水利水電工程邊坡形變風險預測方法

翁 恒

(天長市水電建筑安裝工程公司，安徽 滁州 239300)

水利水電工程邊坡形變引發的滑坡、泥石流等自然災害目前已經是全球三大地質災害之一。這種地質災害會對經濟、社會、環境等方面造成十分嚴重的影響。通過實踐和觀測發現，水利水電工程邊坡形變問題是一個常見的現象，因此形變引發的自然災害也比較普遍。很多地區水利水電工程的邊坡形變都引發了大型地質災害[1]。例如，我國的三峽水利水電工程周圍庫區就經常發生各種滑坡、崩坍事故。這些事故不論從引發危害上來說，還是從規模和數量上來說，都十分龐大，必須引起我們足夠的重視。除此之外，我國浙江、貴州、廣西、青海、云南等省也發生過很多由水利水電工程邊坡形變引發的中型、大型滑坡事故[2]。由于水利水電工程庫區范圍通常較廣，災害又呈現多發狀態，因此災害的影響范圍極廣，必須實施水利水電工程邊坡形變風險預測。相比其他類型的地質災害，水利水電工程邊坡形變所引發的地質災害不僅范圍較廣，還會帶來更嚴重的破壞。因此，對水利水電工程邊坡形變風險進行預測有著巨大的現實意義。關于水利水電工程邊坡形變風險預測方面的研究，目前的成果還不夠成熟，僅能夠實現較短時間內的風險預測，并且預測結果也不是很準確。目前的研究成果主要集中在兩個方面，一方面是對邊坡形變誘發因子進行預測，另一方面是通過其動態形變過程進行預測。綜合現有研究成果，設計一種新的水利水電工程邊坡形變風險預測方法，實現水利水電工程邊坡形變風險的長期預警。

1 水利水電工程邊坡形變風險預測方法設計

1.1 邊坡形變數據獲取

通過地基雷達干涉測量技術監測邊坡，獲取邊坡形變數據。在邊坡形變數據的獲取中，首先需要選取測站位置，只有選取合適的測站位置，才能獲得精確的邊坡形變數據[3]。選取測站位置的條件具體如下：

(1)選擇地基穩定的基巖，使測站位置不易發生位移，獲得更精確的監測數據；

(2)控制邊坡和測站之間的距離，使其處于一個合理的范圍內，也就是最大距離不應該超過地基雷達系統的最大監測距離，以獲取更精確的數據；

(3)為解決測站供電問題，除了為測站配置不間斷電源系統，還需要將測站設置在容易接受供電的地方；

(4)選取時需要確保邊坡和測站之間不存在障礙物，包括植被、無關設備等；

(5)需要選擇視野較為開闊的位置。

接著構建地基雷達監測房，在房內安置地基雷達系統。其中監測房的結構與參數設計具體如下：

(1)尺寸設計為3.5m×3m×2m；

(2)將雷達發射窗口設置在監測房正面，將窗口高度設計為0.6m，通過透波材料對窗口進行密封處理；

(3)通過鍍鋅方管對支撐架進行焊接，同時對地面和支撐架進行剛性焊接，確保支撐架被牢牢固定住。

在地基雷達系統的實際運行中，首先需要對系統類型進行選擇：選擇非接觸式、能夠進行遠距離長時間數據分析與實時監測的地基雷達系統[4]。

監測流程的設計具體如下：部署地基雷達設備；利用設備采集數據；處理數據，生成數據的形變折線圖，并分析監測結果。

1.2 數據處理

處理雷達數據的具體步驟為處理干涉圖、大氣延遲位校正、相位解纏。其中處理干涉圖的步驟為采樣干涉圖、數據去直流等[5]。

在干涉圖的采樣中，最重要的是對采樣光程差間隔進行決定。

如此，通過采樣干涉圖即可對原模擬圖像數據進行重構。

還需要對干涉圖實施數據重組，以降低數據冗余。

通過MERIS實施大氣延遲校正，具體流程如下：

(1)獲取同步于SAR影像數據的MERIS數據；

(2)通過14、15通道對應波比值對積分水汽含量進行計算；

(3)在無云條件下，將可沉降水汽含量與積分水汽含量視為等值；

(4)根據可沉降水汽含量值對ZWD天頂濕延遲進行計算；

(5)對主輔影像對應大氣延遲相位進行計算，具體公式如下：

(1)

