多因素耦合下的寒區(qū)渠道滑坡智能化定量評價

趙順利，鄧偉杰，路新景，郭 沖，李雪彤

（1.黃河勘測規(guī)劃設計研究院有限公司，河南 鄭州 450003； 2.河南工業(yè)大學 土木建筑學院，河南 鄭州 450001）

面對我國水資源時空分布不均、西北地區(qū)水資源短缺等突出問題，我國修建了一大批長距離供水工程［1］。 供水工程的修建極大地解決了水資源供需矛盾，但是部分寒區(qū)渠道工程運行過程中安全問題極其突出，如頻繁滑坡等，嚴重影響了工程的運行效率［2］。

寒區(qū)渠道滑坡的致災機理較為復雜，是多因素耦合作用的結果。 對于穿越復雜地層的長距離高寒渠道而言，其巖土體通常面臨干濕循環(huán)、凍融循環(huán)等復雜條件。 如朱洵等［3］針對具體的寒區(qū)渠道工程開展了室內(nèi)干濕凍融循環(huán)耦合試驗，研究結果表明，干濕凍融循環(huán)耦合過程顯著加劇了土體力學性質(zhì)的衰減。 渠道滑坡問題一定程度上與廣泛的滑坡具有類似的破壞機理，靳德武等［4］研究表明，凍土區(qū)氣溫升高時，有可能形成低抗剪強度或無抗剪強度的巖土泥漿混合物，從而造成斜坡失穩(wěn)；徐虎城［5］通過分析嚴寒地區(qū)某大型渠道水位下降時的破壞成因，指出排水措施的重要性；Subramanian 等［6］研究了融雪條件的季節(jié)性凍土預測預警指標。 但目前研究多集中在災變機理、定性描述、單一指標預警等方面，關于多因素條件下的寒區(qū)渠道邊坡失穩(wěn)定量評價則研究不足。

基于此，以具體工程為依托，通過神經(jīng)網(wǎng)絡和遺傳算法構建智能化評價體系，在風險因子識別的基礎上，開展多因素耦合研究，從工程實踐方面對智能化評價體系進行驗證。

1 工程概況及風險因子

1.1 工程概況

某供水工程位于北疆，工程區(qū)地域遼闊，地勢平坦。 總干渠渠線先后穿越階地、平原、低山丘陵等不同的地貌單元，沿線廣泛分布有古近系、新近系、第四系地層。 屬溫帶大陸性氣候區(qū)，緯度高、氣溫低、少酷暑、多嚴寒，最低氣溫-40.3 ℃。 泥巖、砂質(zhì)泥巖分布較廣，沿渠底分布總長為42.248 km，占渠道總長的31.6%，屬中-強膨脹巖。 渠道凍脹和泥巖、砂質(zhì)泥巖的膨脹問題是工程的主要工程地質(zhì)問題。

對工程歷年來發(fā)生的滑坡進行統(tǒng)計，共收集有效數(shù)據(jù)107 條，具體如圖1 所示。 供水工程季節(jié)性供水，供水時間主要為4—9 月。 從圖1 不難看出，渠道停止供水時和剛停止供水時期災害發(fā)生頻次較多，10 月份則開始逐步出現(xiàn)晝夜快速凍融。 春季時，凍土開始融化，上層凍土的滯水效應使其出現(xiàn)一定的滑坡。 整體而言，運行期的災害發(fā)生概率較低。

圖1 渠道滑坡災害統(tǒng)計

1.2 風險因子識別

根據(jù)具體的渠坡工程，滑坡的風險因子大致可以分為基礎因子、誘發(fā)因子和管理因子3 類。 基礎因子主要與渠坡的內(nèi)部結構有關，如土質(zhì)、含水量、渠坡結構等；誘發(fā)因子主要與外部因素有關，如降雨、氣溫、地震等，在多種誘發(fā)因子的耦合作用下，其最終導致基礎因子的變化，致使滑坡的發(fā)生；管理因子主要與管理水平、施工質(zhì)量、人員素質(zhì)等有關，較高的管理水平不僅可以有效降低災害頻次，也能減少災害損失。 通過具體的滑坡形成機制分析，識別出來的風險因子如圖2所示。

圖2 寒區(qū)渠坡滑坡風險因子

1.3 寒區(qū)指標遴選

災害發(fā)生時，主要受誘發(fā)因子和基礎因子影響。結合工程實際情況首先進行誘發(fā)因子的篩選。 其中工程所處位置氣候干燥，降雨較少，區(qū)域地下水位埋深較深，且工程主要處于運行期，人類活動的頻度和強度較弱。 結合實際情況，誘發(fā)因子中，溫度、地震、運行水位起主要作用。 其中地震主要影響其應力場，運行水位主要影響滲流場。 渠道整體溫度的影響主要考慮凍脹作用、凍融劣化和融化滯水的影響，其反映在基礎因子上主要是襯砌性質(zhì)和土體性質(zhì)改變。

