我国自建国以来大量的开发长江中上游丰富的水利水电资源,兴修大坝水库的同时造成了大量新老堆积层滑坡的变形。人工智能算法是一种模拟人类思维模式的智能计算模型,目前已经被应用到了各类工程领域,解决了很多复杂的工程问题。本文作者在三峡库区及天花板水电站库区开展了大量工作,对库水诱发的堆积层滑坡有较为深入的了解。在此基础上将人工智能这一新技术与传统滑坡变形理论相结合,以几种较成熟的人工智能算法为手段,以堆积层滑坡变形机理和变形响应规律为基础,建立了基于人工智能算法的库水诱发堆积层滑坡变形预测模型,以提高库水诱发的堆积层滑坡变形预测这一研究领域的工作效率,并重点做了以下工作:(1)通过对三峡库区八字门滑坡、白家包滑坡、三门洞滑坡、淌里滑坡,天花板水电站库区田坝村堆积层滑坡等大量堆积层滑坡进行实地调查研究和资料收集,获得了丰富的地质资料及监测数据。(2)通过对滑坡地质资料、监测数据的总结分析,结合相关领域的最新成果,提出了以滑坡地质结构、气象水文情况为特征点的库水诱发堆积层滑坡变形模式识别方法。通过总结分析滑坡地质结构特征、变形响应规律、监测数据曲线,将滑坡按照变形模式分为了阶梯型、趋势振荡型、随机振荡型、持续增长型。以matlab为平台,使用LIBSVM工具箱对滑坡进行识别分类。将滑坡坡长、坡宽、体积、碎石含量、渗透率、库水位淹没比等基础地质、水文资料进行编码,对样本滑坡进行识别分类,准确识别分类了各种变形模式的样本滑坡。从一定程度上说明了滑坡的变形是基于地质结构、水文气象情况综合影响的结果。(3)选取了BP神经网络、小波神经网络(WNN)、极限学习机(ELM)、遗传算法(GA)、粒子群算法(PSO)等人工智能领域较为成熟的算法模型,并根据滑坡的每种变形模式针对性的选取计算模型。使用小波函数将原始监测数据分解为较容易预测的趋势项数据和较为复杂的周期项数据,有效的减小了预测的误差。利用遗传算法和粒子群算法分别对BP神经网络进行优化,并对计算结果使用加权平均,对于阶梯型滑坡周期项数据有良好预测效果,且基本符合变形规律。利用小波神经网络对随机振荡型滑坡进行变形预测,通过研究降雨量和库水位变化与滑坡变形的响应关系,设置了3:7的参数权重,反应了真实的变形与库水位、降雨量响应规律。相同方法应用于趋势振荡型滑坡的周期项数据也取得很好的效果。(4)以田坝村为工程实例进行验证分析。通过分析论证将滑坡以2016年1月为界分为两个变形阶段,各自属于不同的变形模式。收集了滑坡最新的地质资料和水文气象资料,利用LIBSVM工具箱准确识别出了田坝村堆积层滑坡的变形模式为趋势震荡型。验证了滑坡变形模式是受地质结构和水文条件综合影响的结论。对田坝村堆积体变形进行预测,评价指标RMSE为1.34。(5)人为模拟了田坝村堆积层滑坡的两种不同工况。通过改变水位和气象条件,来预测半年内库水位骤降和暴雨对滑坡产生的影响。预测结果为正常工况时,滑坡未来半年变形量最高达到53.9mm,较半年前增加了3.8mm。库水位骤降叠加暴雨工况下,半年后滑坡总位移量达到78.9mm,较半年前增加了28.8mm。可以看出即使经过库水位骤降和暴雨极端工况,滑坡仍将保持稳定,不会出现整体的失稳。这也与工程研究报告中的结论一致,可以为之后该滑坡的评价研究工作提供参考。