涉水滑坡巖土體參數(shù)弱化機理及變形預(yù)測

鄧小鵬，相興華，王小敏

(山西能源學(xué)院，山西 晉中 030600)

0 引 言

三峽庫區(qū)滑坡災(zāi)害較為發(fā)育，加之三峽工程的修建進一步誘發(fā)、復(fù)活了大量滑坡。其中，涉水滑坡已達2 000余處，開展三峽庫區(qū)涉水滑坡研究具有重要意義[1-3]。目前，已有許多學(xué)者開展了滑坡災(zāi)害研究，在滑坡參數(shù)研究方面，朱雷等[4]在室內(nèi)試驗成果基礎(chǔ)上，利用數(shù)值模擬分析研究了滑帶參數(shù)對滑坡穩(wěn)定性的動態(tài)影響，有效掌握了滑坡穩(wěn)定性的動態(tài)變化過程；段釗等[5]通過滑坡特征參數(shù)統(tǒng)計，分析了滑坡成因機制，為滑坡災(zāi)害防治提供了一定參考。上述研究雖不同程度的開展了滑坡參數(shù)分析，但均未涉及滑坡參數(shù)弱化機理分析，存在一定不足，仍需進一步拓展研究。滑坡變形監(jiān)測是其防治的必要手段，基于其成果基礎(chǔ)上的變形預(yù)測研究具有較強的實用價值。黃曉虎等[6]基于滑坡變形數(shù)據(jù)，構(gòu)建了滑坡變形預(yù)警模型，奠定了滑坡災(zāi)害臨災(zāi)預(yù)警的理論基礎(chǔ)。上述研究雖利用不同方法構(gòu)建了滑坡變形預(yù)測模型，但所用方法較為單一，缺乏變形數(shù)據(jù)含有的誤差信息分析。同時，隨著變形理論基礎(chǔ)的發(fā)展，新型預(yù)測模型應(yīng)運而生。其中，長短時記憶網(wǎng)絡(luò)具有長序列預(yù)測優(yōu)勢，在滑坡變形預(yù)測中具有較強的適用性，但由于其應(yīng)用相對較少，進而仍需進一步實例研究，以驗證其預(yù)測效果[7]。

為準確掌握涉水滑坡參數(shù)弱化機理及其變形發(fā)展規(guī)律，本文以樹坪滑坡為工程背景，先結(jié)合其變形特征開展巖土體參數(shù)弱化機理分析，再利用Morlet復(fù)小波分離滑坡變形數(shù)據(jù)含有的誤差信息，并結(jié)合灰色模型和長短時記憶網(wǎng)絡(luò)構(gòu)建其變形預(yù)測模型，以期為滑坡穩(wěn)定性評價提供參考。

1 基本原理

該文思路主要包含2部分內(nèi)容，其一，基于滑坡變形特征及區(qū)域地質(zhì)條件基礎(chǔ)上的巖土體參數(shù)弱化機理分析；其二，基于滑坡變形監(jiān)測成果基礎(chǔ)上的變形預(yù)測研究。值得指出的是，受監(jiān)測條件、環(huán)境等因素的影響，滑坡變形數(shù)據(jù)往往含有一定的誤差信息，進而滑坡變形數(shù)據(jù)可按其變形性質(zhì)進行分離，即

Y(t)=γ(t)+ε(t)

(1)

式中，Y(t)為滑坡變形實測值；γ(t)為趨勢項值；ε(t)為周期項值；t為時間節(jié)點

由于滑坡變形趨勢項及周期項含有的信息差異，使得其變形預(yù)測也應(yīng)進行分項設(shè)置。因此，本文變形預(yù)測部分又可進一步細分為3個階段，即先利用Morlet復(fù)小波實現(xiàn)滑坡變形數(shù)據(jù)誤差信息的分離；再利用灰色模型和長短時記憶神經(jīng)網(wǎng)絡(luò)(Long Short Term Memory Network，LSTM)分別構(gòu)建趨勢項和周期項的預(yù)測模型；兩者結(jié)果疊加即為滑坡變形的最終預(yù)測值。

1.1 信息分離效果指標的構(gòu)建

常用的分離效果評價指標有信噪比、均方根誤差及平滑度等指標。由于各類指標含義存在一定差異，本文以上述3個指標為基礎(chǔ)指標，構(gòu)建分離效果評價的綜合指標，且為避免各基礎(chǔ)指標的單位影響，將綜合指標設(shè)置為3個基礎(chǔ)指標的歸一化累加值，即

p=gx+gj+gp

(2)