相位解纏使用的處理方法為離散余弦變換算法，具體處理步驟如下：

(1)對數組qij進行計算，具體如下式所示：

(2)

(3)對對應解實施離散余弦逆變換，獲取最小二乘解纏相位，完成相位解纏處理。

1.3 構建邊坡數值模擬計算模型

在GTS NX軟件中導入處理后的雷達測量數據，構建邊坡地質三維模型。利用FISH程序語言在FLAC 3D軟件中導入邊坡地質三維模型并對其實施網格劃分，構建邊坡數值模擬計算模型。

在網格劃分的過程中，劃分的網格類型分別為點六面體單元、點三棱柱單元、點金字塔單元、點四面體單元。

在構建邊坡數值模擬計算模型時，強度準則選擇Hoek-Brown，巖土體本構模型則采用彈塑性模型。

對模型左、右邊界對應的兩個垂直面進行邊界面法向位移約束，不對其平面進行約束；對模型前、后邊界對應的兩個垂直面進行邊界面法向位移約束，不對其平面進行約束；對于模型底部，通過固定約束對其水平邊界進行約束；通過自由面表示模型頂部地面。

模型的邊界墻體參數設計具體見表1。

表1 模型的邊界墻體參數設計

就此完成邊坡數值模擬計算模型的構建。

1.4 邊坡形變風險預測

結合BP神經網絡和GVD模型創建RGVNN模型，它也就是一種邊坡形變風險預測模型，在模型中通過BP神經網絡對GVD模型的對應預測殘差實施修正，進一步提高模型的預測精度。

其中創建邊坡形變風險預測模型的具體步驟如下：

(1)創建GVD模型，并對其預測值進行計算。首先對要預測的水利水電工程邊坡形變數據進行選擇，并對GVD模型的對應預測階數S進行確定。接著創建GVD模型，并對最優滑動窗長度進行確定。最后對其預測值序列進行計算。

(3)

式中，α(k)—預測殘差；k—數據序列里的第k項數據。

(3)對殘差序列對應訓練樣本進行創建。將預測殘差組成一個殘差序列，以預測階數S為依據，構建S組訓練樣本，并將其作為BP神經網絡的實際輸入訓練樣本。對BP神經網絡進行創建。對網絡訓練樣本實施歸一化處理，對各層閾值、初始權值和傳遞函數進行設置，確定整體訓練參數。對BP神經網絡進行訓練。對網絡訓練函數進行制定，通過訓練樣本對網絡進行訓練。

(4)對殘差修正值進行計算。在訓練好的BP神經網絡中輸入想要預測的水利水電工程邊坡形變風險樣本，通過網絡計算后即可獲得殘差修正值υ(k)。

(5)對邊坡形變風險預測模型的預測值進行計算，具體計算公式如下：

(4)

式中，c—邊坡形變風險預測模型的預測值。

通過設計的邊坡形變風險預測模型實現水利水電工程邊坡形變風險預測。

2 實際應用測試

2.1 實驗數據

對設計的水利水電工程邊坡形變風險預測方法進行實際案例應用測試。

研究中選擇的地基雷達系統型號為MPDMR-02-LSA1701，其參數具體見表2。

表2 地基雷達系統參數

通過布設的MPDMR-02-LSA1701獲取實驗水利水電工程邊坡的數據，作為實驗數據。

實驗水利水電工程邊坡處于丘陵區域，地形呈現階梯狀。實驗地區的地層巖性由上白堊統金華組地層、第三系上新統銅嶺祝組地層、坡洪積層以及填土構成。該地區的水文地質條件具體如下：在礫巖、泥質粉砂巖中存在基巖裂隙水，裂隙不發育，賦水性及滲透性較差，會向低洼地區滲流排泄。在坡洪積層和填土中存在松散層孔隙潛水，含水層含水性、透水性較好，結構松散，會向地形切割處以及下游含水層排泄。

