SBAS監測技術在大壩變形監測中的應用

孫志豪

(遼寧省水利水電勘測設計研究院有限公司，遼寧 沈陽 110000)

大壩等基礎設施的合理使用對于保障民生，保護當地水土等自然生態資源，對周邊居民的生活生產有著重要的作用[1- 2]。但大壩的建成，也為周邊的生活生產帶來了威脅與挑戰，近年來全國各地不斷報道由大壩變形引起的邊坡失穩甚至垮塌帶來的社會及群眾生命財產損失的案例。因此對大壩的變形進行實時監測，及時反饋并迅速做出應對至關重要。普通的監測技術對于大壩變形方面的監測浪費大量人力、物力、財力，因此，尋找一種能夠有效監測大壩變形且省時省力的監測方法對保障水利設施安全有著至關重要的作用。王利[3]通過灰色預測模型GM(1，1)和動態灰色預測模型進行建模，并將該模型應用于大壩變形預測，借助實測信息進行對比，結果發現等維信息動態預測的預測效果最好，灰色GM(1，1)模型由于其靜態特征預測精度最低，并認為采用動態預測模型能夠更好地預測大壩的變形信息。曾凡祥[4]借助LM(Leverberg Marquart)對傳統的BP神經網絡算法進行優化，并將其應用于大壩變形監測方面，最終借助試驗證明優化后的BP神經網絡算法對于大壩變形預測精度較高，且訓練速度快，計算更為簡潔。徐鋒[5]針對BP神經網絡算法隨機性較強導致的計算速度慢等缺點，采用粒子群算法(PSO)對其權值和閾值進行優化，并借助實際監測大壩的水平位移資料進行對比分析，發現相較于傳統的BP神經網絡算法，優化后的算法精度更高，收斂更快。但這些模型或預測方法仍存在一定的局限性。

本文以某地水壩為對象，采用SBAS監測技術，對比水準監測結果，對SBAS監測技術在大壩變形領域的適用性進行研究，為其在水利設施監測領域的應用提供參考依據。

1 工程概況

某水利樞紐工程大壩壩頂長約621.5m、壩體最高處的高度為51.6m。該大壩包含3孔沖沙閘和9孔泄洪閘以及溢流壩。其中，3孔沖沙閘與9孔泄洪閘的底板水準高程約為198m，溢流壩前沿長度約為195m，大壩左側有接頭壩，其壩長約為337m，最高處高程為218m。該壩區水電站安裝有4臺貫流式機組，總裝機容量為120MW。水壩地處當地丘陵區域，平均海拔在200～1100m海拔區間內。該丘陵區域溝谷發育，河谷一般呈盆地狀展開，其寬度在511～832m范圍內。

該地區地層主要包含侏羅紀系內陸河湖相沉積的砂巖，粉砂巖以及粉砂質泥巖。其巖相變化較大，砂巖交錯發育，砂巖底部經常出現形狀不規則的泥團狀物質。由第四系河流沖積形成的卵礫石層，主要表現為上部砂土，下部卵礫石夾砂，其厚度集中于3～18m區間內，且主要分布于河床周圍。而其洪坡積堆積層主要集中分布于洼地等處，堆積層主要為紅褐色黏性土夾雜碎卵石，厚度集中于1～18m范圍內。大壩所在區域地震活動較弱，位于拗陷帶的東北翼緣處，地勢較為平緩。

2 研究方法

差分干涉測量短基線集時序分析技術(Small Baseline Subset InSAR，SBAS-InSAR)將時間基線與空間基線自由組合，從而形成不同的小基線集合，基線集合的增多，能夠增加不同時間與空間的觀測值，在一定程度上大大提高了監測的精度。

其原理為對于X+1景所覆蓋的圖像，將其按照時間順序進行排序，在不同的時間序列上進行自由組合，生成不同的小基線集合，通過差分干涉的方法生成指定數量的干涉圖像。不同時間線組合而成的干涉圖的干涉相位差可表示為：

δφj(x,r)=φB(x,r)-φA(x,r)

(1)

上式可以近似等于：

δφj(x,r)≈Δφdef(x,r)+Δφtop(x,r)+
Δφatm(x,r)+Δφnoise(x,r)

(2)

式中，δφj—第j幅圖的干涉相位差；φA(x，r)—對應時間段為A時刻的影像對時間為0時刻的相位；φB(x，r)—對應時間段為B時刻的影像對時間為0時刻的相位；φdef(x，r)—變形相位；φtop(x，r)—地形相位；φatm(x，r)—大氣相位；φnoise(x，r)—噪音相位。

不考慮大氣相位和噪音相位，可將上述式子化簡為：

δφ=Aφ

(3)

