徐衛(wèi)亞，徐 偉 ，閆 龍 ，陳鴻杰，黃德凡

(1.河海大學(xué)巖土工程科學(xué)研究所，江蘇 南京 210098；2.河海大學(xué)巖土力學(xué)與堤壩工程教育部重點(diǎn)實(shí)驗(yàn)室，江蘇 南京 210098；3.華能瀾滄江水電股份有限公司，云南 昆明 650214；4.中國電建集團(tuán)昆明勘測設(shè)計研究院有限公司，云南 昆明 650214)

邊坡及滑坡安全監(jiān)測資料分析是安全評價的十分重要的環(huán)節(jié)，得到了國內(nèi)外學(xué)者和工程技術(shù)人員的廣泛關(guān)注和深入研究。由于邊坡及滑坡的穩(wěn)定性與其影響因子之間呈現(xiàn)高度的非線性關(guān)系，所以運(yùn)用人工智能方法挖掘變形監(jiān)測數(shù)據(jù)中的時序變化規(guī)律，預(yù)測未來的變形演化及發(fā)展趨勢，及時地捕捉各種異常跡象，避免或減少財產(chǎn)損失和人員傷亡具有重要意義[1]。

對邊坡及滑坡的變形進(jìn)行預(yù)測，首先需要對已有的監(jiān)測數(shù)據(jù)進(jìn)行處理，如缺失值清洗(插值處理)、非需求數(shù)據(jù)清洗(刪除不需要的數(shù)據(jù))、邏輯錯誤清洗(防止分析結(jié)果走偏)和數(shù)據(jù)歸一化處理等，然后將處理后的數(shù)據(jù)集按照一定的比例劃分為訓(xùn)練集、驗(yàn)證集和測試集，基于一定的算法建立預(yù)測模型，最后進(jìn)行預(yù)測模型的優(yōu)化(如使用數(shù)據(jù)集測試模型、采用優(yōu)化算法提升訓(xùn)練速度、進(jìn)行參數(shù)調(diào)試等)并進(jìn)行預(yù)測，這是進(jìn)行邊坡及滑坡變形預(yù)測預(yù)報常用的方法[2]。目前水利或土木工程中變形預(yù)測預(yù)報研究涉及的模型較多，主要包括常規(guī)的統(tǒng)計預(yù)測模型如回歸模型[3]、灰色理論預(yù)報模型[4]、生物生長模型[5]、布朗運(yùn)動模型[6]、卡爾曼濾波法[7]等，以及非線性理論模型如突變理論模型[8]、協(xié)同預(yù)報模型[9]、支持向量回歸模型(support vector regression，SVR)[10-11]、神經(jīng)網(wǎng)絡(luò)模型[12]、M5′-主成分模型樹[13]等。關(guān)于支持向量回歸和神經(jīng)網(wǎng)絡(luò)模型的研究，Liu等[14]將采用支持向量回歸預(yù)測的趨勢序列與采用長短期記憶神經(jīng)網(wǎng)絡(luò)預(yù)測敏感性狀態(tài)相融合，建立了滑坡位移預(yù)測的非線性模型，對白水河滑坡進(jìn)行位移預(yù)測研究；黃健等[15]將灰色模型、改進(jìn)的自適應(yīng)遺傳算法和小波神經(jīng)網(wǎng)絡(luò)結(jié)合建立預(yù)測模型，對垮梁子滑坡進(jìn)行位移預(yù)測研究；李麟瑋等[16-17]建立Bootstrap-KELM-BPNN模型，結(jié)合灰狼優(yōu)化算法、最大信息系數(shù)和支持向量回歸建立預(yù)測模型，對滑坡進(jìn)行變形預(yù)測研究；楊帆等[18]結(jié)合人工蜂群算法和支持向量回歸建立預(yù)測模型，對滑坡進(jìn)行變形預(yù)測研究；Yang等[19]提出了一種基于時間序列分析和長短期記憶神經(jīng)網(wǎng)絡(luò)的滑坡位移預(yù)測動態(tài)模型，對滑坡進(jìn)行變形預(yù)測研究。Du等[20]基于時間序列和反向傳播神經(jīng)網(wǎng)絡(luò)模型，對滑坡進(jìn)行變形預(yù)測研究。但基于神經(jīng)網(wǎng)絡(luò)模型和支持向量回歸模型進(jìn)行傾倒變形體特別是庫壩區(qū)傾倒松弛巖體邊坡的變形建模與預(yù)測的文獻(xiàn)尚不多見。

