中蘭客專某多級路塹邊坡穩定性評價與現場監測

景 弘,程高軍,高玉廣,魏致琴,閆澤宇

(1.中蘭鐵路客運專線有限公司,甘肅 蘭州 730000; 2.甘肅土木工程科學研究院有限公司,甘肅 蘭州 730000)

近幾十年來,由邊坡失穩引發的自然災害給國家和人民的生命財產帶來巨大損失。據2021年《中國統計年鑒》[1]統計:2020年,我國滑坡災害共計4 810起,傷亡人數多達197人,直接經濟損失高達50.20億元。邊坡穩定性分析作為熱點研究課題,廣大學者對此做了大量研究。

邊坡穩定性分析方法隨著時間的推移也在逐漸發展。在19世紀初期,由于研究手段的限制,人們一般靠經驗判斷邊坡是否穩定。目前,隨著科技的快速發展和應用,數值模擬[2]成為邊坡穩定性評價的主要方法。其主要包括:有限元法、邊界元法、離散元法、拉格朗日元法等[3]。但由于邊坡工程是復雜的非線性系統,學者們又提出一種機器學習方法[4],其通過建立相應的邊坡穩定性預測模型,從而達到更快更準的邊坡穩定性預測效果。蘇國韶等[5]采用高斯過程機器學習方法,建立了邊坡穩定性估計模型,很好的表達了邊坡穩定性與各影響因素之間的非線性映射關系,但僅僅通過預測的邊坡穩定狀態來評價邊坡的狀態存在一定的局限性。秦馳越等[6]針對露天礦排土場的邊坡穩定性問題,提出2種用于預測排土場邊坡安全系數的機器學習模型,但由于其模型核函數較為單一,因此預測精度有待提高。

近幾年來,支持向量機[7](SVM)作為機器學習方法的一種,可以簡化通常的分類和回歸等問題,具有較好的魯棒性,并且從某種意義上可以避免維數災難等優點,受到邊坡研究學者們的青睞。張云雁[8]建立基于GS-SVM、人工神經網絡和隨機森林的邊坡穩定性預測模型,通過GR算法選取模型的最優參數,使得預測模型精確率可達97%,但其未考慮輸入變量對模型計算結果的影響。王芬等[9]為避免原始人工蜂群算法(原始ABC算法)搜索時陷入局部最優解,提出一種改進的人工蜂群算法(MABC算法),并采用MABC算法對支持向量回歸(SVR)模型參數進行優化,實現對邊坡安全系數的回歸分析與預測。但其僅建立了邊坡安全系數的預測模型,未對邊坡進行綜合評價。由此可見,支持向量機在預測邊坡穩定狀態的過程中作為一種可行的方法,但研究人員在核函數的綜合選用、輸入變量的類比分析、對邊坡狀態的綜合評價等方面研究尚存在一定的空缺。

本文考慮到僅僅通過預測的邊坡穩定安全系數或者邊坡穩定狀態來評價邊坡的狀態存在一定的局限性,因此綜合SVR、SVM兩種邊坡狀態預測模型,建立一個先預測邊坡穩定安全系數和穩定狀態,然后對邊坡進行綜合評價的模型,最后依托某非飽和黃土多級邊坡工程實例,基于數值模擬與現場監測,針對邊坡的變形規律展開研究。研究成果可為邊坡穩定性研究與評價方法提供參考。

1 邊坡數據庫

1.1 確定輸入參數

通過查閱相關文獻資料,發現近幾年學者在對邊坡穩定性的預測分析中,均選擇了重度、黏聚力、內摩擦角、坡高、坡角、孔隙水壓力作為輸入參數(如表1),因此本文也考慮選擇這六個因素作為模型的輸入參數。

1.2 建立邊坡數據庫

研究變量的選取對預測結果起到至關重要的影響,本文整理了文獻[21-24]中的35條邊坡實例,具體如表2所示。

表2 邊坡數據庫

2 邊坡評價模型的建立

基于SVM的邊坡穩定狀態預測模型可以將邊坡分為穩定或者不穩定兩種類型,基于SVR的邊坡穩定安全系數預測模型可以得到邊坡的穩定安全系數。

2.1 SVM模型

在本文中,將輸入變量(重度、黏聚力、內摩擦角、坡高、坡角、孔隙壓力比)作為SVM模型的輸入,將邊坡是否穩定作為SVM模型的輸出,建立一個多變量輸入、單變量輸出的SVM分類模型。建模過程如下[25]：