式中，δφ—干涉相位差；A—矩陣；φ—對應0時刻的相位。

通過DSM對地形相位φtop(x，r)進行去除，使用濾波的方法降低噪音相位φnoise(x，r)的影響；使用線性模型計算平均變形速率，考慮濾波處理過的大氣相位和噪音相位的非線性結果，二者進行疊加得到最終的變形結果。

3 結果分析

3.1 進出水口變形結果分析

為了研究大壩的變形，將大壩的進水口、出水口、以及西壩部分逆時針獲取進水口斷面c-c′、出水口斷面j-j′、西壩斷面d-d′ 3個斷面。并在突出位置標定特征點A、B、C、D、E、F、G、H、J等9個特征點，如圖1所示。

圖1 大壩實際變形速率及特征點與斷面位置圖

大壩進出水口的不同斷面變形速率與累計變形量如圖2所示。

圖2 大壩進出水口的斷面變形速率與特征點累計變形量

圖2(a)為壩體中軸線距離與沉降速率關系圖，由圖2(a)可以看出，在同一斷面中迎水坡的沉降速率大于背水坡的沉降速率，其中在壩體的出水口斷面處迎水坡的沉降速率約為-21mm/a，出水口相比其他2個部分的沉降速率大，沉降現象最嚴重。在進水口斷面處，沉降速率一直維持在0～5mm/a區間段，較穩定，總體沉降量最低。為了更進一步看出沉降量的變化，由圖2(b)所示的特征點累計變形量圖可以看出，2014—2020年，特征點J的累計沉降量最大，且隨著時間的增長，沉降量呈線性增長趨勢，至2020年10月總體沉降量達130mm。特征點D與J類似，而C和E 2個特征點處隨時間增長，沉降量變化較小，總體較穩定。

3.2 精度分析

將SBAS變形中的水準點與實際水準點數據進行對比，采用中誤差(均方根差)和相關系數的形式分析監測精度。中誤差公式為：

(4)

式中，m—中誤差；n—樣本數；di—水準點第i時刻的累計變形量；li—實際狀態下的第i時刻的累計變形量。

考慮到InSAR所監測沉降量的角度是沿著雷達視線的角度，將其統一轉換為垂直狀態下的變形：

(5)

式中，h—垂直方向上觀測得到的沉降量；l—斜視觀測得到的沉降量；θ—雷達傾角。

隨機選取大壩上的不同水準點，與SBAS監測下的沉降量進行對比，結果如圖3所示。

由圖3可以看出，隨機選取的6個特征點其平均相關系數均在0.95以上，中誤差在20mm以內的點占總數量的75%。由圖3(a)、(d)、(e)、(f)可以看出，由于特征點的取點方法從小到大為自東向西，因此對于大壩東部和大壩西部，受水位影響的總體變形量較小，各點位累計變形量的方差均值為16mm，不同水準點之間的中誤差值均較小，實際水準點與SBAS所監測得到的水準點累計沉降量最為接近。在圖3(b)(c)中，中誤差值較大，可能是當地地下水的過度開發造成的地面沉降。在使用(5)式轉換過程中垂直誤差引起了較大的中誤差，致使中誤差達到32.3mm和40.4mm，但二者相關系數均在0.95以上，對比于實際的累計沉降量依然具備一致性。

圖3 不同特征點的累計沉降量對比圖

3.3 危險性分析

參照規范DD 2014—11《地面沉降干涉雷達數據處理技術規程》的危險性評價標準，將不同沉降速率進行分類見表1。

表1 沉降速率分類標準 單位：mm/a

對比前文可以看出該大壩的中部區域沉降量較低，沉降速率最大值為-21mm/a，累計沉降量達-135mm，屬較低沉降區域。而壩體西部區域的沉降速率最大值為-52mm/a，累計沉降量達-270mm，屬較高沉降區域。

4 結論

本文以某大壩為對象，借助SBAS監測技術得到的大壩不同位置的沉降量與沉降速率，對比實際水準點的沉降。結果顯示壩體的出水口相比其他部分的沉降速率大，沉降現象最為嚴重。進水口斷面處，較為穩定，總體沉降量最低。大壩中部區域沉降量較低，西部區域的沉降速率及累計沉降量較大。通過SBAS技術得到的沉降量與實際水準點監測得到的累計沉降量相關系數較高，雖存在部分中誤差較高的個例，但總體具備一致性，SBAS監測技術可應用于大壩變形監測。SBAS監測技術在大壩變形監測時，存在部分中誤差較高的情況，建議在監測過程中，定期人工符合，確保監測數據的準確。