邊坡變形預測研究現狀與發展趨勢

金云鵬，何習平*，吳定邦，秦浩靖，牛景太

(1.南昌工程學院水利與生態工程學院，330099，南昌;2.江西省水利規劃設計研究院，330029，南昌)

0 引言

地質環境是人類生活的載體，但如今我國地質環境狀況不容樂觀，各類地質災害頻發。國家統計局所給數據表明:本世紀初我國因地質災害所帶來的損失較大，僅2000年的傷亡人數就高達27 697，經過重點防治后，在2013年，由滑坡、崩塌、泥石流以及地面塌陷帶來的直接經濟損失依然多達104億元，2013－2017年累計255億元，5年累計傷亡3 104人，傷亡人數僅次于地震與洪水災害[1]。并且，地質災害對環境破壞及其次生災害所造成的損失更是無法計量。

西部大開發與可持續發展等國家戰略的實施使得我國基礎設施建設行業迎來了飛速發展，在迅速提升我國國內生產總值(Gross domestic product，GDP)的同時，各類特大型工程施工所形成的邊坡也成為了失事隱患。如滑坡、泥石流等地質災害的發生，嚴重危害了國民生命財產與環境安全。因此，地質災害防治受到了國家有關部門的重視，自2010年起，地質災害防治項目數與投資數都處于高位。作為邊坡變形監測研究工作的目標，邊坡變形預測對滑坡類地質災害防治具有重要意義。本文擬對邊坡變形預測的研究現狀與發展趨勢進行探討。

1 變形監測數據預處理

由于環境、儀器故障等影響以及測點數目增加、觀測數據量增加和人為操作失誤等問題的存在，監測數據粗差不可避免。粗差的出現會影響平差結果，導致數據失真，在此基礎上，導入變形預測模型進行分析就會發生錯誤。因此，粗差定位與剔除是數據處理較為關鍵的一步。

粗差定位方法在Baarda理論的基礎上發展而來，主要分為假設檢驗、抗差推估等[2]，歐吉坤[3]等人的最小二乘抗差估計是國內較為系統化的理論體系。假設檢驗法即假設粗差確實存在于監測數據中，將粗差納入函數模型來逐個計算統計量與估值，抗粗差干擾性差與最小二乘法所帶來的均攤效應是其主要缺點。抗差推估則是通過控制估值與監測數據的偏差來對數據進行導向控制，該法通過殘差擬合得到的抗差權函數往往難以獲取精確估值，故權函數的選取是其關鍵步驟，降權臨界值的選取也是其拓展的重點。

從不同角度出發進行改進或結合不同方法組合分析是對上述方法較為典型的改進策略，如柴雙武[4]對傳統的多維粗差探測法向后－向前選擇法進行了優化，使得估值結果可靠，粗差定位轉移現象得到改善。王偉[5]提出了利用水準網環閉合差分析和Baarda探測法進行組合粗差探測的分析方法。盧楠[6]改進了常規四分點(IQR)法，通過對露天礦山邊坡變形監測數據序列中的粗差探測，探測敏感度進一步提升。同時，國內新的定位理論也有一定的收獲，如王建民[7]提出的相鄰方差比檢驗法，王奉偉[8]提出的局部均值分解粗差探測方法以及陶園[9]提出的基于人工免疫模式的多層粗差檢驗法等。

粗差定位工作完成后還需將其剔除，粗差剔除通常運用的是數理統計方法，主要有拉依達(3σ)準則、格拉布斯(Grubbs)準則和狄克遜(Dixon)準則和四分點(IQR)準則等。不同的樣本特征對應著不同的判別準則:Grubbs法更為適用于剔除小樣本中的單個異常值，3σ準則更為適合較大樣本，Dixon準則是非參數判別，將極差作為統計量對粗差進行判別，可以較迅速地判別含有粗大誤差的觀測值。僅依據單一準則使用擬合值殘差或極值等指標進行評判，可能出現對數據利用程度不足的情況，產生誤判和漏判的風險，面對上述準則存在的問題，國內也有一些創新的方法，如花勝強[10]根據層次分析法(Analytic Hierarchy Process，AHP)得到4個主要粗差剔除準則的權重系數，并設定好粗差判定閾值進行綜合評判。毛亞純[11]提出了基于拉依達法則(3σ法則)的數據跳躍法，連增增[12]等采用Baarda粗差剔除法對變形監測數據進行過濾。