假設訓練集的數量為l,那么訓練集為{(xi,yi),i= 1, 2, … ,l},yi={-1, 1},yi=1表示穩定邊坡,yi=-1表示不穩定邊坡。

根據從低維空間映射到高維特征空間的關系,建立在后者中的線性回歸函數,如下:

f(x)=wΦ(x)+b

(1)

式中:w為高維特征空間權重向量;Ф(x)為非線性映射函數;b為閾值。

選取適當的核函數K(x,x′)和適當的懲罰參數c,構造并求解優化問題:

(2)

(3)

式中:f(x)為輸出變量即邊坡是否穩定標簽;x為輸入變量。

2.2 SVR模型

在本文中,將輸入變量(重度、黏聚力、內摩擦角、坡高、坡角、孔隙壓力比)作為SVR模型的輸入,將邊坡穩定性系數作為SVR模型的輸出,建立一個多變量輸入、單變量輸出的SVR回歸模型。建模過程如下[26]：

相比于SVM模型,SVR模型引入了線性不敏感損失函數,為:

(4)

式中:y為真實值。

通過引入松弛變量ξi,ξ*i建立目標函數:

(5)

式中:c為懲罰因子,反映了對訓練誤差大于ε樣本的懲罰。引入拉格朗日函數,可得:

求解上式后得到回歸函數為:

(7)

式中:f(x)為邊坡穩定性系數預測值;x為模型輸入變量。

2.3 綜合邊坡穩定性評價模型

基于SVM的邊坡穩定狀態預測模型可以將邊坡分為穩定或者不穩定兩種類型,基于SVR的邊坡穩定安全系數預測模型可以得到邊坡的穩定安全系數。《建筑邊坡工程技術規范》(GB 50330—2013)給出了邊坡穩定性狀態的分級規定,如表3所示。

表3 邊坡穩定狀態劃分[27]

基于表3并結合基于SVM的邊坡穩定狀態預測模型可以將邊坡分為穩或者失穩兩種類型的情況,考慮將邊坡狀態分為穩定(Ⅰ)、較穩定(Ⅱ)、欠穩定(Ⅲ)、不穩定(Ⅳ)、很不穩定(Ⅴ)共計五個等級,具體取值如表4所示,其分級的含義如表5所示。

表4 邊坡綜合評價等級

表5 邊坡綜合評價等級

3 邊坡穩定性預測

3.1 模型求解

使用MATLAB軟件編程實現對邊坡穩定的綜合評價,其中對10組邊坡數據進行綜合評價,其中1～25號邊坡為訓練集,26～35號邊坡為預測集。SVM模型和SVR模型的核函數采用Linear函數、Polynomial函數、RBF函數、Sigmoid函數共計4種情況,模型參數利用網格搜索確定最優值,其計算結果如表6所示。

表6 評價結果

由表6可以發現不同的核函數類型對于邊坡評價的結果影響較大,結合邊坡真實狀態不難看出RBF函數作為核函數的模型的評價效果較好。

3.2 參數分析

在機器學習的預測模型中,輸入參數的選擇是影響模型準確率的重要因素,考慮到實際的工程應用中存在邊坡參數不確定的現象,并為了研究各輸入參數對于模型預測結果的影響,判斷各參數對模型的影響,接下來將研究逐個剔除變量對于模型評價結果的影響,其計算結果如表7所示。

表7 剔除變量后的評價結果對比

誤判次數越少說明模型評價結果的科學性越好,越級現象(穩定狀態邊坡評為欠穩定(Ⅲ)、不穩定(Ⅳ)、很不穩定(V);失穩狀態邊坡評為較穩定(Ⅱ)、穩定(Ⅰ))存在較少,可以發現RBF核函數表現較好,并且說明輸入變量是影響模型的重要因素。

