庫岸涉水滑坡危險性現狀分析與預測評價

薛曉輝，周 玲，秦愛紅

(1.陜西鐵路工程職業技術學院，陜西 渭南 714000；2.西安思源學院，陜西 西安，710038； 3.青島理工大學 琴島學院，山東 青島 266106)

0 引言

近年來，隨著我國水利建設快速發展，形成了規模不等的庫區，影響岸坡穩定同時，誘發大量庫岸滑坡災害，存在較大潛在威脅。因此，開展庫岸滑坡危險性研究尤為重要[1-3]。相關領域學者開展滑坡危險性研究：朱崇浩等[4]利用DInSAR技術和BP神經網絡，構建震后條件下滑坡危險分析模型；孟田等[5]基于斜坡單元化處理，對高海拔區滑坡危險性進行評價；袁時祥等[6]基于滑坡發育影響因素分析，利用數量化理論實現滑坡危險性評價。研究雖取得一定成果，但均較少涉及庫岸滑坡危險性評價、滑坡危險性現狀分析及預測評價。因滑坡危險性影響因素較多，通常采用層次分析法進行滑坡危險性評價[7-8]，并提出利用層次分析法與模糊理論構建滑坡危險性評價模型；滑坡變形能直觀體現其穩定性，結合滑坡現場監測手段，可實現滑坡危險性預測評價。因支持向量機在滑坡變形預測中適用性較強[9-10]，提出利用支持向量機構建滑坡變形預測模型，以實現危險性預測評價。本文利用層次分析法與模糊理論，構建滑坡危險性現狀評價模型，基于支持向量機理論，構建滑坡變形預測模型，并通過變形預測實現滑坡危險性預測評價，并綜合對比滑坡危險性分析結果與預測評價結果。研究結果可為滑坡災害防治提供一定理論依據。

1 基本原理

研究過程包括危險性現狀評價與滑坡危險性預測評價，主要包括以下2個步驟：

1)以滑坡所在區域地質條件為基礎，利用層次分析法與模糊理論構建滑坡危險性評價模型，開展危險性現狀評價。

2)基于滑坡變形監測結果，利用優化支持向量機構建變形預測模型，開展滑坡危險性預測評價。

1.1 危險性現狀評價模型構建

基于層次分析法與模糊理論，利用P×C分級法構建現狀評價模型。滑坡危險性現狀評價主要包括以下4個階段：

1)滑坡危險性現狀評價體系構建

層次分析法是1種系統性分析法，邏輯能力與可操作性較強。以“滑坡危險性現狀評價”為目標層，下設2個危險性影響因素層，即1級影響指標和2級影響指標。

2)危險性影響因素權值求解

評價指標權值求解采用1-9標度法，求解過程如下：

①構建判斷矩陣。根據1-9標度法，將每2個影響指標進行對比，評價指標相對重要性，構建判斷矩陣。

②一致性檢驗。判斷矩陣難以保證指標間相對重要性的一致性，需進行判斷矩陣一致性檢驗。利用matlab軟件求解判斷矩陣最大特征值λmax，并計算得到CI值，如式(1)所示：

(1)

式中：n為影響指標數。

基于CI值，并結合誤差控制值RI得到CR值，如式(2)所示：

(2)

式中：CR為一致性比率。

CR值越小，判斷矩陣一致性越好。當CR值<0.1時，判斷矩陣滿足一致性檢驗，反之，不滿足一致性檢驗，需重新構建判斷矩陣，直至滿足一致性檢驗要求。

③權值計算。當判斷矩陣滿足一致性檢驗，求解最大特征值λmax對應特征向量，并進行歸一化處理，歸一化值即相應權值。

3)危險性影響因素隸屬度求解

本文利用專家法求解危險性影響因素隸屬度。不同類型專家經驗存在一定差異，因此，利用折減系數對專家評價結果進行折減處理，不同專家評價結果折減系數標準見表1。

表1 不同類型專家評價結果折減系數標準

4)不同影響因素及滑坡整體危險性評價

利用P×C分級法實現不同影響因素及滑坡整體危險性評價。滑坡危險性分為4個等級，危險性分級及決策見表2。

表2 滑坡危險性分級及決策

1.2 危險性預測評價模型構建

因支持向量機(Support Vector Machine,SVM)能將變形信息向高維空間映射，具有結構風險最小化等優勢，因此，利用SVM進行滑坡變形預測可行。結合SVM模型基本原理，回歸函數f(x)如式(3)所示：

f(x)=ωφ(x)+b

(3)

式中：ω為權值向量；φ(x)為映射函數；b為偏置量。

SVM存在一定不足：核函數類型相對較多，適用性存在一定差異；大部分由使用者確定，主觀性較強；懲罰因子與預測模型學習能力相關，易出現“過學習”或“欠學習”現象。為確保預測精度，需要對上述問題進行優化處理：