由于邊坡變形機理的研究尚未深入，且外界環境因素的復雜程度很高，較為普適性的粗差定位理論難以實現。因此，目前在邊坡監測數據領域的粗差定位與剔除修復的研究工作更多是在數據針對性理論上，未能取得較系統的研究成果。

2 邊坡變形監測數據挖掘

數據挖掘是從大量看似無規則的數據中通過算法找到其中隱藏信息和模式的過程，主要包括監督的分類、預測和無監督的聚類、相關性分組等方法。在邊坡數據信息領域中，數據挖掘主要體現在空間預測和危險性評價等方面，數據種類大都為水文與地質等空間數據。蘊含邊坡大量運行狀態信息的多元變形監測數據存儲于結構化數據庫中，通過對數據庫直接采用機器學習的數據挖掘技術，發現監測數據的潛在規律與有用信息。當前較主流的數據挖掘方法有支持向量機(Support Vector Machine，SVM)、決策樹算法、樸素貝葉斯、K－means、Logistic回歸、主成分分析(Principal Component Analysis，PCA)和Apriori算法等[13]，涵蓋了關聯、聚類、統計與回歸等多個方面。

在滑坡敏感性評價模型中，由于數據挖掘技術在實現工具方面較為稀缺，數據挖掘技術在其領域推廣受限，Palamakumbure[14]等結合See5.0決策樹方法和GIS技術下的ArcGISv.10軟件聯合開發了一款全自動化工具插件，為更多科研人員帶來便利，獲得了國際上的廣泛認可。Venkatesan等[15]基于改進的貝葉斯分類技術，與支持向量機做比較，證明了前者在數據挖掘層面更適用于滑坡敏感性預警模型。

國內學者對于邊坡監測數據挖掘最主要的目的在于探求影響邊坡穩定性的影響因素，周科平等[16]運用基于粗糙集理論的數據挖掘技術進行了分析，將邊坡穩定性程度進行量化表達，很好地說明了粗糙集理論不單單局限于分類問題，也可以用于特征歸約和相關分析。趙建華[17]利用決策樹算法對滑坡數據進行挖掘，分析了多種影響因素并得到一組判定坡體穩定性的規則，建立了劃分評價滑坡危險區域的模型。牛巖[18]等基于灰色關聯分析法對邊坡進行敏感性分析，得到各影響因素與安全系數的關聯程度大小的關系，利用敏感性分析結果，可對邊坡加固策略提供參考，從而更為高效地提高邊坡的穩定性。

目前我國國內相關的監測數據傳播共享途徑較少，且邊坡監測技術在動態多元化多方位方面的發展尚未成熟，更多還是針對傳統數據類型的研究，對于動態多方位滑坡監測數據的數據挖掘研究較少，在數據挖掘深度及其研究成果利用程度上也沒有進一步深入[19]。

3 邊坡變形預測模型研究現狀

邊坡變形監測研究中，變形預報的精準度對于防災減災、模型反演都具有十分重要的參考意義，所以在近幾十年的過程中，對于探求坡體變形機理、邊坡變形預報的理論研究，國內外學者做了大量工作，但由于坡體結構、組成材質的物理力學性質、外力作用的復雜性，涉及諸如測量學、數理統計學、工程力學等眾多學科，所建立的模型往往特點鮮明，各有利弊[20]。按照基本原理，模型主要可歸納為以下幾類:確定性模型、統計型模型與非線性模型。

3.1 確定性模型

確定性模型是基于蠕變理論等物理力學知識所構建的預測模型，具有明確的數學關系表達，能夠反映邊坡的物理實質，多適用于邊坡單體預測。其主要包括基于齋藤迪孝邊坡三階段蠕變理論的經驗模型及其擴展模型，如HOEK法與Hayashi模型等，Fukuzono與Voight通過破壞演變速度與加速度實驗得到的位移速率倒數模型及其擴展模型等。諸如有限元法、有限差分法及離散元法等數值模擬方法是其主要的實現手段，常與反演分析聯合使用。雖然確定性預測模型具有明確物理意義，有一定普適性，但由于邊坡的高復雜性，確定性模型需要較多關于地質條件與巖土體材料等綜合數據[21]，所以其預測精度相對較低。