3.3 實例驗證

為了研究所建立的SVM-SVR邊坡穩定性綜合評價模型的預測效果,選取甘肅省白銀市白銀南站某黃土多級邊坡為預測對象,針對其邊坡穩定性進行綜合評價。

邊坡長度為124 m,高度65 m,寬度為40 m,1～5級坡面坡度約為1∶1.5,坡角為33.69°;6～9級坡面坡度約為1∶1.75,坡角為29.724°。共有三層土體,上部土體采用Q3黃土,其厚度約為20 m不等,中部土體采用砂巖夾泥巖(強風化),其厚度為35 m,整體呈現凹形,下部土體為砂巖夾泥巖(弱風化),其厚度約為10 m,具體土層參數如表8所示。

通過所建立的SVM-SVR邊坡穩定性綜合評價模型(核函數為RBF)的計算,結果表明:未支護下白銀南站某黃土多級邊坡的綜合評價等級為不穩定(Ⅳ),與實際原狀邊坡穩定狀態相符。

4 非飽和黃土多級邊坡數值模擬

4.1 建立計算模型

為了研究此非飽和黃土多級邊坡變形規律,基于PLAXIS 3D數值模擬軟件,以甘肅省白銀市白銀南站某黃土多級邊坡為原型,建立數值計算模型,分析最危險滑移面的位移、塑性應變、孔隙水壓力的變化。

為了便于計算和研究,設定每層土層為單一均質的土。為了使計算結果的精度符合預期理想,采用Mohr-Column準則為本構模型,并用細網格進行劃分,相對單元尺寸為0.7,單元尺寸為5.687,使用最大內核數為256個,全局比例因子為1.2,最小元素大小因子為5×10-3,共劃分了75 493個單元,112 079個節點,數值模型單元網格圖如圖1所示。

4.2 邊坡穩定性分析

多級邊坡情況較為復雜,甚至會出現局部滑動的情況,因此,本文首先通過數值模擬計算,尋找邊坡潛在滑移面中的最危險滑移面,通過分析最危險滑移面的位移、塑性應變、孔隙水壓力,得出非飽和黃土多級邊坡變形規律。圖2、圖3和圖4分別對應位移、塑性應變和孔隙水壓力云圖。

圖2 天然狀態下最危險滑移面位移云圖

圖3 天然狀態下最危險滑移面塑性應變云圖

圖4 天然狀態下最危險滑移面孔隙水壓力云圖

分析天然狀態下最危險滑移面的位移與塑性應變可知,塑性應變主要分布在9級邊坡和6級邊坡之間,在坡頂與坡腳集中,在6級邊坡坡腳處應變最為集中。x方向的位移變化最大在8級邊坡坡面,最大位移約為1.159 m,往坡腳位置x方向的位移逐漸減小,在5級邊坡坡面處位移幾乎減小到0 m。這是因為該多級邊坡為非均質邊坡,邊坡的中層土體為砂巖夾泥巖(強風化)、邊坡的下層土體為砂巖夾泥巖(弱風化),風化巖的彈性模量、黏聚力、內摩擦角遠大于邊坡上層非飽和Q3黃土,因此滑移面的位移集中在強度較小的邊坡上層非飽和Q3黃土土體,塑性區分布和滑動面所處的位置基本吻合。孔隙水壓力從下到上成線性增大的趨勢,最小處位于坡底,最大處位于坡頂。

5 非飽和黃土多級邊坡現場監測

5.1 監測方案

多級邊坡的情況較為復雜,相較于單級邊坡更容易發生邊坡失穩的情況。為了實時掌握邊坡變形情況,判斷邊坡變形的趨勢,確保工程順利進行,要對不同坡級土體進行系統、綜合監測。依托白銀南站DK189+950左側9級邊坡作為典型代表,實時監測邊坡表面位移、深部測斜位移、土體含水率等變化情況,判斷多級邊坡的穩定性,圖5為傳感器總體布置剖面圖,監測內容如下:

圖5 傳感器總體布置剖面圖

(1) 坡體深部位移監測:在坡頂和分級平臺上鉆孔,安裝測斜管,管內安裝深層測斜儀,深層測斜儀豎向間距4 m,通過深孔測斜監測邊坡深部一定范圍的深層變形。

(2) 坡體內部孔隙水壓力與含水量監測:分別采用滲壓計和TDR水分計監測坡體一定深度范圍內孔隙水壓力和含水量的變化,為坡體應力-應變分析提供依據,滲壓計、TDR水分計豎向間距4 m或5 m。

