库岸涉水滑坡危险性现状分析与预测评价

薛晓辉，周 玲，秦爱红

(1.陕西铁路工程职业技术学院，陕西 渭南 714000；2.西安思源学院，陕西 西安，710038； 3.青岛理工大学 琴岛学院，山东 青岛 266106)

0 引言

近年来，随着我国水利建设快速发展，形成了规模不等的库区，影响岸坡稳定同时，诱发大量库岸滑坡灾害，存在较大潜在威胁。因此，开展库岸滑坡危险性研究尤为重要[1-3]。相关领域学者开展滑坡危险性研究：朱崇浩等[4]利用DInSAR技术和BP神经网络，构建震后条件下滑坡危险分析模型；孟田等[5]基于斜坡单元化处理，对高海拔区滑坡危险性进行评价；袁时祥等[6]基于滑坡发育影响因素分析，利用数量化理论实现滑坡危险性评价。研究虽取得一定成果，但均较少涉及库岸滑坡危险性评价、滑坡危险性现状分析及预测评价。因滑坡危险性影响因素较多，通常采用层次分析法进行滑坡危险性评价[7-8]，并提出利用层次分析法与模糊理论构建滑坡危险性评价模型；滑坡变形能直观体现其稳定性，结合滑坡现场监测手段，可实现滑坡危险性预测评价。因支持向量机在滑坡变形预测中适用性较强[9-10]，提出利用支持向量机构建滑坡变形预测模型，以实现危险性预测评价。本文利用层次分析法与模糊理论，构建滑坡危险性现状评价模型，基于支持向量机理论，构建滑坡变形预测模型，并通过变形预测实现滑坡危险性预测评价，并综合对比滑坡危险性分析结果与预测评价结果。研究结果可为滑坡灾害防治提供一定理论依据。

1 基本原理

研究过程包括危险性现状评价与滑坡危险性预测评价，主要包括以下2个步骤：

1)以滑坡所在区域地质条件为基础，利用层次分析法与模糊理论构建滑坡危险性评价模型，开展危险性现状评价。

2)基于滑坡变形监测结果，利用优化支持向量机构建变形预测模型，开展滑坡危险性预测评价。

1.1 危险性现状评价模型构建

基于层次分析法与模糊理论，利用P×C分级法构建现状评价模型。滑坡危险性现状评价主要包括以下4个阶段：

1)滑坡危险性现状评价体系构建

层次分析法是1种系统性分析法，逻辑能力与可操作性较强。以“滑坡危险性现状评价”为目标层，下设2个危险性影响因素层，即1级影响指标和2级影响指标。

2)危险性影响因素权值求解

评价指标权值求解采用1-9标度法，求解过程如下：

①构建判断矩阵。根据1-9标度法，将每2个影响指标进行对比，评价指标相对重要性，构建判断矩阵。

②一致性检验。判断矩阵难以保证指标间相对重要性的一致性，需进行判断矩阵一致性检验。利用matlab软件求解判断矩阵最大特征值λmax，并计算得到CI值，如式(1)所示：

(1)

式中：n为影响指标数。

基于CI值，并结合误差控制值RI得到CR值，如式(2)所示：

(2)

式中：CR为一致性比率。

CR值越小，判断矩阵一致性越好。当CR值<0.1时，判断矩阵满足一致性检验，反之，不满足一致性检验，需重新构建判断矩阵，直至满足一致性检验要求。

③权值计算。当判断矩阵满足一致性检验，求解最大特征值λmax对应特征向量，并进行归一化处理，归一化值即相应权值。

3)危险性影响因素隶属度求解

本文利用专家法求解危险性影响因素隶属度。不同类型专家经验存在一定差异，因此，利用折减系数对专家评价结果进行折减处理，不同专家评价结果折减系数标准见表1。

表1 不同类型专家评价结果折减系数标准

4)不同影响因素及滑坡整体危险性评价

利用P×C分级法实现不同影响因素及滑坡整体危险性评价。滑坡危险性分为4个等级，危险性分级及决策见表2。

表2 滑坡危险性分级及决策

1.2 危险性预测评价模型构建

因支持向量机(Support Vector Machine,SVM)能将变形信息向高维空间映射，具有结构风险最小化等优势，因此，利用SVM进行滑坡变形预测可行。结合SVM模型基本原理，回归函数f(x)如式(3)所示：

f(x)=ωφ(x)+b

(3)

式中：ω为权值向量；φ(x)为映射函数；b为偏置量。

SVM存在一定不足：核函数类型相对较多，适用性存在一定差异；大部分由使用者确定，主观性较强；惩罚因子与预测模型学习能力相关，易出现“过学习”或“欠学习”现象。为确保预测精度，需要对上述问题进行优化处理：