本文基于瀾滄江黃登水電站1號傾倒變形體表面位移實(shí)際監(jiān)測資料，以時間、庫水位、降雨量、溫度作為輸入?yún)?shù)，以位移變形作為輸出參數(shù)，構(gòu)建LM-BP(levenberg marquardt back propagation，LM-BP)神經(jīng)網(wǎng)絡(luò)模型和SVR模型，對傾倒變形體進(jìn)行變形預(yù)測。通過模型優(yōu)化將預(yù)測結(jié)果與實(shí)際監(jiān)測數(shù)據(jù)的比較，驗(yàn)證預(yù)測模型的可靠性和適用性。

1 LM-BP神經(jīng)網(wǎng)絡(luò)模型

BP神經(jīng)網(wǎng)絡(luò)算法主要思想是通過隱含層將輸出誤差依次反向傳播給輸入層，各層的節(jié)點(diǎn)分?jǐn)傉`差得到誤差信號，各節(jié)點(diǎn)根據(jù)誤差信號修正權(quán)值[21]。傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)算法存在學(xué)習(xí)新樣本而遺忘舊樣本的趨勢、收斂慢、對初始權(quán)值的選取敏感、容易陷入某個局部極值點(diǎn)以及泛化能力弱等問題。針對這些問題，學(xué)者們提出了改進(jìn)算法，如附加動量項(xiàng)、自適應(yīng)學(xué)習(xí)率算法、Levenberg-Marquardt算法(LM算法)等。LM算法[22]，由經(jīng)典的Newton法發(fā)展而來，運(yùn)用Guss-Newton法在最優(yōu)值附近生成一個理想的搜索方向，可以保持較快的下降速度，在Guss-Newton法和最速下降法之間自行調(diào)整權(quán)值，使誤差的搜索方向沿著惡化方向進(jìn)行，提高網(wǎng)格的泛化能力和收斂速度。LM-BP算法的訓(xùn)練流程如圖1所示，各個步驟主要完成內(nèi)容：(a)初始化。隨機(jī)產(chǎn)生權(quán)向量，確定所有樣本誤差平方和達(dá)到收斂標(biāo)準(zhǔn)；(b)求樣本輸出誤差。主要計算隱層節(jié)點(diǎn)的輸出、輸出層節(jié)點(diǎn)的輸出以及輸出層節(jié)點(diǎn)的輸出誤差；(c)求Jacobian矩陣；(d)求權(quán)向量的調(diào)整量。

圖1 LM-BP訓(xùn)練流程Fig.1 Flow chart of LM-BP training

2 SVR 模 型

SVR模型由Vapnik[23]提出，被廣泛應(yīng)用于求解非線性問題。SVR模型通常將樣本數(shù)據(jù)分為訓(xùn)練樣本和測試樣本，然后將預(yù)先選擇的訓(xùn)練樣本映射到高維度特征空間對這部分?jǐn)?shù)據(jù)進(jìn)行計算，在最優(yōu)決策函數(shù)模型的空間中獲得最佳擬合效果，測試樣本用于驗(yàn)證、分析模型效果。SVR訓(xùn)練流程如圖2所示。

圖2 SVR訓(xùn)練流程Fig.2 Flow chart of SVR training

SVR模型解決的是一個凸二次規(guī)劃問題，得到的是全局最優(yōu)解，克服了在BP神經(jīng)網(wǎng)絡(luò)中難以避免的局部極值問題；將實(shí)際問題通過非線性變換轉(zhuǎn)換到高維的特征空間，在高維空間中構(gòu)造線性決策函數(shù)實(shí)現(xiàn)原空間中的非線性決策函數(shù)，巧妙地解決了維數(shù)問題，并保證了較好的推廣能力，而且算法復(fù)雜度與樣本維數(shù)無關(guān)。該模型具有簡單的結(jié)構(gòu)，少量的樣本數(shù)量即可實(shí)現(xiàn)模型學(xué)習(xí)，且表現(xiàn)優(yōu)于傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)。

3 黃登水電站1號傾倒體變形分析

3.1 1號傾倒變形體概況

1號傾倒體發(fā)育于瀾滄江黃登水電站壩址區(qū)上游右岸1號溝側(cè)近壩庫岸約700 m處，主體垂向分布范圍1 480～1 830 m高程(局部1 650～1 910 m)，寬度約400～500 m，水平發(fā)育深度約28～200 m，厚度為30～104 m，總體積約700×104～800×104m3，巖體卸荷強(qiáng)烈，松動變形明顯。該傾倒變形體在水庫水位變化或降雨等水動力作用影響下，變形破壞機(jī)理及安全性評價需要進(jìn)一步深入分析。1號傾倒松弛巖體發(fā)育范圍內(nèi)共布置有9個外觀變形測點(diǎn)，其范圍和監(jiān)測點(diǎn)布置如圖3所示。