式中，p為綜合評價指標；gx、gj、gp分別為信噪比、均方根誤差、平滑度指標的歸一化值。根據(jù)p值大小判斷趨勢項和周期項的分離效果，即p值越大，分離效果越好；反之，分離效果越差。

1.2 長短時記憶神經(jīng)網(wǎng)絡(luò)的優(yōu)化處理

LSTM模型雖具有較強的預(yù)測能力，但其隱層節(jié)點數(shù)、隱含層數(shù)及窗口大小等參數(shù)需人為設(shè)定，受使用者經(jīng)驗影響較為嚴重，缺乏客觀性，進而有必要對上述參數(shù)進行優(yōu)化處理，以保證模型參數(shù)的最優(yōu)性。

(1)隱層節(jié)點數(shù)優(yōu)化。在傳統(tǒng)神經(jīng)網(wǎng)絡(luò)中，常利用經(jīng)驗公式確定隱層節(jié)點數(shù)，即

(3)

式中，j為隱層節(jié)點數(shù)的經(jīng)驗值；m、n分別為輸入、輸出層節(jié)點數(shù)。為確定最優(yōu)隱層節(jié)點數(shù)，在式(3)確定經(jīng)驗值的基礎(chǔ)上，對其取值區(qū)間進行適當拓展，并對拓展范圍內(nèi)的所有隱層節(jié)點數(shù)進行預(yù)測效果試算，將預(yù)測效果最優(yōu)者作為本文LSTM模型的隱層節(jié)點數(shù)。

(2)隱含層數(shù)及窗口大小參數(shù)優(yōu)化。由于上述2個參數(shù)取值具范圍特征，難以通過試算確定最優(yōu)參數(shù)。鑒于遺傳算法(Genetic Algorithm，GA)具有較強的全局優(yōu)化能力，進而利用其實現(xiàn)LSTM模型隱含層數(shù)及窗口大小參數(shù)的優(yōu)化處理。

2 實例分析

2.1 工程概況

樹坪滑坡隸屬湖北省秭歸縣沙鎮(zhèn)溪鎮(zhèn)，位于三峽工程上游約47 km處，坡體上部有公路直達，交通較為便利。據(jù)現(xiàn)場勘察成果，滑坡縱向長約800 m，寬約700 m，平均厚約50 m，體積約2 750萬m3，屬超深層巨型滑坡。樹坪滑坡局部變形開始于1996年，加之受2003年三峽工程蓄水影響，滑坡歷年變形不斷，主要變現(xiàn)為前緣岸坡坍塌和周邊拉張裂縫。受地表沖溝及變形邊界影響，樹坪滑坡可近似由中部劃分為左、右側(cè)2個變形體。為切實掌握樹坪滑坡的變形狀態(tài)，對其進行了地表位移監(jiān)測，共計布設(shè)6個監(jiān)測點，按2個縱向布置，每縱排均是3個監(jiān)測點。左側(cè)變形體中部布設(shè)1縱排，編號由前緣至后緣分別為ZG88～ZG90。右側(cè)變形體中部也布設(shè)1縱排，編號由前緣至后緣分別為ZG85～ZG87。監(jiān)測頻率設(shè)置為1次/月。斷面布置見圖1。

圖1 監(jiān)測點布置斷面

2.2 滑坡巖土體參數(shù)弱化機理分析

2.2.1降雨

降雨是樹坪滑坡復(fù)活的重要誘發(fā)因素，對巖土體參數(shù)的弱化機理也較為復(fù)雜，主要分為以下4個方面：

(1)水土化學(xué)弱化機理。降雨入滲增加了滑坡巖土體的含水量，易溶解可溶鹽類，且在溶解后不同鹽類之間發(fā)生復(fù)雜化學(xué)反應(yīng)，致使某些離子脫離原有結(jié)構(gòu)，弱化了原土體的膠結(jié)強度，提高了土體壓縮系數(shù)及透水能力，造成壓縮模量及抗剪參數(shù)降低。

(2)水土物理弱化機理。坡體含有大量粘土礦物，吸水后會產(chǎn)生膨脹，產(chǎn)生礦物微裂隙，待其貫穿，會降低土體完整性；同時，降雨入滲會引發(fā)土體飽和度變化，弱化土體的抗剪參數(shù)及泊松比等參數(shù)。