1)核函数优化处理。SVM模型常用核函数包括线性核函数、多项式核函数、Sigmoid函数和Gauss函数4类，4类核函数适用性存在一定差异，可利用试凑法确定最优核函数，通过对4类核函数进行预测效果试算，效果最佳者即最优核函数。

2)惩罚因子优化处理。布谷鸟算法(Cuckoo Search，CS)作为新型启发式算法，较传统优化方法有操作简单、运算参数少、易于实现等优点，因此，可通过CS算法优化支持向量机惩罚因子。文献[11]指出，CS算法存在搜索能力相对偏弱，易陷入局部极值等不足，为此提出ICS算法，既可弥补CS算法不足，又可以实现惩罚因子优化处理。

通过优化处理，确保SVM模型参数最优性。变形预测结果对滑坡危险性预测评价判据为：若滑坡变形呈持续增加趋势，危险性将进一步增大；若滑坡变形趋于稳定方向发展，危险性不会发生改变。

通过对比滑坡危险性现状评价与预测评价结果，综合判断危险性状态，为滑坡灾害防治提供一定理论参考。

2 实例分析

2.1 工程概况

大柿树滑坡位于小浪底库区右岸，距大坝约7 km，平面呈“圈椅状”，纵向长约1.3 km，宽560 m，体积约1 915万m3，属巨型滑坡。据现场勘查，滑坡地表为台阶状，高程190～230 m，坡度10°～30°，地形起伏相对较大[12]；滑坡区发育2条大型断裂，区内岩体节理裂隙较凌乱，对滑坡形成影响较大。钻探结果显示，区内下覆基岩以二叠系石盒子组砂、泥岩为主，2者具互层结构；上覆第四系土层成因类型相对较多，岩性以黄土为主，夹杂少量碎石。

通过现场调查，大柿树滑坡于2003—2004年开始出现变形迹象，外加库区水位周期性波动，进行危险性评价迫在眉睫。

2.2 危险性现状评价

因滑坡危险性影响因素较多，将滑坡危险性现状评价分为评价体系构建与危险性现状分析2部分。

2.2.1 评价体系构建

滑坡变形失稳指部分岩土体沿软弱面下滑现象，成因大致分为内部成因与外在诱因：内部成因是滑坡发生必要属性，包含地形因素、坡体结构因素及滑面形态等；外在诱因是滑坡发生失稳激发因素，如人为因素。大柿树滑坡危险性现状体系建设，应基于内部成因与外在诱因2部分进行。

依据已有研究成果，利用层次分析法构建大柿树滑坡危险性现状评价模型，以“滑坡危险性现状评价”为目标层，下设2级评价指标：1级影响指标和2级影响指标。其中，1级评价指标有6个，2级评价指标有14个，大柿树滑坡危险性现状评价体系如图1所示。

图1 大柿树滑坡危险性现状评价体系

2.2.2 危险性现状分析

利用P×C分级法进行滑坡危险性现状分析，过程如下：

1)危险性影响因素权值求解

利用1～9标度法求解各影响因素权值，以地形因素A12级指标为例详述权值求解过程。

地形因素A1。通过对比评价指标B1～B2相对重要性，得到判断矩阵，见表3。

表3 地形因素2级判断矩阵

计算得λmax1=2，对应特征向量b1=[0.894,0.447]，因只有2个影响因素，所以满足一致性检验。

通过对特征向量b1进行归一化处理，得B1～B2指标权值[0.667,0.333]。

同理，求解剩余影响因素权值，得到不同影响因素权值，见表4。

表4 不同影响因素权值

2)危险性影响因素隶属度求解

利用专家法求解滑坡危险性影响因素隶属度。据调查，共得到22位专家影响因素隶属度，结合表1中折减系数标准，得到不同影响因素隶属度见表5。

表5 不同影响因素隶属度

3)不同影响因素及滑坡整体危险性评价

基于权值与隶属度，对1级影响因素及滑坡整体危险性进行定量分析。

①1级影响因素危险性分析

计算1级影响因素危险性得分，并进行危险性评价，评价结果见表6。由表6可知，各1级指标危险性得分存在一定差异，表明各影响因素对大柿树滑坡危险性贡献不同。其中，变形特征A5因素危险性得分73.71，相对较高，其次为地形因素A1、滑面形态A4、坡体结构因素A2、水文条件因素A3以及人类工程活动A6，6个1级影响因素危险性等级均为Ⅲ级。

表6 1级指标危险性评价结果

②大柿树滑坡整体危险性分析

对大柿树滑坡整体危险性进行分析，如式(4)所示：

(4)