圖3 1號傾倒變形體及監(jiān)測布置Fig.3 No.1 toppling deformed slope and monitoring arrangement

3.2 1號傾倒體變形特征及影響因素分析

圖4為1號傾倒變形體的典型剖面。1號傾倒變形體分布區(qū)段河谷總體方向?yàn)镹NE向，岸坡延伸方向與地層走向近于平行，巖層陡傾坡內(nèi)，屬典型的縱向谷逆向坡，具備巖體側(cè)向傾倒變形的地形臨空條件。在1號傾倒松弛巖體發(fā)育范圍附近，斜坡巖體下部主要由似層狀淺變質(zhì)火山碎屑巖及片理化變質(zhì)凝灰?guī)r條帶構(gòu)成。地層及片理走向與坡面近于平行，傾向坡內(nèi)、總體傾角約∠75°，上硬下軟。1號傾倒松弛巖體的傾倒變形破裂現(xiàn)象較為復(fù)雜，其主要受順向河谷地形、陡傾坡內(nèi)的似層狀及板片狀巖體結(jié)構(gòu)兩方面因素控制。巖體內(nèi)部的“傾倒蠕變”、巖體底界的“傾倒-滑移”變形和巖體后緣深部“傾倒-彎折”變形。傾倒變形體的彎曲傾倒破壞機(jī)制可歸納為重力引起彎曲折斷與水動力作用觸發(fā)失穩(wěn)。

圖4 1號傾倒變形體典型剖面Fig.4 Typical profile of No.1 toppling deformed slope

水動力作用是1號傾倒體在黃登水電站運(yùn)行期變形破壞的主要控制因素。圖5為1號傾倒體外觀變形測點(diǎn)GTP06的累積位移、累積位移變化和降雨量、庫水位、溫度關(guān)系圖。每年7—9月為當(dāng)?shù)氐挠昙荆涤陼r間集中且降雨量明顯增大，相應(yīng)的累積位移、累積位移變化速率增大，降雨對傾倒體變形的影響具有一定的滯后性。一方面，降雨形成地表徑流沖刷1號傾倒體表面松散的巖土體；另一方面，隨著降雨時間的增加，雨水沿著傾倒體的裂隙下滲，弱化滑帶上的巖土體、增加傾倒體的重度，從而增大下滑力、減小抗滑力，不利于傾倒體的穩(wěn)定。

圖5 1號傾倒變形體表面位移、位移變化和降雨量、庫水位、溫度關(guān)系Fig.5 Relationship between deformation (surface displacement and displacement change) and influencing factors (rainfall,water level and temperature) in No.1 toppling deformed slope

黃登水電站于2017年11月中下旬開始第一階段蓄水，庫水位上升，1號傾倒體的累積位移、累積位移變化速率持續(xù)增大。2018年5月下旬開始第二階段蓄水，2018年8月下旬庫水位升至正常蓄水水位，期間庫水位變化持續(xù)增加，同時1號傾倒體的累積位移、累積位移變化速率迅速增大，庫水位變化峰值滯后于1號傾倒體累積位移變化速率峰值，庫水位變化對1號傾倒體變形的影響具有一定的延遲效應(yīng)。2018年9月后，庫水位下降影響傾倒體的變形。溫度的變化會影響水的黏滯性，進(jìn)而影響庫水和降雨入滲，而庫水位變化和降雨對坡體變形影響是顯著的，因此溫度間接影響著坡體變形。

考慮到1號傾倒變形體受到水動力作用的顯著影響[24]，結(jié)合以上分析本文以庫水位、降水量、溫度和時間作為輸入?yún)?shù)，以1號傾倒變形體的變形作為輸出參數(shù)，構(gòu)建LM-BP神經(jīng)網(wǎng)絡(luò)模型和SVR模型對1號傾倒變形體的變形進(jìn)行預(yù)測分析。

