基于雙判據聯合判別的滑坡監測預警研究

楊芳 楊曉龍 仇新迪 馬宏濤

摘要：為實現滑坡預警等級的準確劃分，在分析預警準則的基礎上，以三峽庫區木魚包滑坡為例，以累計變形判據和變形速率判據聯合構建了雙判據滑坡預警模型，其中，累計變形判據是在極限位移預警分析基礎上，結合變形預測的發展趨勢進行預警等級劃分，而變形速率判據與之相似，也是在極限變形速率預警分析基礎上，結合其M-K分析的發展趨勢評價進行預警等級劃分。實例分析結果表明：在累計變形判據的預警過程中，按極限位移判斷滑坡預警等級為Ⅱ級，但通過變形預測，得出滑坡變形呈上升趨勢，進而應提高一級預警，即通過累計變形判據得出滑坡預警等級為Ⅲ級;在變形速率判據的預警過程中，不同監測點的預警結果存在一定差異，預警等級間于Ⅰ～Ⅲ級，按不利原則，確定變形速率判據下的滑坡預警等級為Ⅲ級。兩者分析結果一致，相互佐證了兩類判據的準確性，綜合確定滑坡預警等級為Ⅲ級，即滑坡目前處于中等危險，應進行較高頻率監測，并做好避讓措施準備，切實保證區內居民的生命財產安全。

關 鍵 詞：

滑坡監測預警; 累計變形; 變形速率; M-K分析; 木魚包滑坡; 三峽庫區

中圖法分類號： P642

文獻標志碼： A

DOI：10.16232/j.cnki.1001-4179.2021.05.015

滑坡是我國常見地質災害之一，限于資金條件，無法對所有滑坡均進行工程治理，多是采用群防群測手段進行預警預防，主觀因素較大，難以保證預警結果的準確性和合理性，因此，如果在有限條件基礎上開展合理的滑坡預警具有重要意義[1-3]。目前，已有相關學者開展了滑坡預警研究，如蘇白燕等[4]在滑坡變形監測成果基礎上，通過其變形速率的閾值來實現預警等級劃分，并構建了相應的預警平臺，實現了自動預警，取得了較好效果;李聰等[5]先將滑坡變形過程劃分為不同階段，再將滑坡變形速率作為預警判據進行預警等級劃分，有效實現了滑坡預警，為其防治提供了參考依據;陳賀等[6]也在深部位移監測的基礎上，開展了滑坡變形階段劃分，并利用滑坡變形加速曲線實現了滑坡預警預報;苑誼等[7]以滑坡變形速率和切線角為預警指標，并對樹坪滑坡的預警閾值進行設定，有效實現了滑坡預警等級劃分。上述研究取得了相應成果，充分驗證了在滑坡變形成果基礎上進行預警研究的可行性，但以上研究均是側重于變形速率的預警判據分析，未涉及累計變形判據研究，加之研究方法較為單一，也未開展預警準則分析，缺乏系統性，因而仍有必要進一步開展系統性的滑坡預警研究。本文以三峽庫區木魚包滑坡為實例背景，基于其監測成果，在預警準則分析基礎上，構建了基于累計變形判據和變形速率判據的雙判據滑坡預警模型，以為滑坡災害防治提供一定指導。

1 滑坡預警準則及方法研究

1.1 預警準則

滑坡預警是一個復雜過程，其準則應具有綜合性和可行性，即滑坡預警應在常用指標上構建，并具有較強的可操作性。

2 實例分析

2.1 工程概況

木魚包滑坡隸屬秭歸縣沙鎮溪鎮，位于三峽壩址上游56 km處的右岸，平面呈漏斗狀，主滑方向為20°，縱向長1 500 m，寬度約1 200 m，面積約180萬m2，平均厚度約50 m，總體積為9 000萬m3，屬深層巨型滑坡。

根據現場勘察結果，得知滑床巖性主要為侏羅系石英砂巖和砂泥巖夾煤層，具有順向坡體結構。滑體主要包含有兩部分，即松散堆積層和擾動破壞砂巖層。其中，松散堆積層主要分布于地表，巖性為崩坡積和殘坡積碎石土，碎塊石母巖成分以砂、泥巖為主，含量局部差異變化較大;擾動破壞砂巖層主要是由區內構造運動所致，節理裂隙較發育，利于降雨入滲。滑帶主要為粉質壤土，夾雜少量碎塊石，黑色，具可塑～硬塑狀，遇水易軟化，抗剪強度相對較低。

區內水文條件較為復雜，其中，地表水主要以前緣長江水系為主，且坡面沖溝在雨季會形成臨時徑流，流量受雨量影響較大。地下水主要分為孔隙水和裂隙水兩類，前者主要賦存于地表堆積體中，季節波動明顯，而后者主要賦存于滑床基巖裂隙中，對滑坡影響有限[16-17]。

