土質(zhì)滑坡臨滑前次聲信號特征研究

崔文杰，滕鵬曉，韓寶坤

(1. 山東科技大學，山東青島266590；2. 中國科學院聲學研究所噪聲與振動重點實驗室，北京100190)

0 引 言

滑坡是我國分布最廣泛和發(fā)生最頻繁的地質(zhì)災害，具有突發(fā)性和高破壞性，嚴重威脅著人民生命財產(chǎn)安全。據(jù)國土資源部發(fā)布的2015年全國地質(zhì)災害通報，該年全國共發(fā)生地質(zhì)災害8224起，其中滑坡5616起，占地質(zhì)災害總數(shù)的68.3%。

利用次聲對滑坡進行動態(tài)監(jiān)測預警是一個研究熱點，也是減害降災的重要手段。在滑坡臨滑前，斜坡上部分巖土在重力的長期作用下發(fā)生擠壓、剪切和摩擦，會釋放出次聲波[1-3]。次聲波具有頻率低、波長長、穿透能力強、衰減慢等傳播特點，能夠在很遠的距離外被次聲傳感器監(jiān)測到。利用次聲對滑坡進行監(jiān)測預警的研究有很多，大多是將滑坡體臨滑時巖石斷裂的聲發(fā)射信號進行采集處理[4-5]，主要針對巖質(zhì)滑坡，而對于土質(zhì)滑坡的研究非常少。事實上，在黃土高原和東南福建等地區(qū)，土質(zhì)滑坡占滑坡總數(shù)的95%以上[6]。因此，對土質(zhì)滑坡次聲特性的研究十分有必要。

在滑坡表面或更深部滑移發(fā)生前，滑面處的非平衡力學狀態(tài)會首先導致滑面發(fā)生應變而產(chǎn)生微變形滑動，即蠕滑。土體屬于典型的非均勻離散材料，微滑動發(fā)生時必伴隨著滑面處顆粒間相對錯動、摩擦和土體裂紋展開，釋放出次聲信號，分析蠕滑時產(chǎn)生次聲波的規(guī)律和物理特征，包括頻率、幅度和信號能量等，明確這些特征的規(guī)律，對于土質(zhì)滑坡監(jiān)測預警具有重要的意義。本文通過實驗的方法，對6組土質(zhì)坡體模型進行了滑坡模擬實驗，所使用的土樣取自重慶市奉節(jié)滑坡災害區(qū)。奉節(jié)地處三峽庫區(qū)腹心，滑坡頻發(fā)，是重點災害監(jiān)測區(qū)域。實驗土樣為粉質(zhì)黏土，山區(qū)斜坡上的粉質(zhì)黏土在一定積水或重力條件下極易引發(fā)滑坡。因此，取該種土樣進行實驗，并對土質(zhì)滑坡臨滑前的特殊次聲信號進行分析和探討，為實現(xiàn)利用次聲波對土質(zhì)滑坡災害進行監(jiān)測和預警作前期的數(shù)據(jù)積累。

1 實驗過程及數(shù)據(jù)采集系統(tǒng)

1.1 實驗過程

實驗采用人工方式模擬土質(zhì)滑坡，實驗模型如圖1(a)所示。圖中水泥臺作為基礎，上表面設有凹槽，將黏土填入凹槽中，高出水泥臺平面的部分用模具堆積成斜坡形，并將所有黏土夯緊壓實，使之成為一體。剛性導管起到傳導聲波的作用，一端與傳感器相連，另一端預埋在坡體上部并壓實固定用以采集次聲信號。傳感器與數(shù)據(jù)采集傳輸儀通過信號線相連，如圖1(b)所示。

圖1 土質(zhì)滑坡模型示意圖Fig.1 Schematic of landslide mode

實驗時，由千斤頂推動推板將力均勻地作用在滑體上，用以模擬滑坡產(chǎn)生時滑體自身重力沿滑移方向的分力，緩慢施加推力直至滑體發(fā)生整體滑移為止，水泥臺的上表面即為滑坡滑移面。此過程中產(chǎn)生的信號由傳感器獲取，并通過數(shù)據(jù)采集傳輸儀采樣后上傳給上位機進行處理分析。

1.2 數(shù)據(jù)采集傳輸系統(tǒng)

實驗中數(shù)據(jù)采集傳輸系統(tǒng)是由次聲傳感器和數(shù)據(jù)采集傳輸儀組成。

次聲波測量儀器采用中國科學院聲學研究所研制的IDS2016型次聲傳感器，該傳感器具有體積小、靈敏度高、對機械振動不敏感、頻響好的優(yōu)點。其3 dB平穩(wěn)帶寬保持在0.5～200 Hz范圍內(nèi)，靈敏度為50 mV.Pa-1，在1～100 Hz頻率范圍內(nèi)靈敏度曲線平直，可以完全覆蓋滑坡產(chǎn)生次聲波的整個頻段，實際測量的傳感器頻率響應特性曲線如圖2所示。次聲傳感器將滑坡時產(chǎn)生的聲波信號轉(zhuǎn)換成電信號，數(shù)據(jù)采集傳輸儀再將傳感器的電信號轉(zhuǎn)換成數(shù)字信號，通過無線網(wǎng)絡傳輸給上位機進行分析處理，實驗中，數(shù)據(jù)的采樣頻率設為100 Hz。