(3) 現場雨量監測:在現場3級平臺上布設雨量計,監測施工期和工后一定時期內的雨量變化情況。

5.2 監測結果

(1) 邊坡深部測斜位移監測結果分析

邊坡深部測斜位移的變化可直觀反映邊坡內部位移變化情況,為判斷邊坡內部穩定性狀態提供參考,繪制二、三、四級邊坡的測斜監測變化,結果如圖6所示。

圖6 邊坡深部測斜位移監測結果

通過對比二、三、四級邊坡測斜位移不難發現,施工完畢初期,位移較為穩定,無較大改變。穩定情況至2021年5月左右發生改變,表現為明顯且較為快速增長,持續至2021年9月,此后位移增長較為緩慢。結合實際情況,主要是由于該階段為錨索張拉鎖定階段,錨固力強,穩定效果好。在錨索張拉時,錨固向邊坡內收縮變形導致位移減小,因此位移在小范圍內波動變化。但在張拉階段結束后,錨固力開始減小,損失較大,導致位移變化曲線產生突變。此后邊坡處于卸荷階段,位移緩慢增加,變化較為平穩。

二級邊坡變化趨勢相較于三、四級邊坡變化趨勢略有不同,測斜位移隨埋深的增加呈先增大后減小趨勢。深度為5.5 m時,最大位移為14.451 mm。三、四級邊坡測斜位移隨深度增大呈逐級遞減的變化趨勢,最大位移都在離坡面較近的1.5 m深度位置,大小分別為19.223 mm、27.281 mm。結合數值模擬分析,造成這種現象的原因是該邊坡最危險滑動面穿過二級坡深度5.5 m位置,因此位移較大。但邊坡最危險滑動面離三、四級坡面較遠,因此1.5 m深度位移較大。

綜合分析可知,邊坡內部位移變化趨勢較小,說明預應力錨索具有良好的錨固作用,可有效提高邊坡的穩定性。

(2) 土體內部孔隙水壓力監測結果分析

非飽和土邊坡的穩定性較大程度上受孔隙水壓力的影響,繪制土體內部孔隙水壓力監測變化,結果如圖7所示。

圖7 邊坡孔隙水壓力監測結果

將各級邊坡不同埋深孔壓進行對比分析,可以看出,該邊坡表層土體的孔隙水壓力變化較大,二級邊坡埋深1.5 m處土體孔隙水壓力最大值為0.18 MPa,最小值為0.001 MPa。三級邊坡埋深1.5 m處土體孔隙水壓力最大值為0.23 MPa,最小值可為0 MPa。隨著埋深的增加,土體孔隙水壓力變化減小,埋深在9.5 m處的土體孔隙水壓力趨于穩定,基本在0 MPa～0.003 MPa區間內波動。

分析二、三級邊坡不同埋深的孔隙水壓力變化,即夏季孔隙水壓力較大,冬季孔隙水壓力較小。究其原因,可認為其受季節性變化影響。結合當地氣候及地理位置分析,造成這種現象的原因是由于該多級邊坡深居西北內陸,成雨機會少,地區氣候干燥,屬很強的大陸性溫帶季風氣候。

6 結 論

(1) 基于SVR-SVM邊坡狀態預測模型先后得出邊坡穩定狀態與安全系數,通過細化邊坡狀態等級,實現對邊坡穩定性的綜合評價。

(2) 選擇Linear、Polynomial、RBF、Sigmoid四種核函數作為模型進行計算,不難發現,函數類型的不同對邊坡評價的結果影響較大,RBF函數作為核函數的模型評價效果較好。

(3) 輸入變量是影響模型預測結果的重要因素,而剔除變量可能會提高或降低預測預測結果的準確性,并且剔除同一個變量對于不同核函數模型的影響是不同的,綜合來看,由RBF函數建立的預測模型誤判次數少,越級現象少,具有良好的預測性能。

(4) 非均質的非飽和黃土多級邊坡最危險滑移面的位移集中在強度較小的上層土體,邊坡孔隙水壓力從下到上成線性增大的趨勢。

(5) 預應力錨索在提高邊坡穩定性的過程中起到了良好的錨固作用,邊坡表層土體的孔隙水壓力變化較大,隨著埋深的增加,土體孔隙水壓力的變化則逐漸減小。