對于具體的渠道而言，其地形地貌、渠坡結構、地質(zhì)結構會保持一定的穩(wěn)定性，排水措施與工程建設和后期維護相關，排水效果會隨著時間發(fā)生改變，與人類活動相關。 因此，主要考慮誘發(fā)因子對襯砌結構、土體性質(zhì)的影響。 已有研究表明，渠坡土體的反復干濕、凍融及運行水位的改變會極大改變土體力學性質(zhì)，主要體現(xiàn)在內(nèi)聚力、摩擦角和彈性模量的劣化。 包括含水量、含冰量的改變，最終也可一定程度歸結為力學性質(zhì)的改變。 襯砌力學性質(zhì)改變相對較小，主要表現(xiàn)在結構形式的變化，受反復凍融的影響，主要表現(xiàn)為錯臺、空鼓、裂縫、防滲措施失效等［7］，考慮到對滑坡的影響，則主要體現(xiàn)在復合襯砌滲透性質(zhì)的改變。

結合以上分析，誘發(fā)因子中主要影響指標為溫度、地震、運行水位，基礎因子中主要考慮土體性質(zhì)（內(nèi)聚力、內(nèi)摩擦角、彈性模量等）、襯砌性質(zhì)（滲透性質(zhì)）、排水措施等。 溫度改變可最終歸結為土體性質(zhì)的改變。

2 渠道滑坡智能化定量評價模型

2.1 智能化定量評價模型構建

針對具體某一確定渠坡進行健康診斷時，受限于數(shù)據(jù)量和災害統(tǒng)計的不足，各因素之間的關系難以明確，滑坡災害的預測預警及安全響應機制針對性較弱。因此，以安全監(jiān)測為依托，構建智能化定量評價模型對保證工程安全具有重要意義。

構建的智能化定量評價模型如圖3 所示。 具體實施時，針對具體的分析對象，結合工程實際完成指標遴選，結合實際災變規(guī)律構建多因素耦合狀態(tài)下的數(shù)值模型，重點考慮應力場、滲流場、動力特征等。 通過改變數(shù)值模型的參數(shù)，構建大型定量數(shù)據(jù)庫。 在定量數(shù)據(jù)庫的基礎上，利用智能化手段，建立評價模型。 在實際的工程運行過程中，結合實際的工程檢測數(shù)據(jù)，實現(xiàn)渠段的快速評價和快速響應。 在滑坡高風險期進行正向評價，低風險期則開展反向維護，實現(xiàn)評價模型的動態(tài)性和時效性。

圖3 寒區(qū)渠坡滑坡智能化定量評價模型

2.2 GA-GRNN 智能化評價模型

智能化評價模型通過遺傳算法優(yōu)化的廣義回歸神經(jīng)網(wǎng)絡（GA-GRNN）實現(xiàn)，可提高評價精度和自動化水平，原理如圖4 所示。

圖4 GR-GRNN 原理示意

遺傳算法由J.H.Holland 提出［8］，作為生物進化算法，其基本原理與生物進化論中的“優(yōu)勝劣汰”的規(guī)則類似，通過迭代，搜尋全局最優(yōu)解。

廣義回歸神經(jīng)網(wǎng)絡屬于徑向基函數(shù)（RBF）神經(jīng)網(wǎng)絡的一種變形。 相較于BP 神經(jīng)網(wǎng)絡等具有更好的逼近能力和學習速度，憑借其優(yōu)異性能，在巖土工程界得到廣泛應用［9］。 廣義回歸神經(jīng)網(wǎng)絡的理論基礎是非線性回歸分析，即通過獨立變量x計算具有最大概率的預測值y。 廣義回歸神經(jīng)網(wǎng)絡中最重要的一個參數(shù)為光滑因子σ，也是遺傳算法優(yōu)化的對象。

3 具體實例

3.1 定量數(shù)據(jù)庫

為進一步說明多因素耦合作用下寒區(qū)渠道滑坡智能化定量評價體系的有效性，選取工程危險渠段——泥巖段進行具體分析。

數(shù)值軟件采用巖土軟件GeoStudio，長渠線工程滿足平面應變假設，因此模型采用二維。 渠坡穩(wěn)定性計算方法按照《水利水電工程邊坡設計規(guī)范》（SL 386—2007）開展，采用簡化畢肖普法（Simplified Bishop）和摩 根 斯 頓- 普 賴 斯 法（Morgenstern - Price） 分 別計算［10］。