圖2 IDS2016型傳感器的頻率響應曲線Fig.2 Frequency-response curve of type-IDS2016 sensor

1.3 背景噪聲分析

本實驗為人工滑坡模擬實驗，并非在消聲室內(nèi)進行，實驗場地附近難免會有噪聲干擾，實驗過程中，在距離實驗點50 m處有通風機在運行。對實驗中的噪聲干擾進行分析和識別是準確獲取土質(zhì)滑坡時次聲信號特征的必要過程。

在千斤頂加載之前開啟數(shù)據(jù)采集傳輸儀，對背景噪聲進行采集。圖3為背景噪聲的波形圖，將采集到的背景噪聲做快速傅里葉變換(Fast Fourier Transform，F(xiàn)FT)后得到其頻譜，結(jié)果如圖4所示。

圖3 背景噪聲波形圖Fig.3 Waveforms of background noise

圖4 背景噪聲頻譜Fig.4 Spectrum of background noise

從圖4中可以看出，背景噪聲的頻率主要集中在25 Hz和40 Hz附近，前面已經(jīng)提到實驗現(xiàn)場不遠處有通風機在運行，由此可以推斷主要的噪聲源為風機噪聲。分析結(jié)果顯示，背景噪聲的頻率分布都在20 Hz以上，國內(nèi)外專家學者的研究表明，土質(zhì)滑坡時產(chǎn)生的信號頻率主要集中在0.1～32 Hz[7]。同時，本研究只關(guān)注信號的次聲部分，即20 Hz以下，因此，可以對信號進行低通濾波處理。這里利用巴特沃斯濾波器對信號進行處理，設置通帶截止頻率為20 Hz，阻帶截止頻率為25 Hz，通帶內(nèi)最大衰減為0.5 dB，阻帶衰減為30 dB。

圖5 濾波后背景噪聲波形圖Fig.5 Waveform of background noise after filtering

圖6 濾波后背景噪聲頻譜Fig.6 Spectrum of background noise after filtering

濾波處理后背景噪聲的波形和頻譜分別如圖5和圖6所示，由圖5可知，其平均聲壓幅值在-0.01～0.01 Pa之間。從圖6中可看出，波形平穩(wěn)，20 Hz以下無明顯干擾信號。

2 數(shù)據(jù)分析處理方法

傅里葉變換是信號分析最基本、最常用的方法，但是傳統(tǒng)的傅里葉變換是將時域上的全局信號轉(zhuǎn)換到頻域內(nèi)，無法觀察信號在特定時間內(nèi)頻域上的特性，即無法實現(xiàn)局部化分析。對于非平穩(wěn)信號，往往需要研究信號的某些局部頻率及其對應的時間的變化規(guī)律，即進行時頻聯(lián)合分析。因此，傳統(tǒng)傅里葉變換不再適用。時頻分析適合研究非平穩(wěn)信號，對于描述信號的頻譜隨時間的變化規(guī)律，有其不可替代的作用，是現(xiàn)代信號處理的研究熱點。

時頻分析最常用到的方法是短時傅里葉變換和小波變換。本研究中同時使用短時傅里葉變換和小波分解對得到的次聲信號進行分析。短時傅里葉變換得到的時頻圖簡單直觀；小波分析可以將信號進行多尺度分解，有利于研究每個分層上信號的能量分布特性。兩種方法聯(lián)合使用，有利于準確地獲取信號特性。

短時傅里葉變換(Short-Time Fourier Transform，STFT)的基本思想是：在時域上利用一個窗函數(shù)g(τ)去截取信號，被截取的信號在有限時間寬度內(nèi)是近似平穩(wěn)的，然后對該時間間隔內(nèi)的信號做傅里葉變換，不斷移動窗函數(shù)位置，就可以得到不同時刻的傅里葉變換，實現(xiàn)局部化分析。設有一個信號其短時傅里葉變換定義為

1.2.2 消化系統(tǒng)感染 ①惡心嘔吐或腹痛腹瀉癥狀加重；②有下列任意兩項：a.發(fā)熱；b.周圍血白細胞升高；c.大便中可見紅細胞、白細胞或膿細胞；d.大便連續(xù)兩次培養(yǎng)出相同的病原菌。

