庫岸涉水滑坡危險(xiǎn)性現(xiàn)狀分析與預(yù)測評(píng)價(jià)

薛曉輝，周 玲，秦愛紅

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

0 引言

近年來，隨著我國水利建設(shè)快速發(fā)展，形成了規(guī)模不等的庫區(qū)，影響岸坡穩(wěn)定同時(shí)，誘發(fā)大量庫岸滑坡災(zāi)害，存在較大潛在威脅。因此，開展庫岸滑坡危險(xiǎn)性研究尤為重要[1-3]。相關(guān)領(lǐng)域?qū)W者開展滑坡危險(xiǎn)性研究：朱崇浩等[4]利用DInSAR技術(shù)和BP神經(jīng)網(wǎng)絡(luò)，構(gòu)建震后條件下滑坡危險(xiǎn)分析模型；孟田等[5]基于斜坡單元化處理，對(duì)高海拔區(qū)滑坡危險(xiǎn)性進(jìn)行評(píng)價(jià)；袁時(shí)祥等[6]基于滑坡發(fā)育影響因素分析，利用數(shù)量化理論實(shí)現(xiàn)滑坡危險(xiǎn)性評(píng)價(jià)。研究雖取得一定成果，但均較少涉及庫岸滑坡危險(xiǎn)性評(píng)價(jià)、滑坡危險(xiǎn)性現(xiàn)狀分析及預(yù)測評(píng)價(jià)。因滑坡危險(xiǎn)性影響因素較多，通常采用層次分析法進(jìn)行滑坡危險(xiǎn)性評(píng)價(jià)[7-8]，并提出利用層次分析法與模糊理論構(gòu)建滑坡危險(xiǎn)性評(píng)價(jià)模型；滑坡變形能直觀體現(xiàn)其穩(wěn)定性，結(jié)合滑坡現(xiàn)場監(jiān)測手段，可實(shí)現(xiàn)滑坡危險(xiǎn)性預(yù)測評(píng)價(jià)。因支持向量機(jī)在滑坡變形預(yù)測中適用性較強(qiáng)[9-10]，提出利用支持向量機(jī)構(gòu)建滑坡變形預(yù)測模型，以實(shí)現(xiàn)危險(xiǎn)性預(yù)測評(píng)價(jià)。本文利用層次分析法與模糊理論，構(gòu)建滑坡危險(xiǎn)性現(xiàn)狀評(píng)價(jià)模型，基于支持向量機(jī)理論，構(gòu)建滑坡變形預(yù)測模型，并通過變形預(yù)測實(shí)現(xiàn)滑坡危險(xiǎn)性預(yù)測評(píng)價(jià)，并綜合對(duì)比滑坡危險(xiǎn)性分析結(jié)果與預(yù)測評(píng)價(jià)結(jié)果。研究結(jié)果可為滑坡災(zāi)害防治提供一定理論依據(jù)。

1 基本原理

研究過程包括危險(xiǎn)性現(xiàn)狀評(píng)價(jià)與滑坡危險(xiǎn)性預(yù)測評(píng)價(jià)，主要包括以下2個(gè)步驟：

1)以滑坡所在區(qū)域地質(zhì)條件為基礎(chǔ)，利用層次分析法與模糊理論構(gòu)建滑坡危險(xiǎn)性評(píng)價(jià)模型，開展危險(xiǎn)性現(xiàn)狀評(píng)價(jià)。

2)基于滑坡變形監(jiān)測結(jié)果，利用優(yōu)化支持向量機(jī)構(gòu)建變形預(yù)測模型，開展滑坡危險(xiǎn)性預(yù)測評(píng)價(jià)。

1.1 危險(xiǎn)性現(xiàn)狀評(píng)價(jià)模型構(gòu)建

基于層次分析法與模糊理論，利用P×C分級(jí)法構(gòu)建現(xiàn)狀評(píng)價(jià)模型?；挛ｋU(xiǎn)性現(xiàn)狀評(píng)價(jià)主要包括以下4個(gè)階段：