3.2 統計模型

相較于確定性模型，統計位移預測模型注重的是監測數據的統計意義。通過引入概率論、灰色系統理論、模糊數學等數學統計理論，統計模型利用現有變形數據擬合邊坡的時程破壞曲線進行預報。由于無法考慮邊坡隨外界因素變化的影響，統計模型的外延性較差。雖然其預報精度較高，但通常僅對單個邊坡變形適用，普適性較差?；疑A測模型是較具代表性的統計模型，自灰色系統理論問世以來，由于邊坡的貧信息與模糊屬性與其理論特點較為契合，引發了較多專家學者對灰色預測模型的關注與研究，其中GM(1，1)模型被廣泛運用，各類改進模型、融合模型以及對應不同序列類型的預測模型也應運而生[22－27]。還有一種較為經典的方法是時間序列法，其最為典型的就是ARIMA(p，d，q)模型，即自回歸積分滑動平均模型，該模型具有優秀的線性能力，在短期預報方面應用廣泛:胡波[28]等對邊坡變形監測數據進行時間序列分析，利用ARIMA模型取得較為理想的成果，可為防災減災和工程施工提供技術參考。胡添翼[29]等在運用傳統ARIMA預測模型的基礎上，引入Pearson相關性檢驗，定量分析了空間上不同測點位移之間的相關性，判斷了被監測區域在空間上是否有整體位移或者局部位移的趨勢，以便能對被監測區域空間整體的位移性態進行更全面地掌握。此外，邊坡位移預測統計模型還有馬爾科夫鏈、指數平滑法、卡爾曼濾波法、黃金分割法等多種方法。

3.3 非線性模型

非線性模型是指通過導入邊坡監測數據，綜合考慮邊坡位移影響因子，引入機器學習或AI(人工智能)等非線性手段來擬合邊坡位移的預測模型。運用較廣泛的計算方法和高效優化算法，包括人工神經網絡(Artificial Neural Network，ANN)、支持向量機、遺傳算法(Genetic Algorithm，GA)、粒子群算法(Particle Swarm Optimization，PSO)、人工魚群算法(Artificial Fish－Swarm Algorithm，AFSA)等。由于出色的非線性映射能力以及對邊坡位移影響因子的充分考慮，目前主流預測方法采用的是智能算法相結合或統計模型與智能算法結合的預測模型，如Cao[30]等在分析位于三峽地區的白家包邊坡變形與地下水位、庫水位和降雨量關系基礎上，提出了利用極限學習機(ELM)來建立與變形控制因素相關的邊坡位移預測模型，認為邊坡的階梯式變形特征與影響因素的周期性變化緊密相關。Lian[31]等利用Kmeans與加權后的ELM構建分類預測模型，改善了位移突變點時間延遲情況，晏紅波[32]等通過基于EEMD的改進BP神經網絡取得了較好預測效果;王述紅[33]等通過修正人工魚群算法的步長，利用改進后人工魚群算法優秀的尋優能力，優化了Elman神經網絡的初始閾值和權值，建立了改進的AFSA－Elman邊坡位移預測網絡，一定程度對Elman網絡的預測精度和收斂速度進行了提升。特別地，近幾年國內學者對于改進的支持向量機及其拓展模型展開了較為深入的探討與研究，劉小生[34－41]等在參數尋優、核函數選取以及組合模型方面的探索和改進都提升了模型的預報精度。

4 邊坡變形預測的發展趨勢

20世紀90年代開始，交叉學科領域所產生的研究方法如雨后春筍般出現，經歷了從簡單的定性現象預報到如今結合計算機與智能算法的動態定量預報的過程，邊坡變形預測隨著時代的發展一同進步，目前已進入了實時跟蹤監測儀器并反饋信息，進行動態預測，與數值計算手段有機結合的系統化研究階段，其歷經數十載，取得了實質性的進展，但邊坡本身的不確定性仍是制約邊坡位移預測模型精度提升的主要因素，且目前的非線性手段也存在著一些理論上的不確定性。諸如人工神經網絡隱含層神經元數的確定、粒子群算法算法越界、遺傳算法初始參數的選取等問題，仍需專家學者進一步探討與研究。預計未來邊坡變形預測的研究將主要分布于以下4個方面。