渠坡的地質(zhì)參數(shù)和結構形式來自設計和施工資料，其結構形式如圖5 所示。 數(shù)值模型取左半部分，如圖6 所示。

圖5 渠道結構形式

圖6 數(shù)值模型

在指標遴選的基礎上，結合渠道災變規(guī)律分析，取泥巖的內(nèi)摩擦角φ、內(nèi)聚力c、彈性模量E為變化值，對應于因干濕循環(huán)、凍融循環(huán)及水位、含水量等改變而造成的泥巖力學性質(zhì)變化。 取復合襯砌的滲透系數(shù)為變化值，對應于排水設施、防滲措施等。 運行水位主要取停水前的穩(wěn)定水位和水位下降速度為變化值，模擬工況采用水位驟降至渠底時的工況，結合災害統(tǒng)計數(shù)據(jù)，此時危險系數(shù)較高。 參數(shù)的取值范圍見表1，其中7個參數(shù)相互組合，可得到一個數(shù)據(jù)量為37 500 的大型數(shù)據(jù)庫。 其余參數(shù)的取值來源于工程勘察設計及施工階段的資料，見表2。

表1 可變參數(shù)取值范圍

表2 不變參數(shù)取值

通過巖土軟件GeoStudio 的不同模塊實現(xiàn)多因素耦合分析，穩(wěn)定性計算時，通過施加地震加速度完成地震耦合，可得到滲流場、應力場云圖及滑動面。

表1 中參數(shù)相互組合生成定量數(shù)據(jù)庫為評價模型的訓練數(shù)據(jù)，另外每個參數(shù)在取值范圍內(nèi)隨機取值，共50 組數(shù)據(jù)，作為評價模型的檢驗數(shù)據(jù)。 數(shù)值模擬得到的數(shù)據(jù)庫見表3。

3.2 評價模型檢驗結果

通過GA-GRNN 和數(shù)值模擬得到定量數(shù)據(jù)庫，智能化定量評價模型初始種群規(guī)模50，迭代200 次得到的最優(yōu)光滑因子為130.4。 種群適應度隨迭代次數(shù)變化曲線如圖7 所示。 從圖7 可以發(fā)現(xiàn)，種群的平均適應度和種群最佳適應度曲線隨迭代次數(shù)增加迅速達到穩(wěn)定值。 200 次迭代已可以滿足遺傳算法優(yōu)化的要求。

圖7 適應度隨迭代次數(shù)的變化

通過50 組檢驗數(shù)據(jù)進一步計算實際安全系數(shù)和預測安全系數(shù)的相對誤差。 其相對誤差分布如圖8 所示。 多因素耦合作用下的渠道滑坡智能化評價模型的預測誤差全部小于9%，相對誤差在1%之內(nèi)的比例達到72%，相對誤差在5%之內(nèi)的比例達到98%。 預測結果表明智能化評價模型可以高精度地輸出預測結果，可為寒區(qū)渠坡的安全評價提供重要技術支撐。

圖8 智能化定量評價模型誤差分布

4 討 論

從上述研究可以發(fā)現(xiàn)，建立的多因素耦合作用下的寒區(qū)渠道滑坡智能化評價模型可高效地實現(xiàn)穩(wěn)定系數(shù)的計算。 此次滑坡數(shù)值模型構建主要考慮水位驟降時的穩(wěn)定特征，對于其他工況，則可通過不考慮穩(wěn)定水位，數(shù)據(jù)增加到已有數(shù)據(jù)庫即可，在此不多討論。 事實上，渠坡的滑坡有較為復雜的原因，過多的參數(shù)設置雖然可以使模型變得更為精確，但無疑對現(xiàn)場管理人員提出了更高的要求，也不利于災害的快速響應。 基于此，工程實際管理中，需要進一步實現(xiàn)現(xiàn)場檢測和模型參數(shù)的對應；并且通過智能評價結果進行安全分級和安全分級響應。 模型計算主要基于設計規(guī)范展開，方便不同工程之間的比對，以及通過設計規(guī)范和工程設計資料進行安全分級，并制定不同的安全分級響應。目前常用的健康等級主要為三級法和五級法兩種［11］，結合寒區(qū)渠道的實際情況，健康評價等級定為5 級。具體的安全分級標準及分級響應見表4。

表4 安全分級及分級響應

5 結 論

通過具體的工程實例，在風險因子識別和指標遴選的基礎上，構建了多因素耦合條件下的以渠道滑坡數(shù)值模型和GA-GRNN 為基礎的智能化定量評價模型，通過研究可以得到以下結論。

（1）寒區(qū)渠道滑坡受多種因素的影響，對于本文研究的渠道，其滑坡主要發(fā)生在渠道停水時和剛停水時期，在氣溫升高時也會出現(xiàn)一定程度的滑坡。

（2）對于分析的寒區(qū)渠道工程，其誘發(fā)因子中主要影響指標為溫度、地震、運行水位等，基礎因子中主要考慮土體性質(zhì)（內(nèi)聚力、內(nèi)摩擦角、彈性模量等）、襯砌性質(zhì)（滲透性質(zhì)）、排水措施等。

（3）建立的多因素耦合作用下的寒區(qū)渠道智能化評價模型可以高精度地預測安全系數(shù)，預測相對誤差全部小于9%，相對誤差在1%之內(nèi)的比例達到72%，相對誤差在5%之內(nèi)的比例達到98%。

（4）基于智能化評價模型的預測結果，構建了5 級安全分級及對應的分級響應。