1)滑坡危險(xiǎn)性現(xiàn)狀評(píng)價(jià)體系構(gòu)建

層次分析法是1種系統(tǒng)性分析法，邏輯能力與可操作性較強(qiáng)。以“滑坡危險(xiǎn)性現(xiàn)狀評(píng)價(jià)”為目標(biāo)層，下設(shè)2個(gè)危險(xiǎn)性影響因素層，即1級(jí)影響指標(biāo)和2級(jí)影響指標(biāo)。

2)危險(xiǎn)性影響因素權(quán)值求解

評(píng)價(jià)指標(biāo)權(quán)值求解采用1-9標(biāo)度法，求解過程如下：

①構(gòu)建判斷矩陣。根據(jù)1-9標(biāo)度法，將每2個(gè)影響指標(biāo)進(jìn)行對(duì)比，評(píng)價(jià)指標(biāo)相對(duì)重要性，構(gòu)建判斷矩陣。

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

(1)

式中：n為影響指標(biāo)數(shù)。

基于CI值，并結(jié)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(dāng)CR值<0.1時(shí)，判斷矩陣滿足一致性檢驗(yàn)，反之，不滿足一致性檢驗(yàn)，需重新構(gòu)建判斷矩陣，直至滿足一致性檢驗(yàn)要求。

③權(quán)值計(jì)算。當(dāng)判斷矩陣滿足一致性檢驗(yàn)，求解最大特征值λmax對(duì)應(yīng)特征向量，并進(jìn)行歸一化處理，歸一化值即相應(yīng)權(quán)值。

3)危險(xiǎn)性影響因素隸屬度求解

本文利用專家法求解危險(xiǎn)性影響因素隸屬度。不同類型專家經(jīng)驗(yàn)存在一定差異，因此，利用折減系數(shù)對(duì)專家評(píng)價(jià)結(jié)果進(jìn)行折減處理，不同專家評(píng)價(jià)結(jié)果折減系數(shù)標(biāo)準(zhǔn)見表1。

表1 不同類型專家評(píng)價(jià)結(jié)果折減系數(shù)標(biāo)準(zhǔn)

4)不同影響因素及滑坡整體危險(xiǎn)性評(píng)價(jià)

利用P×C分級(jí)法實(shí)現(xiàn)不同影響因素及滑坡整體危險(xiǎn)性評(píng)價(jià)?；挛ｋU(xiǎn)性分為4個(gè)等級(jí)，危險(xiǎn)性分級(jí)及決策見表2。

表2 滑坡危險(xiǎn)性分級(jí)及決策

1.2 危險(xiǎn)性預(yù)測評(píng)價(jià)模型構(gòu)建

因支持向量機(jī)(Support Vector Machine,SVM)能將變形信息向高維空間映射，具有結(jié)構(gòu)風(fēng)險(xiǎn)最小化等優(yōu)勢(shì)，因此，利用SVM進(jìn)行滑坡變形預(yù)測可行。結(jié)合SVM模型基本原理，回歸函數(shù)f(x)如式(3)所示：

f(x)=ωφ(x)+b

(3)

式中：ω為權(quán)值向量；φ(x)為映射函數(shù)；b為偏置量。

SVM存在一定不足：核函數(shù)類型相對(duì)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(qiáng)；懲罰因子與預(yù)測模型學(xué)習(xí)能力相關(guān)，易出現(xiàn)“過學(xué)習(xí)”或“欠學(xué)習(xí)”現(xiàn)象。為確保預(yù)測精度，需要對(duì)上述問題進(jìn)行優(yōu)化處理：

1)核函數(shù)優(yōu)化處理。SVM模型常用核函數(shù)包括線性核函數(shù)、多項(xiàng)式核函數(shù)、Sigmoid函數(shù)和Gauss函數(shù)4類，4類核函數(shù)適用性存在一定差異，可利用試湊法確定最優(yōu)核函數(shù)，通過對(duì)4類核函數(shù)進(jìn)行預(yù)測效果試算，效果最佳者即最優(yōu)核函數(shù)。

