSTM)构建非线性映射模型，以降雨、库水位作为诱发输入，趋势项预测结果作为控制输入进行预测。预测结果表明，基于变形速率分解模型针对呷爬滑坡非线性过程数据的预测精度相比传统的位移拟合分解模型更高，外部因素映射能力更强，因此基于变形速率分解是基于阶跃运动机制预测的有效思路，解决了非线性变形阶段的阶跃滑坡预测问题。关键词：边坡工程；阶跃型滑坡预测；变形速率分解；反Logistic函数模型；长短时记忆神经网络；呷爬滑坡中图分类号：P642文献标识码：A文章编号：1000–6915(2023)03–0685–13Predictionofstep-typelandslidesbasedondeformationratedecomposition—acasestudyofGapalandslideXINGBaoyin1，ZHANGWeiyi1，ZHANGGuangcheng1，ZHANGShishu2，LIUZhongxu2，ZENGXin1，ZHENGZihan1(1.FacultyofEngineering，ChinaUniversityof...