(3)水土力學(xué)弱化機理。由于滑坡土體含有大量粘粒，其表面會吸附大量離子，降雨入滲會促使粘粒表面的離子交換，且粒子隨滲流流動，改變了其對不同離子的吸附能力；兩者相互作用，改變粘粒表面的電層分布及親水性，進而改變粘粒的物理力學(xué)性質(zhì)。

(4)耦合作用機理。在實際過程中，上述3個機理相互循環(huán)作用，即其相互之間具有耦合作用。如水化學(xué)作用促使土體礦物成分出現(xiàn)化學(xué)反應(yīng)，形成新的滲流通道，利于水物理作用的發(fā)生；水物理作用又會增加微裂隙，增加土水接觸面積，為水化學(xué)反應(yīng)提供便利。

2.2.2庫水位波動

為滿足三峽工程正常運營需要庫區(qū)水位會出現(xiàn)周期性波動，其對滑坡前緣巖土體參數(shù)的弱化作用較為明顯，主要作用機理如下：

(1)高水位時，水體對前緣土體浸泡，改變了土體含水量及粘粒間的連接能力，減弱土體之間的抗剪參數(shù)，造成其參數(shù)弱化；同時，由于浮托力的減重效應(yīng)，也會改變土體受力狀態(tài)，進而對土體參數(shù)造成弱化影響。

(2)庫水位淘蝕前緣岸坡，易造成岸坡坍塌，并在其坡肩形成局部拉張裂縫，降低土體完整性，進而減弱其抗剪參數(shù)。

(3)由于庫水位周期性波動，會使滑坡參數(shù)出現(xiàn)周期性變化，造成滑坡參數(shù)疲勞減弱，尤其是抗剪參數(shù)向減弱方向發(fā)展。

2.2.3人類工程活動

樹坪滑坡區(qū)內(nèi)人類工程活動較為強烈，主要表現(xiàn)為公路修建、房屋建設(shè)、農(nóng)業(yè)耕種等，易改變滑坡地表的局部地形地貌，致使出現(xiàn)局部變形破壞，減弱局部土體的完整性，進而降低其結(jié)構(gòu)參數(shù)。

2.3 變形預(yù)測

據(jù)監(jiān)測成果，樹坪滑坡6個監(jiān)測點變形見圖2。以ZG85監(jiān)測點為例，詳述各階段的預(yù)測效果；同時，在預(yù)測過程中，以1～44周期為訓(xùn)練樣本，45～49周期為驗證樣本，并外推預(yù)測4個周期。

圖2 滑坡變形

2.3.1信息分離處理

先利用Morlet復(fù)小波對滑坡數(shù)據(jù)進行信息分離處理，且為驗證該方法的有效性，也利用部分db、sym小波函數(shù)進行類似處理，得到db小波的綜合評價指標p值為2.630，sym小波的綜合評價指標p值為2.580，而Morlet復(fù)小波的綜合評價指標p值為2.791，明顯優(yōu)于前兩者，說明該文利用Morlet復(fù)小波進行滑坡變形數(shù)據(jù)的信息分離是可行的。

2.3.2變形預(yù)測研究

首先，對右側(cè)變形體的ZG85監(jiān)測點進行預(yù)測研究，得其趨勢項預(yù)測結(jié)果，見表1。從表1可知，趨勢項預(yù)測結(jié)果的最大相對誤差為2.48%，平均相對誤差為2.32%，訓(xùn)練時間為41.28 ms，具有較優(yōu)的預(yù)測精度，驗證了GM(1，1)模型在樹坪滑坡趨勢項預(yù)測中的適用性。

表1 ZG85監(jiān)測點趨勢項預(yù)測結(jié)果

根據(jù)經(jīng)驗公式計算得到LSTM模型隱層節(jié)點數(shù)的經(jīng)驗值為14，對其取值范圍進行適當拓展，確定其隱層節(jié)點數(shù)的試算區(qū)間為12～16。各隱層節(jié)點數(shù)的預(yù)測效果見表2。從表2可知，不同隱層節(jié)點數(shù)的預(yù)測效果存在明顯差異，驗證了隱層節(jié)點數(shù)篩選的必要性；在預(yù)測結(jié)果中，隨著隱層節(jié)點數(shù)的增加，平均相對誤差呈先減小后增加趨勢，且當隱層節(jié)點數(shù)為15時的預(yù)測精度相對最優(yōu)；訓(xùn)練時間具持續(xù)增加趨勢，其原因為由于隱層節(jié)點數(shù)增加，會增加網(wǎng)絡(luò)結(jié)構(gòu)的復(fù)雜性，進而增加訓(xùn)練時間。鑒于訓(xùn)練時間均相對較短，且為保證預(yù)測精度，確定本文LSTM模型的隱層節(jié)點數(shù)為15。