2)懲罰因子優(yōu)化處理。布谷鳥算法(Cuckoo Search，CS)作為新型啟發(fā)式算法，較傳統(tǒng)優(yōu)化方法有操作簡單、運(yùn)算參數(shù)少、易于實(shí)現(xiàn)等優(yōu)點(diǎn)，因此，可通過CS算法優(yōu)化支持向量機(jī)懲罰因子。文獻(xiàn)[11]指出，CS算法存在搜索能力相對(duì)偏弱，易陷入局部極值等不足，為此提出ICS算法，既可彌補(bǔ)CS算法不足，又可以實(shí)現(xiàn)懲罰因子優(yōu)化處理。

通過優(yōu)化處理，確保SVM模型參數(shù)最優(yōu)性。變形預(yù)測結(jié)果對(duì)滑坡危險(xiǎn)性預(yù)測評(píng)價(jià)判據(jù)為：若滑坡變形呈持續(xù)增加趨勢(shì)，危險(xiǎn)性將進(jìn)一步增大；若滑坡變形趨于穩(wěn)定方向發(fā)展，危險(xiǎn)性不會(huì)發(fā)生改變。

通過對(duì)比滑坡危險(xiǎn)性現(xiàn)狀評(píng)價(jià)與預(yù)測評(píng)價(jià)結(jié)果，綜合判斷危險(xiǎn)性狀態(tài)，為滑坡災(zāi)害防治提供一定理論參考。

2 實(shí)例分析

2.1 工程概況

大柿樹滑坡位于小浪底庫區(qū)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(jù)現(xiàn)場勘查，滑坡地表為臺(tái)階狀，高程190～230 m，坡度10°～30°，地形起伏相對(duì)較大[12]；滑坡區(qū)發(fā)育2條大型斷裂，區(qū)內(nèi)巖體節(jié)理裂隙較凌亂，對(duì)滑坡形成影響較大。鉆探結(jié)果顯示，區(qū)內(nèi)下覆基巖以二疊系石盒子組砂、泥巖為主，2者具互層結(jié)構(gòu)；上覆第四系土層成因類型相對(duì)較多，巖性以黃土為主，夾雜少量碎石。

通過現(xiàn)場調(diào)查，大柿樹滑坡于2003—2004年開始出現(xiàn)變形跡象，外加庫區(qū)水位周期性波動(dòng)，進(jìn)行危險(xiǎn)性評(píng)價(jià)迫在眉睫。

2.2 危險(xiǎn)性現(xiàn)狀評(píng)價(jià)

因滑坡危險(xiǎn)性影響因素較多，將滑坡危險(xiǎn)性現(xiàn)狀評(píng)價(jià)分為評(píng)價(jià)體系構(gòu)建與危險(xiǎn)性現(xiàn)狀分析2部分。

2.2.1 評(píng)價(jià)體系構(gòu)建

滑坡變形失穩(wěn)指部分巖土體沿軟弱面下滑現(xiàn)象，成因大致分為內(nèi)部成因與外在誘因：內(nèi)部成因是滑坡發(fā)生必要屬性，包含地形因素、坡體結(jié)構(gòu)因素及滑面形態(tài)等；外在誘因是滑坡發(fā)生失穩(wěn)激發(fā)因素，如人為因素。大柿樹滑坡危險(xiǎn)性現(xiàn)狀體系建設(shè)，應(yīng)基于內(nèi)部成因與外在誘因2部分進(jìn)行。

