基于变形速率分解的阶跃型滑坡预测——以呷爬滑坡为例_邢保印.pdf

第 42 卷 第 3 期 岩石力学与工程学报 Vol.42 No.3 2023 年 3 月 Chinese Journal of Rock Mechanics and Engineering March，2023 收稿日期：收稿日期：20220428；修回日期：修回日期：20220908 基金项目：基金项目：国家自然科学基金资助项目(41931295，41877263)Supported by the National Natural Science Foundation of China(Grant Nos.41931295 and 41877263)作者简介：作者简介：邢保印(1998)，男，2020 年毕业于华北水利水电大学地质工程专业，现为硕士研究生，主要从事滑坡预测预报方面的研究工作。E-mail：。通讯作者：章广成(1980)，男，博士，现任教授、博士生导师。E-mail： DOI：10.13722/ki.jrme.2022.0424 基于变形速率分解的阶跃型滑坡预测基于变形速率分解的阶跃型滑坡预测 以呷爬滑坡为例以呷爬滑坡为例 邢保印1，张炜怡1，章广成1，张世殊2，刘忠绪2，曾 鑫1，郑子涵1(1.中国地质大学(武汉)工程学院，湖北 武汉 430074；2.中国电建集团 成都勘测设计研究院有限公司，四川 成都 610072)摘要：摘要：阶跃型滑坡位移预测是滑坡变形现状研究与危害评估的重要工作，而阶跃预测的研究多为平稳波动信号，基于滑坡阶跃运动特征的变形速率分解方法提供了非线性变形阶段阶跃滑坡信号分解的新思路。以呷爬滑坡为例，通过差分与离散小波变换(DWT)平滑方法得到变形速率数据，并基于滑坡阶跃运动特征将变形速率数据分解为由外部诱发因素决定的小尺度波动项与内在控制因素决定的大尺度趋势项，其中变形速率趋势项信号通过添加震荡函数的反 Logistic 函数模型(ILF)预测，并结合曲率极值法判识滑坡变形状态；变形速率波动项信号则运用长短时记忆神经网络(long short-term memory，LSTM)构建非线性映射模型，以降雨、库水位作为诱发输入，趋势项预测结果作为控制输入进行预测。预测结果表明，基于变形速率分解模型针对呷爬滑坡非线性过程数据的预测精度相比传统的位移拟合分解模型更高，外部因素映射能力更强，因此基于变形速率分解是基于阶跃运动机制预测的有效思路，解决了非线性变形阶段的阶跃滑坡预测问题。关键词：关键词：边坡工程；阶跃型滑坡预测；变形速率分解；反 Logistic 函数模型；长短时记忆神经网络；呷爬滑坡 中图分类号：中图分类号：P 642 文献标识码：文献标识码：A 文章编号：文章编号：10006915(2023)03068513 Prediction of step-type landslides based on deformation rate decomposition a case study of Gapa landslide XING Baoyin1，ZHANG Weiyi1，ZHANG Guangcheng1，ZHANG Shishu2，LIU Zhongxu2，ZENG Xin1，ZHENG Zihan1(1.Faculty of Engineering，China University of Geosciences(Wuhan)，Wuhan，Hubei 430074，China；2.PowerChina Chengdu Engineering Corporation Limited，Chengdu，Sichuan 610072，China)Abstract：It is a crucial work in the research of landslide deformation status and hazard assessment to predict the displacement of step-type landslides.Generally，the research of step prediction is stationary fluctuation signal.The deformation rate decomposition method based on the step motion characteristics of landslide provides a new idea of step landslide signal decomposition in nonlinear deformation stage.Taking Gapa landslide as an example，the deformation rate data is obtained by signal differential and smoothing method of discrete wavelet transform(DWT).Based on the step motion characteristics of landslide，the deformation rate data is decomposed into small-scale fluctuation items determined by external inducers and large-scale trend items determined by internal control factors，in which the deformation rate trend signal is predicted by Inverse logistic function model(ILF)with added oscillation function.The deformation state of landslide is