由此可見，短時傅里葉變換物理意義明確，能夠給出簡單直觀的時頻構(gòu)造。

小波變換是利用一個形狀可變的窗函數(shù)(即基小波)把信號分割成不同的頻率成分，然后再用分解的方法研究對應尺度下的成分，有利于對信號的局部進行分析。

對于任意平方可積的函數(shù)?(t) ，其傅里葉變換為Ψ(ω)，若Ψ(ω)滿足

則稱?(t) 為小波基函數(shù)。將小波基函數(shù)進行伸縮和平移，得：

式中為一個小波序列，a為尺度因子，b為時間因子。若給定一個信號則其小波變換的定義為

3 實驗結(jié)果分析

3.1 土質(zhì)滑坡次聲信號時頻分析

本次研究中共進行6組土質(zhì)滑坡模型實驗的信號采集，將數(shù)據(jù)經(jīng)過前文提到的濾波器處理后，得到土質(zhì)滑坡臨滑前的時域信號波形，如圖7所示，其中圖7(a)～7(d)為局部放大后的波形圖。由圖7可見，在滑坡產(chǎn)生的過程中有明顯的信號產(chǎn)生，對原始信號進行短時傅里葉變換，得到信號的時頻圖，如圖8所示。

從圖8中可以看出，在發(fā)生土質(zhì)滑坡時會產(chǎn)生兩種明顯的特征信號：第一種是在47、125、205 s和281 s時，出現(xiàn)頻率為12.5 Hz的信號，且結(jié)合圖7中信號波形來看，該頻率信號出現(xiàn)時會有一個明顯的負壓波產(chǎn)生，如圖7中7(a)、7(b)、7(c)、7(d)所示，類似于突然卸載的力學特性；第二種是能量主要集中在 0.5～6 Hz范圍內(nèi)、頻帶相對較寬的次聲信號。在第一種特征信號出現(xiàn)前和出現(xiàn)后，都有第二種特征信號產(chǎn)生。根據(jù)滑坡蠕滑的規(guī)律可知[8]，滑體在滑移方向力的作用下，首先是滑體后緣先發(fā)生剪切斷裂，斷裂處顆粒產(chǎn)生錯動和摩擦，然后裂紋逐漸向滑體前緣拓展，當滑體前緣發(fā)生剪切斷裂時，整個滑面貫通，然后滑坡產(chǎn)生整體滑動。由蠕滑階段的發(fā)展規(guī)律推斷：頻率為12.5 Hz的信號為滑坡體裂紋擴展的特征信號；頻率為0.5～6 Hz的信號為滑面處顆粒間相對錯動、摩擦的特征信號。

圖7 濾波后信號波形圖Fig.7 Signal waveforms after filtering

圖8 土質(zhì)滑坡實驗時頻圖Fig.8 Time-frequency diagram of landslide test

3.2 土質(zhì)滑坡次聲信號能量特性分析

本文的研究中，信號的采樣頻率為100 Hz，即信號中存在的最高頻率為 50 Hz，這里利用選擇的db 6小波基將信號進行4層分解，得到5個頻段，各個頻段的頻率范圍如表1所示。這種方式將關(guān)心的次聲部分成了4個頻段，有利于分析次聲各個頻段上的信號特征。

表1 信號4層分解后的頻率范圍Table 1 The frequency ranges after four-level decomposition

將圖7中的信號利用db 6小波基進行4層分解后，得到近似分量和各層細節(jié)分量波形，如圖9所示。

從圖9可以看出，信號經(jīng)過4層小波分解后，在次聲部分仍然保持較為清晰的波形，除d1外其他各層信號幅值都在10-2數(shù)量級上，說明信號在a4、d4、d3和d2上能量相對較高，含有較多信號的有效成分。為了進行定量分析，下面計算各小波分解系數(shù)能量占總能量的百分比。

圖9 4層小波分解波形圖Fig.9 Waveforms after four-level wavelet decomposition

設信號的總能量為E，小波n層分解后的近似部分的能量為Ean、各層細節(jié)分量部分的能量為則有

那么，各個小波系數(shù)能量百分比可表示為

其中為第n層近似分量的能量占的百分比；為第j層細節(jié)分量的能量占的百分比，這里通過上述方法計算出實驗中6組信號4層分解后各個頻段能量的百分比，如表2所示。

對照表1和表2可以看出，在土質(zhì)滑坡蠕滑階段會有次聲信號產(chǎn)生，在0～12.5 Hz頻段內(nèi)，信號能量占到總能量的80%以上。在12.5～20 Hz頻段內(nèi)的信號能量占比相對較少，在 0～3.125 Hz頻段內(nèi)的信號能量占比最高，在3.125～12.5 Hz頻段內(nèi)的信號能量分布相對比較均勻。