依據(jù)已有研究成果，利用層次分析法構(gòu)建大柿樹滑坡危險(xiǎn)性現(xiàn)狀評(píng)價(jià)模型，以“滑坡危險(xiǎn)性現(xiàn)狀評(píng)價(jià)”為目標(biāo)層，下設(shè)2級(jí)評(píng)價(jià)指標(biāo)：1級(jí)影響指標(biāo)和2級(jí)影響指標(biāo)。其中，1級(jí)評(píng)價(jià)指標(biāo)有6個(gè)，2級(jí)評(píng)價(jià)指標(biāo)有14個(gè)，大柿樹滑坡危險(xiǎn)性現(xiàn)狀評(píng)價(jià)體系如圖1所示。

圖1 大柿樹滑坡危險(xiǎn)性現(xiàn)狀評(píng)價(jià)體系

2.2.2 危險(xiǎn)性現(xiàn)狀分析

利用P×C分級(jí)法進(jìn)行滑坡危險(xiǎn)性現(xiàn)狀分析，過程如下：

1)危險(xiǎn)性影響因素權(quán)值求解

利用1～9標(biāo)度法求解各影響因素權(quán)值，以地形因素A12級(jí)指標(biāo)為例詳述權(quán)值求解過程。

地形因素A1。通過對(duì)比評(píng)價(jià)指標(biāo)B1～B2相對(duì)重要性，得到判斷矩陣，見表3。

表3 地形因素2級(jí)判斷矩陣

計(jì)算得λmax1=2，對(duì)應(yīng)特征向量b1=[0.894,0.447]，因只有2個(gè)影響因素，所以滿足一致性檢驗(yàn)。

通過對(duì)特征向量b1進(jìn)行歸一化處理，得B1～B2指標(biāo)權(quán)值[0.667,0.333]。

同理，求解剩余影響因素權(quán)值，得到不同影響因素權(quán)值，見表4。

表4 不同影響因素權(quán)值

2)危險(xiǎn)性影響因素隸屬度求解

利用專家法求解滑坡危險(xiǎn)性影響因素隸屬度。據(jù)調(diào)查，共得到22位專家影響因素隸屬度，結(jié)合表1中折減系數(shù)標(biāo)準(zhǔn)，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(xiǎn)性評(píng)價(jià)

基于權(quán)值與隸屬度，對(duì)1級(jí)影響因素及滑坡整體危險(xiǎn)性進(jìn)行定量分析。

①1級(jí)影響因素危險(xiǎn)性分析

計(jì)算1級(jí)影響因素危險(xiǎn)性得分，并進(jìn)行危險(xiǎn)性評(píng)價(jià)，評(píng)價(jià)結(jié)果見表6。由表6可知，各1級(jí)指標(biāo)危險(xiǎn)性得分存在一定差異，表明各影響因素對(duì)大柿樹滑坡危險(xiǎn)性貢獻(xiàn)不同。其中，變形特征A5因素危險(xiǎn)性得分73.71，相對(duì)較高，其次為地形因素A1、滑面形態(tài)A4、坡體結(jié)構(gòu)因素A2、水文條件因素A3以及人類工程活動(dòng)A6，6個(gè)1級(jí)影響因素危險(xiǎn)性等級(jí)均為Ⅲ級(jí)。

表6 1級(jí)指標(biāo)危險(xiǎn)性評(píng)價(jià)結(jié)果

②大柿樹滑坡整體危險(xiǎn)性分析

對(duì)大柿樹滑坡整體危險(xiǎn)性進(jìn)行分析，如式(4)所示：

(4)

式中：F為整體危險(xiǎn)性分析得分。

經(jīng)計(jì)算，大柿樹滑坡整體危險(xiǎn)性現(xiàn)狀危險(xiǎn)得分69.78分，風(fēng)險(xiǎn)等級(jí)Ⅲ級(jí)，屬高度危險(xiǎn)，需加強(qiáng)監(jiān)測及信息反饋，提前做好防災(zāi)預(yù)案。

2.3 危險(xiǎn)性預(yù)測評(píng)價(jià)