自三峽水庫蓄水以來，木魚包滑坡出現了不同程度的變形，為有效掌握其變形規律，布設了四橫三縱的監測網，其中，ZG291監測點變形量相對最大，限于篇幅，以其所處縱斷面4個監測點的監測成果為例，分析本文研究思路的有效性;同時，結合滑坡監測點布置，得ZG291～ZG294監測點的斷面布置如圖1所示。

在2006年11月至2009年12月間，按1月/次的監測頻率，共計得到38個周期的監測成果，具體變形曲線如圖2所示。由圖2可知，ZG291監測點累計變形相對最大，已達828 mm，其余3個監測點的變形規律和變形量相當，介于564～593 mm之間。總體來說，木魚包滑坡的變形位移較大，對其開展預警研究具有重要意義。

2.2 累計變形判據的預警分析

根據本文思路，先以累計變形判據進行木魚包滑坡的預警分級，將其分析過程詳述如下。

（1） 極限位移的預警分析。

首先，利用Matlab擬合工具箱實現極限位移的擬合求解，結果如表3所示。由表3可知，各監測擬合結果的擬合度均趨近于1，說明擬合效果較好，所得極限位移參數的可信度較高;同時，根據安全儲備參數Fc ，得知4個監測點的安全儲備相當，ZG293監測點的安全儲備相對最高，其次是ZG291、ZG294和ZG292監測點。其次，根據表1中的判據，對現有變形值條件下的所屬臨界區間進行求解，進而進行預警等級評價，得到其判斷結果如表4所列。通過極限位移的預警分析，得出4個監測點的預警等級均為Ⅱ級，相對略低。

（2） 位移發展趨勢的預警分析。

在前述極限位移預警分析基礎上，再對其發展趨勢進行分析;同時，限于篇幅，本文僅以ZG291監測點為例，詳述不同階段的優化效果，且在預測過程中，以1～33周期為訓練樣本，34～38周期為驗證樣本，39～42周期為外推預測樣本。

先對不同激勵函數的預測效果進行篩選，且在篩選過程中，以預測結果的相對誤差平均值及其標準差為評價指標，通過計算，得到其篩選結果如表5所列。由表5可知，3種激勵函數的預測效果存在一定差異，以Sigmiod型的平均相對誤差值最小，具備較高的預測精度，且其標準差也相對最小，進而說明其預測結果具有相對更強的穩定性，其次是Hardlim型和Sine型，因此，確定本文ELM模型的激勵函數為Sigmiod型。

其次，再利用粒子群算法和M估計分別優化模型參數和預測誤差，且為了驗證ELM模型較傳統神經網絡的優越性，再利用傳統BP神經網絡進行預測研究，進而得到上述各類模型在ZG291監測點中的預測結果如表6和圖3所示。根據表6可知，在相應驗證節點處，隨著優化過程的遞進，預測結果的相對誤差值出現了不同程度的減小，說明3類優化方法的有效性均較好，且RPSO-ELM模型的預測結果具有相對最小的平均相對誤差和標準差，說明其不僅具有相對最優的預測精度，還具有較強的穩定性;同時，對比傳統BP神經網絡和RPSO-ELM模型的預測結果可知，后者的預測精度及穩定性相對更優，進而驗證了本文預測模型相較傳統預測模型具有更好的預測效果。最后，通過外推預測，得知ZG291監測點的變形將呈上升趨勢，無收斂跡象。

前述已驗證了本文RPSO-ELM模型的有效性，再利用該模型對其余3個監測點發展趨勢進行評價，結果如表7所列。對比ZG292～ZG294監測點的預測結果可知，在預測效果方面，三者平均相對誤差值相近，說明本文預測模型具有較強的穩健性，其中，以ZG294監測點的預測效果相對最優，其次是ZG292監測點和ZG293監測點;在預測結果穩定性方面，ZG294監測點的標準差值相對最小，具有相對最小的波動性，其次是ZG292監測點和ZG293監測點，但三者標準差值均較小，變化差異不大。同時，3個監測點的外推預測結果也呈上升趨勢，并無收斂跡象。

因此，按極限位移判斷，滑坡預警等級為Ⅱ級，但4個監測點的外推預測均得出滑坡變形呈上升趨勢，進而應提高一級預警，即通過累計變形判據得出滑坡預警等級為Ⅲ級。

2.3 變形速率判據的預警分析

類比前述分析，再利用變形速率判據對木魚包滑坡進行預警分析，具體分析過程如下。

（1） 極限變形速率的預警分析。

以表1中的臨界系數Fr和表3中已求得的安全儲備參數Fc為基礎，計算得到極限變形速率的相關特征參數及預警等級如表8所列。由表8可知，按極限變形速率的預警準則，得ZG292監測點的預警等級為Ⅰ級，其余3個監測點的預警等級為Ⅲ級，即滑坡不同位置的預警等級存在一定差異，按不利原則確定其預警等級為Ⅲ級。

