基于變形預測思路的邊坡穩定性評價

摘 要：為全面掌握邊坡穩定狀態，結合邊坡基本信息及災害發育特征等，先通過畢肖普法開展邊坡穩定性評價，再利用變形預測思路分析邊坡穩定性的發展規律。分析結果表明，在天然狀態下，邊坡穩定系數范圍為1.021～1.154，處于欠穩定～穩定狀態；在飽和狀態下，邊坡穩定系數范圍為0.942～1.058，處于不穩定～基本穩定狀態。同時，經變形預測，各監測點的后續增加速率均不同程度的大于現階段速率。因此，邊坡變形仍會進一步增加，無收斂特征，即邊坡穩定性后續還會進一步減弱，建議盡快開展邊坡防治處理。

關鍵詞：邊坡；畢肖普法；BP神經網絡；變形預測；穩定性評價

中圖分類號：P 642 " " 文獻標志碼：A

為滿足工程建設需要，在其施工過程中會形成一定規模的邊坡，如果不及時采取處理，受卸荷影響，會引發崩塌失穩等災害，嚴重威脅區內居民的生命財產安全。因此，開展邊坡穩定性評價具有重要的現實意義[1-2]。目前，已有不少相近研究，艾國海等[3]利用數值模擬探究了邊坡穩定性。高錫良等[4]綜合多種方法開展了邊坡穩定性分析，并提出了相應的加固措施。何云等[5]探究了多種分析方法在巖質邊坡穩定性評價中的適用性。綜上所述，開展邊坡穩定性評價具有十分重要的意義，但限于邊坡所處地質條件差異，仍有結合具體工程實際開展相應研究的必要性。因此，本文以實際邊坡為工程背景，先通過畢肖普法開展邊坡穩定性評價，再利用變形預測思路分析邊坡穩定性的發展規律，以期為其后續防治奠定理論基礎。

1 工程概況

1.1 邊坡基本信息

本次研究邊坡位于南平市下屬某縣，其成因是由前緣房屋修建造成的，具有約47m的高差；在該邊坡開挖過程中，大致按4～5級開挖，其中，北段邊坡各級邊坡坡度約50°～60°，各分級邊坡高差約5m～19m，平臺寬度約0.5m～1m，局部平臺寬度為10m；南段邊坡各級邊坡坡度約55°～65°，各分級邊坡高差約5m～12m，平臺寬度約0.5m～2m。

受持續降雨影響，邊坡共發生6處崩塌（編號B01～B06），其形成歷史如下。1）2010年6月，受連續強降雨影響，北段邊坡及中部溝谷下方發生3處崩塌（B01、B02、B03），均為巖質崩塌，崩塌體主要成分為砂土狀強風化云母片巖，均未造成人員傷亡，崩塌體亦未清理。2）2016年5月，受連續強降雨影響，南段邊坡下部再次發生3次崩塌（B04、B05、B06），均為巖質崩塌，崩塌體主要成分為砂土狀強風化云母片巖，也未造成人員傷亡，但崩塌體已清理。

該邊坡主要威脅坡腳入駐企業建筑及員工生命安全，潛在經濟損失約2300萬，且由《滑坡防治工程勘查規范》（GB/T 32864—2016），該邊坡防治工程等級為二級。

由勘查資料，邊坡區屬剝蝕殘丘地貌單元，后山山脊線總體呈東—西向延展，總體地勢呈東高西低；場地位于山脊殘丘西側坡腳，坡面地形起伏變化不大，自然地形坡度20°～35°，局部達40°以上。在地層巖性方面，場地內分布的巖土體類型從上到下分別為崩積層、素填土、坡殘積黏性土、全風化云母片巖、砂土狀強風化云母片巖和碎塊狀強風化云母片巖。

1.2 災害發育特征

該邊坡開挖形成后，6處崩塌特征見表1。B01～B06的崩塌方向基本一致，均是西北向，其高度范圍為3.5m～16.0m，寬度范圍為6.0m～25.0m，厚度范圍為0.5m～1.0m，崩塌方量間于10m3～400m3。

同時，上述6個崩塌的主要成分均為砂土狀強風化云母片巖，屬小型巖質崩塌。

1.3 災害物質組成特征

根據鉆探資料，崩塌體、崩塌后緣壁的特征如下。1）崩塌體。崩塌體主要由砂土狀強風化云母片巖及碎塊狀強風化云母片巖組成，因此該崩塌屬巖質崩塌。根據崩塌的組成物質及崩塌場地的地質環境分析，出現崩塌的上方斜坡均存有砂土狀強風化云母片巖，可視為崩塌的物質來源。2）崩塌后緣壁。崩塌后壁位于砂土狀強風化云母片巖，崩塌后壁高約3m～16m，寬度約6m～25m，后緣壁坡度約50°～60°。