3.3 1號傾倒體變形預(yù)測分析

首先對已有的實(shí)際監(jiān)測數(shù)據(jù)進(jìn)行數(shù)據(jù)清洗等處理，然后將處理后的數(shù)據(jù)集建立LM-BP神經(jīng)網(wǎng)絡(luò)模型和SVR模型。LM-BP神經(jīng)網(wǎng)絡(luò)模型通過均方誤差MSE(mean squared error)、擬合優(yōu)度R2和誤差的大小反映擬合效果以及對該邊坡變形預(yù)測的可靠性。SVR模型通過懲罰系數(shù)C、核函數(shù)參數(shù)g、R2、MSE和誤差的大小反映擬合效果以及對該邊坡變形預(yù)測的可靠性，并運(yùn)用2個模型預(yù)測監(jiān)測點(diǎn)GTP06的累計變形。由圖6可知，在正常工況下，1號傾倒體外觀變形測點(diǎn)GTP06累積位移的實(shí)測值與LM-BP神經(jīng)網(wǎng)絡(luò)、SVR的預(yù)測值相差不大，累積位移的變化趨勢基本一致且累積位移值將繼續(xù)增長，預(yù)計從監(jiān)測的第995 d至第1 359 d，LM-BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測的累積位移從152.43 mm增長至173.93 mm，SVR模型預(yù)測的累積位移從150.32 mm增長至169.40 mm，期間位移2種預(yù)測方法的位移增長趨勢大致相同

圖6 監(jiān)測點(diǎn)GTP06累積位移預(yù)測曲線Fig.6 Prediction curve of cumulative displacement for monitoring point GTP06

在正常水位調(diào)度、降雨情況下，LM-BP神經(jīng)網(wǎng)絡(luò)模型的R2=0.99、MSE=1.94、最大誤差為2.53%、絕對誤差最大值為3.79 mm，SVR模型的C=6.70、g=0.09、R2=0.97、MSE=2.67、最大誤差為4.35%、絕對誤差最大值為5.76 mm，可見LM-BP神經(jīng)網(wǎng)絡(luò)模型和SVR模型的精度都比較高，且LM-BP神經(jīng)網(wǎng)絡(luò)模型的精度比SVR模型的精度高。由圖7～8可知，LM-BP神經(jīng)網(wǎng)絡(luò)、SVR方法預(yù)報分析的位移變化速率和位移變化的加速度曲線仍在變化，傾倒變形體的變形仍然在變化，應(yīng)予以關(guān)注，并加強(qiáng)監(jiān)測預(yù)警、水位調(diào)度管理，進(jìn)一步加強(qiáng)水庫水位調(diào)度方案與傾倒變形體安全保障之間的系統(tǒng)研究，深化監(jiān)測預(yù)警系統(tǒng)研究。庫水位變化、降雨等因素是影響1號傾倒變形體變形的重要因素，合理的水位調(diào)度可以一定程度上控制該傾倒變形體的變形。LM-BP神經(jīng)網(wǎng)絡(luò)和SVR模型考慮了水動力作用，2種方法的變形預(yù)測研究結(jié)果可為該傾倒變形體的預(yù)測預(yù)警提供一定的參考，若發(fā)生庫水位的驟升、驟降以及暴雨，需要進(jìn)一步研究。

圖7 監(jiān)測點(diǎn)GTP06累積位移變化速率曲線Fig.7 Change rate curve of cumulative displacement for monitoring point GTP06

圖8 監(jiān)測點(diǎn)GTP06累積位移加速度曲線Fig.8 Acceleration curve of cumulative displacement for monitoring point GTP06

4 結(jié) 論

a.1號傾倒變形體的變形受水動力作用的控制，工程地質(zhì)條件、降雨、庫水位變化、溫度和時間等因素均有影響。工程地質(zhì)條件主要決定了傾倒變形體變形發(fā)育的總體趨勢，降雨、庫水位等誘發(fā)因素與其變形發(fā)育密切相關(guān)，降雨、庫水位變化特別是水位驟降加速了1號傾倒變形體的變形破壞，變形與降雨、庫水位變化的響應(yīng)表現(xiàn)出一定的滯后性。

b.考慮到傾倒變形體受水動力作用的顯著影響，應(yīng)用LM-BP神經(jīng)網(wǎng)絡(luò)與SVR方法，以庫水位變化、降雨量、溫度、時間作為影響因素輸入?yún)?shù)，以傾倒變形體的變形特征量作為輸出參數(shù)，建立LM-BP神經(jīng)網(wǎng)絡(luò)模型和SVR預(yù)測模型。

c.基于LM-BP神經(jīng)網(wǎng)絡(luò)模型與SVR模型，對傾倒變形體的變形特征進(jìn)行預(yù)測預(yù)報研究，結(jié)果表明，在黃登水電站正常運(yùn)行調(diào)度工況下，LM-BP神經(jīng)網(wǎng)絡(luò)模型的最大誤差為2.53%，SVR模型的最大誤差為4.35%，2個模型精度都較高，LM-BP神經(jīng)網(wǎng)絡(luò)模型的精度比SVR預(yù)測模型更為精確，預(yù)測有效；目前黃登水電站近壩庫岸1號傾倒變形體變形尚未收斂，需持續(xù)關(guān)注，加強(qiáng)監(jiān)測預(yù)警、水位運(yùn)行調(diào)度管理和風(fēng)險分析。