（2） 變形速率發展趨勢的預警分析。

根據前述預警方法，再利用M-K檢驗來分析判斷滑坡變形速率的發展趨勢，得其分析結果如表9所列。由表9可知，4個監測點的Z值均大于零，但大小存在一定差異，即4個監測點的變形速率均呈上升趨勢，并具有不同的顯著性，其中，ZG292監測點的上升趨勢較顯著，而其余3個監測點僅屬顯著。

根據上述分析，按極限變形速率判斷，得知木魚包滑坡的預警等級為Ⅲ級，加之其變形速率呈上升趨勢，進而確定在變形速率判據基礎上的預警等級為Ⅲ級。

綜合兩類判據的預警結果，得出累計變形判據的滑坡預警等級為Ⅲ級，變形速率判據的滑坡預警等級也為Ⅲ級，兩者分析結果一致，相互佐證了兩類判據的準確性，進而綜合確定木魚包滑坡的預警等級為Ⅲ級，即滑坡目前處于中等危險，應進行較高頻率監測，并做好避讓措施的準備。

3 結 論

（1） 累計變形和變形速率是滑坡預警的重要判據，具有全面性和系統性，適用性較強，能有效實現滑坡預警等級劃分。

（2） 在滑坡預警的實現方法中，各類分析方法均具有良好效果，所得結果也相互佐證了各自分析結果的有效性，綜合確定木魚包滑坡的預警等級為Ⅲ級，為其災害防治提供了一定參考。

限于篇幅，本文僅以主滑面監測成果進行預警，建議后續研究可再對其余監測點進行預警分析，以全面掌握滑坡預警等級。

參考文獻：

[1] 喬建平.降雨型滑坡泥石流災害預警原理及系統結構[J].人民長江，2020，51（1）：50-55，74.

[2] 張寧，李青，李闖將，等.基于極限學習機和熵值法的巖土災變預警[J].科學技術與工程，2019，19（33）：251-258.

[3] 林劍，張奇飛，龍萬學，等.基于預警隸屬度函數多模型融合的滑坡預警方法[J].吉林大學學報（地球科學版），2019，49（2）：477-484.

[4] 蘇白燕，許強，黃健，等.基于動態數據驅動的地質災害監測預警系統設計與實現[J].成都理工大學學報（自然科學版），2018，45（5）：615-625.

[5] 李聰，朱杰兵，汪斌，等.滑坡不同變形階段演化規律與變形速率預警判據研究[J].巖石力學與工程學報，2016，35（7）：1407-1414.

[6] 陳賀，李亞軍，房銳，等.滑坡深部位移監測新技術及預警預報研究[J].巖石力學與工程學報，2015，34（增2）：4063-4070.

[7] 苑誼，馬霄漢，李慶岳，等.由樹坪滑坡自動監測曲線分析滑坡誘因與預警判據[J].水文地質工程地質，2015，42（5）：115-122，128.

[8] 檀夢皎，殷坤龍，郭子正，等.基于CEEMDAN理論和PSO-ELM模型的滑坡位移預測[J].地質科技情報，2019，38（6）：165-175.

[9] 高彩云，高寧.一種基于M估計的Robust-ELM滑坡位移預測方法[J].大地測量與地球動力學，2019，39（2）：153-157.

[10] 高彩云.基于新型智能算法ELM的滑坡變形位移預測[J].人民長江，2017，48（7）：46-49，69.

[11] 任慶國.基于重標極差法和神經網絡的隧道變形趨勢判斷[J].人民長江，2017，48（16）：54-59.

[12] 李秋全，郝付軍.三峽庫區堆積層滑坡的變形趨勢判斷及預測[J].水利水電技術，2019，50（5）：228-233.

[13] 王潤英，伍彥熹，慕子煜，等.基于M估計的抗差Kalman濾波算法在某混凝土重力壩變形監測中的應用[J].水電能源科學，2015，33（12）：89-92.

[14] 賀華剛.基于集成組合預測模型的隧道大變形預測研究[J].人民長江，2019，50（8）：172-177.

[15] 鞠興華，楊曉華，張莎莎.鐵路路基沉降變形趨勢的綜合檢驗分析[J].中國安全科學學報，2018，28（3）：132-137.

[16] 鄧茂林，易慶林，韓蓓，等.長江三峽庫區木魚包滑坡地表變形規律分析[J].巖土力學，2019，40（8）：3145-3152，3166.

[17] 王少華，宛良朋，羅強.三峽庫區木魚包滑坡典型剖面自身強度綜合評價[J].水力發電，2015，41（12）：40-43，53.

（編輯：胡旭東）