構建實驗邊坡的數值模擬計算模型，模型使用的巖土體參數具體見表3。

表3 巖土體參數

模型的路基顆粒設計參數具體如下：

(1)填石路基：顆粒法向剛度為7.366Pa；顆粒切向剛度為2.856Pa；顆粒密度為3520kg/m3；摩擦系數為0.458。

(2)路基持力層：顆粒法向剛度為2.578Pa；顆粒切向剛度為10.258Pa；顆粒密度為3698kg/m3；摩擦系數為0.224。

構建的實驗邊坡數值模擬計算模型具體如圖1所示。

圖1 構建的實驗邊坡數值模擬計算模型

利用設計的方法對實驗邊坡實施形變風險預測。

2.2 各方向上的位移風險預測

在實驗邊坡上選擇三個較為突出的點作為風險預測的實驗點，分別對三個實驗點接下來五個月在X、Y、Z三個方向上的對應形變位移風險進行預測。預測結果具體如下：

X方向上的對應形變位移風險預測結果具體如圖2所示。

圖2 X方向上的對應形變位移風險預測結果

根據圖2，接下來五個月三個實驗點在X方向上存在不同程度的形變位移風險，其中實驗點1的形變風險最大；實驗點3的形變風險最??；實驗點2的形變風險居中。說明通過設計方法能夠實現水利水電工程邊坡X方向上的形變趨勢與風險預測。

Y方向上的對應形變位移風險預測結果具體如圖3所示。

圖3 Y方向上的對應形變位移風險預測結果

根據圖3，接下來五個月三個實驗點在Y方向上也存在著不同程度的形變位移風險，同樣是實驗點1的形變風險最大；實驗點3、實驗點2的形變風險低于實驗點1。說明通過設計方法能夠順利實現水利水電工程邊坡Y方向上的形變趨勢與風險預測。

最后利用設計方法對Z方向上的對應形變位移風險進行預測，預測結果如圖4所示。

圖4 Z方向上的對應形變位移風險預測結果

圖4表明，接下來五個月三個實驗點在Z方向上同樣存在著不同程度的形變位移風險。其中實驗點1的形變風險最大；實驗點2的形變風險最小。說明通過設計方法能夠實現水利水電工程邊坡Z方向上的形變趨勢與風險預測。

綜合三個方向上的邊坡實驗點形變位移風險預測結果，總體來說，實驗點1的形變風險是最大的，需要進行積極的控制與防護；實驗點2和實驗點3的形變風險比較相近，也需要采取一定的控制與防護措施。整體實驗結果說明，通過設計的水利水電工程邊坡形變風險預測方法能夠實現水利水電工程邊坡的短期精準風險預測。

2.3 長期風險預測測試

測試設計方法對于實驗水利水電工程邊坡未來一年形變風險的預測能力，觀察設計方法能否實現長期的風險預測。文章主要對設計的RGVNN邊坡形變風險預測模型未來一年的擬合能力進行測試，也就是對比模型擬合值即實際輸出與網絡期望輸出，以對模型擬合能力進行分析。二者的對比結果具體見表4。

根據表4中的結果，未來一年二者之間相差較小，并且差值也比較穩定。說明設計的RGVNN邊坡形變風險預測模型對未來一年形變風險的預測結果都比較穩定，也就是設計方法能實現長期的風險預測。

表4 模型實際輸出與網絡期望輸出的對比結果

3 結語

只針對這些邊坡實施形變監測是遠遠不夠的，需要對邊坡實施形變風險預測，才能對其形變量進行提前預知，以做好相應的防范措施。在研究中，設計了一種水利水電工程邊坡形變風險預測方法，實現了邊坡形變風險的精準、長期預測，對于滑坡等自然災害的規避有很大作用，能夠最大程度地降低邊坡形變引發自然災害所造成的損失，保障周圍地區人民的財產生命安全。文章主要通過設計的RGVNN邊坡形變風險預測模型實現了形變風險預測。盡管取得了一定的研究成果，但還存在很多未解決的問題，今后將會對這些問題進行研究，以期取得更完善的研究成果。