在大柿樹滑坡危險(xiǎn)性現(xiàn)狀評(píng)價(jià)過程中，變形特征危險(xiǎn)性最大，因此，通過分析變形特征，進(jìn)行危險(xiǎn)性預(yù)測評(píng)價(jià)可行。

1)變形特征基本分析

在大柿樹滑坡變形監(jiān)測過程中，DS1監(jiān)測點(diǎn)和DS2監(jiān)測點(diǎn)變形數(shù)據(jù)相對(duì)完善，監(jiān)測時(shí)間由2004年11月至2013年11月，監(jiān)測項(xiàng)目包括水平位移與豎向位移，共計(jì)36期監(jiān)測結(jié)果。

基于監(jiān)測點(diǎn)數(shù)據(jù)，繪制2監(jiān)測點(diǎn)變形結(jié)果柱狀圖，如圖2所示。由圖2可知，2監(jiān)測點(diǎn)豎向位移均大于水平位移,DS2監(jiān)測點(diǎn)水平與豎向位移均大于DS1，DS2監(jiān)測點(diǎn)豎向位移變形值相對(duì)最大，為824.04 mm。

圖2 2監(jiān)測點(diǎn)變形結(jié)果

DS1監(jiān)測點(diǎn)變形曲線如圖3所示。由圖3可知，DS1監(jiān)測點(diǎn)豎向位移增加速率大于水平位移；其中，豎向位移累計(jì)值738.20 mm，水平位移累計(jì)值85.24 mm。

圖3 監(jiān)測點(diǎn)DS1變形曲線

DS2監(jiān)測點(diǎn)變形曲線如圖4所示。由圖4可知，DS2監(jiān)測點(diǎn)變形呈持續(xù)增加趨勢(shì)；豎向位移累計(jì)值824.04 mm，水平位移累計(jì)值347.54 mm。

圖4 監(jiān)測點(diǎn)DS2變形曲線

2)預(yù)測評(píng)價(jià)

本文利用優(yōu)化SVM模型實(shí)現(xiàn)大柿樹滑坡變形預(yù)測，判斷滑坡危險(xiǎn)性。以1～31周期數(shù)據(jù)作為訓(xùn)練樣本，32～36周期數(shù)據(jù)作為驗(yàn)證樣本，外推預(yù)測周期為4期。以監(jiān)測點(diǎn)DS1水平位移為例，驗(yàn)證核函數(shù)與懲罰因子優(yōu)化效果。

①變形預(yù)測分析

首先，對(duì)4種核函數(shù)進(jìn)行優(yōu)化篩選，見表7。由表7可知，4種核函數(shù)平均相對(duì)誤差存在一定差異，說明各核函數(shù)在SVM模型中適用性不同；對(duì)比4種核函數(shù)預(yù)測效果，Sigmoid函數(shù)平均相對(duì)誤差值最小，為2.28%，預(yù)測效果相對(duì)最優(yōu)。因此，以Sigmoid函數(shù)作為SVM模型核函數(shù)。

表7 核函數(shù)的優(yōu)化篩選結(jié)果

利用ICS算法對(duì)懲罰因子進(jìn)行優(yōu)化處理，優(yōu)化后預(yù)測結(jié)果見表8。由表8可知，在ICS-SVM模型預(yù)測結(jié)果中，相對(duì)誤差介于1.76%～2.06%之間，平均相對(duì)誤差為1.88%，對(duì)比ICS算法優(yōu)化前后預(yù)測結(jié)果發(fā)現(xiàn)，預(yù)測誤差值顯著減小，預(yù)測精度顯著提高，充分驗(yàn)證ICS算法優(yōu)化處理必要性與有效性。

表8 ICS算法優(yōu)化后預(yù)測結(jié)果

為進(jìn)一步驗(yàn)證ICS算法優(yōu)越性，結(jié)合CS算法優(yōu)化結(jié)果，對(duì)比2種方法特征參數(shù)，見表9。由表9可知，ICS算法平均相對(duì)誤差與訓(xùn)練時(shí)間均小于CS算法，表明ICS算法訓(xùn)練速度相對(duì)較快；ICS算法局部優(yōu)化次數(shù)為7次，CS算法局部優(yōu)化次數(shù)為5次，表明ICS算法全局優(yōu)化能力更強(qiáng)。ICS算法優(yōu)越性更強(qiáng)。