judged by curvature extreme value method.Deformation rate fluctuation term signals were predicted by constructing nonlinear mapping models using long short term memory 686 岩石力学与工程学报 2023 年 LSTM，with rainfall and water level as evoked inputs，and the prediction results of trend term as control inputs.The prediction results show that the decomposition model based on the rate of deformation is more accurate than the traditional displacement fitting decomposition model for the non-linear process data of the Gapa Landslide，and its ability to map external factors is stronger.Therefore，deformation rate decomposition is an effective idea for prediction based on step motion mechanism，which solve the problem of step landslide prediction in nonlinear deformation stage.Key words：slope engineering；step-type landslide prediction；deformation rate decomposition；inverse Logistic function model；long and short term memory neural network；Gapa landslide 1 引引 言言 滑坡预测工作是在滑坡已知的变形资料下对未来滑坡可能发生的变形状态与变形量值的评估，在诸多变形量预测中，直观且易获取的地表监测位移预测是滑坡预测工作的重要指标，对滑坡变形现状与危害评估有重要意义。由于滑坡复杂系统中的周期性因素影响，滑坡位移曲线中的往往会出现位移增量加剧与恢复，这样的位移变化称之为阶跃式波动。目前张 俊等1-3对阶跃型滑坡的预测模型建立以位移数据的趋势波动分离方法为主，其目的是将控制因素影响的位移趋势数据与外部因素影响的波动数据分离，此外其他分解方法有小波分解4、经验模态分解 EMD5、移动平均法6、灰色系统7等多种方法；波动数据预测模型中，大多数学者选择非线性映射能力强的机器学习理论如支持向量机SVM8-9、长短期记忆神经网络 LSTM6等；趋势项预测模型则有多项式拟合5、Verhulst 反函数模型3等方法。变形状态判识方面，多数学者基于变形速率10、位移切线角11、加速度12等多种变形标准进行滑坡演化状态划分，而以上滑坡变形阶段划分标准的定量化往往难以统一。以上多种理论模型组合成的滑坡分解预测状态划分是目前大多数学者对阶跃型滑坡的预测框架选择，而其中分解方法是阶跃型滑坡预测模型结构的重要前提。在目前的阶跃型滑坡位移预测中，众多数学理论与计算模型组合的预测模型多由数据驱动的角度进行分解重构，往往无法赋予滑坡运动学解释，传统的分解模型得到的波动信号在位移阶跃过程中表现为增加与恢复过程，而实际的滑坡阶跃过程表现为变形速率上的增加与恢复13，累积位移上的递增；传统分解模型的波动信号的非对称性质也影响了降雨与库水位等影响因素的非线性映射效果，对一些非平稳波动信号的预测效果欠佳。针对阶跃型滑坡位移预测，从运动学角度分解滑坡位移信号是数据驱动预测与滑坡运动机制结合的必然趋势。基于以上研究发现，阶跃型滑坡预测应从阶跃运动特征入手，从波动特征的角度提出非线性预测模型中分解滑坡变形信号的新思路。本文在信号差分与小波平滑预处理后，通过研究滑坡阶跃波动过程中变形加速与变形恢复两阶段中变形速率的变化特征，将变形速率中的大尺度低频低幅震荡与小尺度高频高幅度波动分离；分解得到的趋势信号选择添加震荡构造函数的反 Logistic 函数模型(ILF)进行趋势预测，并通过曲率函数极值特征进行滑坡变形阶段划分，得到大尺度趋势预测与滑坡变形状态；波动项信号选择长短期记忆神经网络(LSTM)，考虑滑坡不同变形阶段的变形敏感性不同的非平稳特征，在传统的外部诱发因素数据输入结构基础上提出添加大尺度趋势预测模型结果作为控制输入，构建波动信号非线性预测模型；最后将趋势项与波动项预测信号进行叠加重构获得位移预测结果。基于以上模型构建，通过划分数据的 75%作为训练集；25%作为验证并进行全阶段长期预测。为了更好地验证模型对非线性阶段数据的处理能力，选取初始变形阶段到匀速变形阶段的呷爬滑坡数据进行位移预测，通过对呷爬滑坡中非线性波动信号进行有效分离与非线性映射模型建立，对比传统的位移残差趋势波动分离方法，发现基于变形速率分解的模型提高了预测精度，提供了基于阶跃运动机制预测的有效思路。2 变形速率分解与预测方法介绍变形速率分解与预测方法介绍 2.1 滑坡位移信号差分与离散小波平滑滑坡位移信号差分与离散小波平滑 基于变形速率分解的预测模型的先前条件是变形速率信号的获取与平滑预处理，通过邻近线性趋势填充获得等间距(1d)的位移信号 xn进行如下所示的一阶、二阶向后差分可近似获取滑坡变形速率与变形加速度信号：第 42 卷 第 3 期 邢保印等：基于变形速率分解的阶跃型滑坡预测以呷爬滑坡为例 687 11iiiiiixxvxtt-=-(1)11iiiiiivvavtt-=-(2)式中：xi，vi，ai(1 2 3 )in