式中：F为整体危险性分析得分。

经计算，大柿树滑坡整体危险性现状危险得分69.78分，风险等级Ⅲ级，属高度危险，需加强监测及信息反馈，提前做好防灾预案。

2.3 危险性预测评价

在大柿树滑坡危险性现状评价过程中，变形特征危险性最大，因此，通过分析变形特征，进行危险性预测评价可行。

1)变形特征基本分析

在大柿树滑坡变形监测过程中，DS1监测点和DS2监测点变形数据相对完善，监测时间由2004年11月至2013年11月，监测项目包括水平位移与竖向位移，共计36期监测结果。

基于监测点数据，绘制2监测点变形结果柱状图，如图2所示。由图2可知，2监测点竖向位移均大于水平位移,DS2监测点水平与竖向位移均大于DS1，DS2监测点竖向位移变形值相对最大，为824.04 mm。

图2 2监测点变形结果

DS1监测点变形曲线如图3所示。由图3可知，DS1监测点竖向位移增加速率大于水平位移；其中，竖向位移累计值738.20 mm，水平位移累计值85.24 mm。

图3 监测点DS1变形曲线

DS2监测点变形曲线如图4所示。由图4可知，DS2监测点变形呈持续增加趋势；竖向位移累计值824.04 mm，水平位移累计值347.54 mm。

图4 监测点DS2变形曲线

2)预测评价

本文利用优化SVM模型实现大柿树滑坡变形预测，判断滑坡危险性。以1～31周期数据作为训练样本，32～36周期数据作为验证样本，外推预测周期为4期。以监测点DS1水平位移为例，验证核函数与惩罚因子优化效果。

①变形预测分析

首先，对4种核函数进行优化筛选，见表7。由表7可知，4种核函数平均相对误差存在一定差异，说明各核函数在SVM模型中适用性不同；对比4种核函数预测效果，Sigmoid函数平均相对误差值最小，为2.28%，预测效果相对最优。因此，以Sigmoid函数作为SVM模型核函数。

表7 核函数的优化筛选结果

利用ICS算法对惩罚因子进行优化处理，优化后预测结果见表8。由表8可知，在ICS-SVM模型预测结果中，相对误差介于1.76%～2.06%之间，平均相对误差为1.88%，对比ICS算法优化前后预测结果发现，预测误差值显著减小，预测精度显著提高，充分验证ICS算法优化处理必要性与有效性。

表8 ICS算法优化后预测结果

为进一步验证ICS算法优越性，结合CS算法优化结果，对比2种方法特征参数，见表9。由表9可知，ICS算法平均相对误差与训练时间均小于CS算法，表明ICS算法训练速度相对较快；ICS算法局部优化次数为7次，CS算法局部优化次数为5次，表明ICS算法全局优化能力更强。ICS算法优越性更强。

表9 CS算法和ICS算法特征参数对比

对剩余监测项目进行预测验证及外推预测，滑坡变形最终预测结果见表10。由表10可知，在4个监测项目预测结果中，平均相对误差介于1.80%～1.92%，预测精度与稳定性较高，充分验证本文预测思路有效性；通过外推预测，4个监测项目变形呈持续增加趋势，无收敛迹象。

表10 滑坡变形最终预测结果

②变形预测模型可靠性验证

为进一步验证预测思路可靠性，利用RBF神经网络和GM(1,1)模型进行变形预测，滑坡变形预测模型可靠性验证结果见表11。由表11可知，在相应监测项目中，预测模型具有最小平均相对误差与最短训练时间，其次是GM(1,1)模型和RBF神经网络，说明本文预测模型预测效果优于传统预测模型，预测模型可靠。

表11 滑坡变形预测可靠性验证结果

2.4 危险性综合评价

基于大柿树滑坡危险性现状分析与预测评价，进一步开展危险性综合判断：

1)危险性现状评价结果：大柿树滑坡现状危险性为Ⅲ级，具高度危险，需加强监测及信息反馈，做好防灾预案。

2)危险性预测评价结果：大柿树滑坡变形呈持续增加趋势，危险性趋于不利方向发展。

综上所述，大柿树滑坡危险性相对较大，应切实加强灾害防治，避免滑坡成灾，造成不必要损失。

3 结论

1)在滑坡危险性现状评价过程中，危险性得分69.78分，风险等级Ⅲ级，具高度危险，即滑坡现状条件下危险性程度相对较高。

2)在滑坡危险性预测评价结果中，ICS-SVM模型预测精度与可靠性较高，经外推预测可知，滑坡变形将进一步增加，危险性趋于不利方向发展，需加强灾害防治。

3)当既有诱因不变时，库岸滑坡危险性将进一步增大，所以加强库岸滑坡研究意义重大。