表9 CS算法和ICS算法特征參數(shù)對(duì)比

對(duì)剩余監(jiān)測項(xiàng)目進(jìn)行預(yù)測驗(yàn)證及外推預(yù)測，滑坡變形最終預(yù)測結(jié)果見表10。由表10可知，在4個(gè)監(jiān)測項(xiàng)目預(yù)測結(jié)果中，平均相對(duì)誤差介于1.80%～1.92%，預(yù)測精度與穩(wěn)定性較高，充分驗(yàn)證本文預(yù)測思路有效性；通過外推預(yù)測，4個(gè)監(jiān)測項(xiàng)目變形呈持續(xù)增加趨勢(shì)，無收斂跡象。

表10 滑坡變形最終預(yù)測結(jié)果

②變形預(yù)測模型可靠性驗(yàn)證

為進(jìn)一步驗(yàn)證預(yù)測思路可靠性，利用RBF神經(jīng)網(wǎng)絡(luò)和GM(1,1)模型進(jìn)行變形預(yù)測，滑坡變形預(yù)測模型可靠性驗(yàn)證結(jié)果見表11。由表11可知，在相應(yīng)監(jiān)測項(xiàng)目中，預(yù)測模型具有最小平均相對(duì)誤差與最短訓(xùn)練時(shí)間，其次是GM(1,1)模型和RBF神經(jīng)網(wǎng)絡(luò)，說明本文預(yù)測模型預(yù)測效果優(yōu)于傳統(tǒng)預(yù)測模型，預(yù)測模型可靠。

表11 滑坡變形預(yù)測可靠性驗(yàn)證結(jié)果

2.4 危險(xiǎn)性綜合評(píng)價(jià)

基于大柿樹滑坡危險(xiǎn)性現(xiàn)狀分析與預(yù)測評(píng)價(jià)，進(jìn)一步開展危險(xiǎn)性綜合判斷：

1)危險(xiǎn)性現(xiàn)狀評(píng)價(jià)結(jié)果：大柿樹滑坡現(xiàn)狀危險(xiǎn)性為Ⅲ級(jí)，具高度危險(xiǎn)，需加強(qiáng)監(jiān)測及信息反饋，做好防災(zāi)預(yù)案。

2)危險(xiǎn)性預(yù)測評(píng)價(jià)結(jié)果：大柿樹滑坡變形呈持續(xù)增加趨勢(shì)，危險(xiǎn)性趨于不利方向發(fā)展。

綜上所述，大柿樹滑坡危險(xiǎn)性相對(duì)較大，應(yīng)切實(shí)加強(qiáng)災(zāi)害防治，避免滑坡成災(zāi)，造成不必要損失。

3 結(jié)論

1)在滑坡危險(xiǎn)性現(xiàn)狀評(píng)價(jià)過程中，危險(xiǎn)性得分69.78分，風(fēng)險(xiǎn)等級(jí)Ⅲ級(jí)，具高度危險(xiǎn)，即滑坡現(xiàn)狀條件下危險(xiǎn)性程度相對(duì)較高。

2)在滑坡危險(xiǎn)性預(yù)測評(píng)價(jià)結(jié)果中，ICS-SVM模型預(yù)測精度與可靠性較高，經(jīng)外推預(yù)測可知，滑坡變形將進(jìn)一步增加，危險(xiǎn)性趨于不利方向發(fā)展，需加強(qiáng)災(zāi)害防治。

3)當(dāng)既有誘因不變時(shí)，庫岸滑坡危險(xiǎn)性將進(jìn)一步增大，所以加強(qiáng)庫岸滑坡研究意義重大。