時頻分析的結(jié)果表明，信號能量集中的區(qū)域在0.5～6 Hz頻段和頻率12.5 Hz附近。結(jié)合兩個分析的結(jié)果可以得出，土質(zhì)滑坡蠕滑階段產(chǎn)生的信號確實為次聲信號，且信號頻率主要分布在 0.5～12.5 Hz之間，其中相對能量集中的兩個頻段在0.5～6 Hz和12.5 Hz附近。前文推斷了兩個頻段特征信號可能對應的土質(zhì)滑坡蠕滑階段的兩種特征事件，可以作為土質(zhì)滑坡蠕滑的特征信號以供監(jiān)測參考，具體能否作為確定的特征信號進行土質(zhì)滑坡災害的監(jiān)測預警，還需要進行更深一步的研究和驗證。

4 結(jié) 論

(1) 土質(zhì)滑坡發(fā)生整體滑動前會有次聲信號產(chǎn)生，經(jīng)過分析可知，次聲信號的能量主要分布在12.5 Hz及以下的頻帶范圍內(nèi)。

(2) 土質(zhì)滑坡的蠕滑階段會產(chǎn)生兩種特征的次聲信號：滑體內(nèi)部裂紋擴展信號和滑面處顆粒間錯動、摩擦信號?；w內(nèi)部裂紋擴展時產(chǎn)生的次聲信號的頻率主要集中在12.5 Hz附近；而錯動和摩擦時產(chǎn)生次聲信號的頻率主要集中在0.5～6 Hz頻段內(nèi)。這兩種信號可以作為土質(zhì)滑坡監(jiān)測的重要參考，但仍需要更深一步的驗證。

(3) 顆粒錯動、摩擦的信號與裂紋擴展信號交替出現(xiàn)，與土質(zhì)滑坡蠕滑階段的發(fā)展規(guī)律基本相符。

參考文獻

[1] LIU Dunlong, LENG Xiaopeng, WEI Fangqiang, et al. Monitoring and recognition of debris flow infrasonic signals[J]. Journal of Mountain Science, 2015, 12(4): 797-815.

[2] PANKOW K L, MOORE J R, HALE J M, et al. Massive landslide at Utah copper mine generates wealth of geophysical data[J]. Gsa Today, 2014, 24(1): 4-9.

[3] YAN Y, CUI P, CHEN S C, et al. Characteristics and interpretation of the seismic signal of a field-scale landslide dam failure experiment[J]. Journal of Mountain Science, 2017, 14(2): 219-236.

[4] 余小平, 庹先國, 劉明哲, 等. 滑坡體臨滑聲發(fā)射監(jiān)測主機的設計[J]. 自動化與儀表, 2011, 36(8): 21-24.YU Xiaoping, TUO Xianguo, LIU Mingzhe, et al. Design of acoustic emission monitoring host machine for landslide mass critical-sliding[J]. Instrument and Meter Plant, 2011, 36(8): 21-24.

[5] 任際周. 基于次聲波技術(shù)的滑坡監(jiān)測預警系統(tǒng)研究[D]. 成都: 成都理工大學, 2012:1-20.REN Jizhou. Research of landslide monitoring early warming based on sonic technology[D]. Chengdu: Chengdu University of Technology, 2012: 1-20.

[6] 唐亞明. 陜北黃土滑坡風險評價及監(jiān)測預警技術(shù)方法研究[D]. 北京: 中國地質(zhì)大學(北京), 2012: 10-13.TANG Yaming. Methods on risk assessment and monitor & early-warning for the loess landslide in north of Shaanxi[D]. Beijing:China University of Geosciences (Beijing), 2012: 1-20.

[7] CHEN T C, LIN M L, WANG K L. Landslide seismic signal recognition and mobility of an earthquake-induced rockslide in Tsaoling, Taiwan[J]. Engineering Geology, 2014, 171(3): 31-44.

[8] 李守義, 廖元慶. 某工程庫區(qū)滑坡蠕滑特性分析[J]. 自然災害學報, 2009, 18(6): 135-140.LI Shouyi, LIAO Yuanqing. Creep behavior analysis of landslide in a project reservoir area[J]. Journal of Natural Disasters, 2009,18(6): 135-140.

[9] 徐洪, 陳正華, 周廷強, 等. 基于小波分解的巖石破壞次聲信息特征研究[J]. 應用聲學, 2016, 35(3): 231-238.XU Hong, CHEN Zhenghua, ZHOU Tingqiang, et al. Characteristics analysis of infrasound before rock failure applying the wavelet decomposition[J]. Journal of Applied Acoustics, 2016, 35(3):231-238.

[10] 李瀟, 徐進軍. 基于小波分析與LSSVM的滑坡變形預測[J]. 大地測量與地球動力學, 2009, 29(4): 127-130.LI Xiao, XU Jinjun. Landslide deformation prediction based on wavelet analysis and least square support vector machine[J]. Journal of Geodesy and Geodynamics, 2009, 29(4): 127-130.