1)核函數優化處理。SVM模型常用核函數包括線性核函數、多項式核函數、Sigmoid函數和Gauss函數4類，4類核函數適用性存在一定差異，可利用試湊法確定最優核函數，通過對4類核函數進行預測效果試算，效果最佳者即最優核函數。

2)懲罰因子優化處理。布谷鳥算法(Cuckoo Search，CS)作為新型啟發式算法，較傳統優化方法有操作簡單、運算參數少、易于實現等優點，因此，可通過CS算法優化支持向量機懲罰因子。文獻[11]指出，CS算法存在搜索能力相對偏弱，易陷入局部極值等不足，為此提出ICS算法，既可彌補CS算法不足，又可以實現懲罰因子優化處理。

通過優化處理，確保SVM模型參數最優性。變形預測結果對滑坡危險性預測評價判據為：若滑坡變形呈持續增加趨勢，危險性將進一步增大；若滑坡變形趨于穩定方向發展，危險性不會發生改變。

通過對比滑坡危險性現狀評價與預測評價結果，綜合判斷危險性狀態，為滑坡災害防治提供一定理論參考。

2 實例分析

2.1 工程概況

大柿樹滑坡位于小浪底庫區右岸，距大壩約7 km，平面呈“圈椅狀”，縱向長約1.3 km，寬560 m，體積約1 915萬m3，屬巨型滑坡。據現場勘查，滑坡地表為臺階狀，高程190～230 m，坡度10°～30°，地形起伏相對較大[12]；滑坡區發育2條大型斷裂，區內巖體節理裂隙較凌亂，對滑坡形成影響較大。鉆探結果顯示，區內下覆基巖以二疊系石盒子組砂、泥巖為主，2者具互層結構；上覆第四系土層成因類型相對較多，巖性以黃土為主，夾雜少量碎石。

通過現場調查，大柿樹滑坡于2003—2004年開始出現變形跡象，外加庫區水位周期性波動，進行危險性評價迫在眉睫。

2.2 危險性現狀評價

因滑坡危險性影響因素較多，將滑坡危險性現狀評價分為評價體系構建與危險性現狀分析2部分。

2.2.1 評價體系構建

滑坡變形失穩指部分巖土體沿軟弱面下滑現象，成因大致分為內部成因與外在誘因：內部成因是滑坡發生必要屬性，包含地形因素、坡體結構因素及滑面形態等；外在誘因是滑坡發生失穩激發因素，如人為因素。大柿樹滑坡危險性現狀體系建設，應基于內部成因與外在誘因2部分進行。

依據已有研究成果，利用層次分析法構建大柿樹滑坡危險性現狀評價模型，以“滑坡危險性現狀評價”為目標層，下設2級評價指標：1級影響指標和2級影響指標。其中，1級評價指標有6個，2級評價指標有14個，大柿樹滑坡危險性現狀評價體系如圖1所示。

圖1 大柿樹滑坡危險性現狀評價體系

2.2.2 危險性現狀分析

利用P×C分級法進行滑坡危險性現狀分析，過程如下：

1)危險性影響因素權值求解

利用1～9標度法求解各影響因素權值，以地形因素A12級指標為例詳述權值求解過程。

地形因素A1。通過對比評價指標B1～B2相對重要性，得到判斷矩陣，見表3。

表3 地形因素2級判斷矩陣

計算得λmax1=2，對應特征向量b1=[0.894,0.447]，因只有2個影響因素，所以滿足一致性檢驗。

通過對特征向量b1進行歸一化處理，得B1～B2指標權值[0.667,0.333]。

同理，求解剩余影響因素權值，得到不同影響因素權值，見表4。

表4 不同影響因素權值

2)危險性影響因素隸屬度求解

利用專家法求解滑坡危險性影響因素隸屬度。據調查，共得到22位專家影響因素隸屬度，結合表1中折減系數標準，得到不同影響因素隸屬度見表5。

表5 不同影響因素隸屬度

3)不同影響因素及滑坡整體危險性評價

基于權值與隸屬度，對1級影響因素及滑坡整體危險性進行定量分析。

①1級影響因素危險性分析

計算1級影響因素危險性得分，并進行危險性評價，評價結果見表6。由表6可知，各1級指標危險性得分存在一定差異，表明各影響因素對大柿樹滑坡危險性貢獻不同。其中，變形特征A5因素危險性得分73.71，相對較高，其次為地形因素A1、滑面形態A4、坡體結構因素A2、水文條件因素A3以及人類工程活動A6，6個1級影響因素危險性等級均為Ⅲ級。

表6 1級指標危險性評價結果

②大柿樹滑坡整體危險性分析

對大柿樹滑坡整體危險性進行分析，如式(4)所示：

(4)