4.1 非線性模型主導

邊坡自身所具有的眾多影響因素和復雜動態非線性特征往往使得傳統的線性預測手段和單一預測模型預報精度不夠理想。而隨著應用數學與計算機技術的發展，在機器學習與人工智能領域運用廣泛的非線性手段陸續被工程變形預報與分析引入，時至今日，多模型耦合共同預測已頗有成效，基于不同改進方向的混合智能算法預測模型也日益精進。能夠較好地刻畫邊坡位移發展變化的同時，非線性混合智能算法模型還具有更優的預測精度，因此為其奠定了邊坡變形預測模型的主導地位。

4.2 特殊地域針對性模型

我國地大物博、幅員遼闊，不同區域的地質條件與巖土體各項參數可能存在較大差異，針對不同地域、地形地貌的邊坡變形預測或穩定性預測模型研究也逐漸受到人們的重視。由于礦區邊坡與山區公路邊坡失事對于國民人身財產安全影響較大，與人們的生活息息相關，故成為目前研究的側重點。隨著更深入的研究，通過對已有的經典模型進行遷移學習，各類特殊地域針對性預測模型也將具有廣闊的應用前景。

4.3 結合大數據技術

作為當下研究的熱門領域，大數據系統技術發展十分迅猛，計算機集群高速存儲與計算優勢可以在諸如Hadoop等主流平臺的開源特性上得到較好體現，也因此大數據系統技術在眾多學科得以應用并取得良好表現。將集成后的多源異構型邊坡監測數據(歷史滑坡數據、共享的地質環境信息數據、現場監測儀器獲取的數據)進行數據清洗和轉換，進行統一建模，可以存儲于大數據平臺的儲存框架中(支持跨平臺交互和共享)。在數據挖掘與統計分析后進行穩定性預測，結合信息管理和可視化動態展示，通過地理信息系統(Geographic Information System，GIS)呈現，可以為決策管理層或客戶較為直觀地展示評價狀況[42]。結合大數據技術綜合預測也是邊坡預警系統的發展趨勢。

4.4 深度學習

深度學習是人工智能領域極具發展前景的一個分支，它在人工神經網絡的基礎上發展而來，是一種機器學習方法，也是一種表示學習方法，最主要的模型是各種深度神經網絡(Deep Neural Network)。其主要原理是通過構建一個多層的表示學習結構，使用一系列非線性變換操作把從原始數據中提取的簡單初始特征進行組合，從而得到更高層、更抽象的表示[43]。在圖像識別、語音識別、自然語言處理方面，深度學習取得了巨大成功，這也引起了各個學科對這一新興學習方法的關注[44－47]。在工程應用領域方面也都有著積極的嘗試[48－50]。以傳統的單隱藏層神經網絡為例，從理論出發，足夠多的神經元能夠形成一個很“寬”的網絡，可以擬合任意函數，而深層網絡結構更“深”:相同神經元數量情況下具有更大容量，分層組合帶來的指數級表達空間，能夠組合成更多不同類型的子結構，使學習和表示各種特征更為簡易高效，對于多影響因子的邊坡預測問題而言，深度學習將會是一個強大的解決手段。

5 結束語

邊坡的失穩破壞，都有一個從漸變到突變的發展過程，在各類自然因素或人為因素的共同作用下，坡體內部所發生的應力集中和應力重分布效應使坡體內部應力超過其自身強度，從而導致邊坡變形破壞。邊坡變形預測能夠在邊坡失事破壞前反饋預警信息，對防災減災有著重大意義。面對復雜的邊坡預測問題，改進方式是多個層面的:當前發展如火如荼的大數據平臺能對以往監測數據傳播共享困難這一難題作出較好的應對;對于邊坡監測技術而言，隨著科技的進步與硬件設備的更新迭代，該技術正朝著全方位多元化實時監測發展;基于非線性動力學理論的智能算法預測模型對邊坡復雜影響因子的進一步刻畫，預報精度將有所提升;且隨著深層次數據挖掘與深度學習的工程應用推廣，邊坡變形預報技術將日臻完善。