表2 隱層節(jié)點數(shù)篩選結(jié)果

利用遺傳算法優(yōu)化隱含層數(shù)及窗口大小參數(shù)，得其優(yōu)化前后的預(yù)測結(jié)果，見表3。從表3可知，在相應(yīng)驗證節(jié)點處，經(jīng)遺傳算法的參數(shù)優(yōu)化，相對誤差值均出現(xiàn)不同程度減小，且GA-LSTM模型預(yù)測結(jié)果的平均相對誤差為1.75%，訓(xùn)練時間為37.46 ms，均低于初步優(yōu)化預(yù)測結(jié)果的2.29%和49.21 ms。可見，遺傳算法優(yōu)化不僅能提高預(yù)測精度，還能節(jié)約訓(xùn)練時間，且其預(yù)測精度較高，初步驗證了本文預(yù)測模型的有效性；同時，通過外推預(yù)測，得出ZG85監(jiān)測點的變形仍將繼續(xù)增加。

表3 ZG85監(jiān)測點預(yù)測結(jié)果統(tǒng)計

根據(jù)前述，通過ZG85監(jiān)測點的預(yù)測過程，已初步驗證了本文預(yù)測方法的有效性。為進一步驗證本文預(yù)測模型的有效性及分析樹坪滑坡的變形趨勢，再對其他監(jiān)測點進行預(yù)測研究。滑坡右側(cè)ZG86和ZG87監(jiān)測點的預(yù)測結(jié)果見表4。從表4可知，ZG86監(jiān)測點的最大、最小相對誤差分別為2.11%和1.49%，平均相對誤差為1.79%，訓(xùn)練時間為31.82 ms；ZG87監(jiān)測點的最大、最小相對誤差分別為2.03%和1.63%，平均相對誤差為1.83%，訓(xùn)練時間為35.49 ms。兩者預(yù)測精度及訓(xùn)練時間相當，與ZG85監(jiān)測點的預(yù)測效果一致，驗證了本文預(yù)測模型的有效性；同時，2個監(jiān)測點的外推預(yù)測結(jié)果也呈增加趨勢，無明顯收斂跡象。

表4 ZG86、ZG87監(jiān)測點的預(yù)測結(jié)果

類比前述，再對滑坡左側(cè)3個監(jiān)測點進行預(yù)測研究，預(yù)測結(jié)果見表5。從表5可知，ZG88～ZG90監(jiān)測點的平均相對誤差為1.69%～1.92%，訓(xùn)練時間為35.73～40.19 ms，具有較高的預(yù)測精度，再次驗證了本文預(yù)測模型的有效性，且3個監(jiān)測點的外推預(yù)測也呈增加趨勢。

表5 滑坡左側(cè)監(jiān)測點預(yù)測結(jié)果

綜上，本文預(yù)測模型不僅具有較高的預(yù)測精度，還具有很好的穩(wěn)定性，且各監(jiān)測點的外推預(yù)測均呈增加趨勢，且無收斂跡象，得出樹坪滑坡穩(wěn)定性趨于向不穩(wěn)定方向發(fā)展。

3 結(jié) 語

本文基于庫區(qū)涉水滑坡的巖土體參數(shù)弱化機理分析，并對其變形預(yù)測進行了研究。巖土體參數(shù)弱化主要是受外部誘發(fā)因素影響，其中，降雨、庫水位波動及人類工程活動是參數(shù)弱化的主要成因，其作用機理包括水土物理弱化、水土化學(xué)弱化、水土力學(xué)弱化及耦合作用等。涉水滑坡外部誘因相對較多，使得其變形數(shù)據(jù)所含信息也存在分項特征，分項預(yù)測能有效保證其預(yù)測效果。通過實例驗算， GA-LSTM模型在滑坡變形預(yù)測中具有較高的預(yù)測精度，驗證了該方法的適用性和有效性。