式中：F為整體危險性分析得分。

經計算，大柿樹滑坡整體危險性現狀危險得分69.78分，風險等級Ⅲ級，屬高度危險，需加強監測及信息反饋，提前做好防災預案。

2.3 危險性預測評價

在大柿樹滑坡危險性現狀評價過程中，變形特征危險性最大，因此，通過分析變形特征，進行危險性預測評價可行。

1)變形特征基本分析

在大柿樹滑坡變形監測過程中，DS1監測點和DS2監測點變形數據相對完善，監測時間由2004年11月至2013年11月，監測項目包括水平位移與豎向位移，共計36期監測結果。

基于監測點數據，繪制2監測點變形結果柱狀圖，如圖2所示。由圖2可知，2監測點豎向位移均大于水平位移,DS2監測點水平與豎向位移均大于DS1，DS2監測點豎向位移變形值相對最大，為824.04 mm。

圖2 2監測點變形結果

DS1監測點變形曲線如圖3所示。由圖3可知，DS1監測點豎向位移增加速率大于水平位移；其中，豎向位移累計值738.20 mm，水平位移累計值85.24 mm。

圖3 監測點DS1變形曲線

DS2監測點變形曲線如圖4所示。由圖4可知，DS2監測點變形呈持續增加趨勢；豎向位移累計值824.04 mm，水平位移累計值347.54 mm。

圖4 監測點DS2變形曲線

2)預測評價

本文利用優化SVM模型實現大柿樹滑坡變形預測，判斷滑坡危險性。以1～31周期數據作為訓練樣本，32～36周期數據作為驗證樣本，外推預測周期為4期。以監測點DS1水平位移為例，驗證核函數與懲罰因子優化效果。

①變形預測分析

首先，對4種核函數進行優化篩選，見表7。由表7可知，4種核函數平均相對誤差存在一定差異，說明各核函數在SVM模型中適用性不同；對比4種核函數預測效果，Sigmoid函數平均相對誤差值最小，為2.28%，預測效果相對最優。因此，以Sigmoid函數作為SVM模型核函數。

表7 核函數的優化篩選結果

利用ICS算法對懲罰因子進行優化處理，優化后預測結果見表8。由表8可知，在ICS-SVM模型預測結果中，相對誤差介于1.76%～2.06%之間，平均相對誤差為1.88%，對比ICS算法優化前后預測結果發現，預測誤差值顯著減小，預測精度顯著提高，充分驗證ICS算法優化處理必要性與有效性。

表8 ICS算法優化后預測結果

為進一步驗證ICS算法優越性，結合CS算法優化結果，對比2種方法特征參數，見表9。由表9可知，ICS算法平均相對誤差與訓練時間均小于CS算法，表明ICS算法訓練速度相對較快；ICS算法局部優化次數為7次，CS算法局部優化次數為5次，表明ICS算法全局優化能力更強。ICS算法優越性更強。

表9 CS算法和ICS算法特征參數對比

對剩余監測項目進行預測驗證及外推預測，滑坡變形最終預測結果見表10。由表10可知，在4個監測項目預測結果中，平均相對誤差介于1.80%～1.92%，預測精度與穩定性較高，充分驗證本文預測思路有效性；通過外推預測，4個監測項目變形呈持續增加趨勢，無收斂跡象。

表10 滑坡變形最終預測結果

②變形預測模型可靠性驗證

為進一步驗證預測思路可靠性，利用RBF神經網絡和GM(1,1)模型進行變形預測，滑坡變形預測模型可靠性驗證結果見表11。由表11可知，在相應監測項目中，預測模型具有最小平均相對誤差與最短訓練時間，其次是GM(1,1)模型和RBF神經網絡，說明本文預測模型預測效果優于傳統預測模型，預測模型可靠。

表11 滑坡變形預測可靠性驗證結果

2.4 危險性綜合評價

基于大柿樹滑坡危險性現狀分析與預測評價，進一步開展危險性綜合判斷：

1)危險性現狀評價結果：大柿樹滑坡現狀危險性為Ⅲ級，具高度危險，需加強監測及信息反饋，做好防災預案。

2)危險性預測評價結果：大柿樹滑坡變形呈持續增加趨勢，危險性趨于不利方向發展。

綜上所述，大柿樹滑坡危險性相對較大，應切實加強災害防治，避免滑坡成災，造成不必要損失。

3 結論

1)在滑坡危險性現狀評價過程中，危險性得分69.78分，風險等級Ⅲ級，具高度危險，即滑坡現狀條件下危險性程度相對較高。

2)在滑坡危險性預測評價結果中，ICS-SVM模型預測精度與可靠性較高，經外推預測可知，滑坡變形將進一步增加，危險性趨于不利方向發展，需加強災害防治。

3)當既有誘因不變時，庫岸滑坡危險性將進一步增大，所以加強庫岸滑坡研究意義重大。