2 邊坡穩定性評價

2.1 現狀坡體整體穩定性分析

根據現場調查及訪問，擬治理點后山自然斜坡未發現裂縫，但坡腳陡坡坡面植被不發育，整體坡面裸露且存在沖蝕溝現象；同時，根據地質測繪及野外鉆探顯示，該場地邊坡表層土體為坡殘積黏性土，其下為云母片巖風化層，現狀坡體整體未發現明顯變形跡象，整體處于基本穩定狀態。

2.2 現狀坡體局部穩定性分析

根據調查及訪問，場地由于早期開發建設時開挖形成的邊坡，邊坡高陡，受強降雨影響局部段發生小規模崩塌災害，崩塌體主要為砂土狀強風化云母片巖，綜合判斷現狀邊坡局部地段處于不穩定狀態。

2.3 邊坡穩定性定量分析

2.3.1 評價方法的構建

根據《建筑邊坡工程技術規范》（GB 50330—2013），本文提出利用畢肖普法開展邊坡穩定性計算，如公式（1）所示。

Fs=∑{[cibi+（Wi-uibi）tanφi]/mi}/[∑Wisinai+∑Qiei/R] （1）

式中：Fs為穩定系數；ci為黏聚力；bi為條塊長度；Wi為條塊質量；ui為條塊水壓力；φi為條塊內摩擦角；mi為計算系數；ai為條塊傾角；Qi為條塊水平作用力；ei為條塊法向應力；R為滑面半徑。

在計算參數方面，滑體土天然重度為18.5kN/m3，飽和重度為19.6kN/m3；滑帶土天然狀態下的黏聚力為26.85kPa，內摩擦角為23.51°，飽和狀態下的黏聚力為24.06kPa，內摩擦角為21.40°。

計算剖面共計設計3個，即1-1'剖面、2-2'剖面和3-3'剖面，計算工況包括天然工況和飽和狀態。

2.3.2 穩定性評價結果

根據2.1節思路，計算得到3個剖面的穩定性計算結果見表2。在天然狀態下，邊坡穩定系數范圍為1.021～1.154，處于欠穩定～穩定狀態；在飽和狀態下，邊坡穩定系數范圍為0.942～1.058，處于不穩定～基本穩定狀態。對比不同剖面的計算結果，2-2’剖面的穩定程度相對最差，存在極大的失穩可能。

在上述定量穩定性分析條件下，進一步定性評價邊坡穩定性發展趨勢，其評價結果為2022年以來有加劇的趨勢，如果不加以治理，隨著坡體巖土層進一步受沖刷和風化程度加劇，其坡面表層巖土將逐漸進入加速發展階段，極易產生更大范圍的地質災害，潛在崩塌的面積約5000m2，潛在崩塌土體體積約8000m3，潛在滑坡的面積約1000m2，潛在滑坡土體體積約2000m3，危險性大，嚴重威脅坡腳已入駐企業全體員工的生命財產安全，潛在經濟損失約2300萬。

3 邊坡變形預測分析

根據第2節分析結果，邊坡穩定性偏弱，為進一步評價其穩定性的發展規律，本文提出通過變形預測進行分析，如果邊坡變形后續趨于不利，那么其穩定性也將趨于減弱；同時，由于2-2'剖面的穩定性相對最弱，因此，在其上布設了3個監測點，分別位于2-2'剖面上部、中部和下部，自上而下的編號為2-1#、2-2#和2-3#監測點。

3.1 變形預測方法構建

根據以往研究[6-7]，BP神經網絡在邊坡變形預測中具有較好的適用性，因此，提出采用BP神經網絡實現此文實例的變形預測。根據BP神經網絡原理，其訓練思路如下：將輸入值由輸入層輸入，經隱層轉換、映射，并將隱層輸出結果轉入輸出層，以輸出預測值；當預測值不滿足要求時，根據預測誤差反向調整權值、閾值，并重新進行正向訓練輸出。

BP神經網絡的訓練輸出值yj如公式（2）所示。

（2）

式中：f（）為訓練函數；N為隱層個數；wj為權值；qk為閾值。

按照訓練處理，即可得到相應的預測值，再結合期望值開展預測誤差E的計算，如公式（3）所示。

（3）

式中：dk為期望值；n為訓練樣本數。

當預測誤差E值不滿足要求時，就利用Newton法反向調整權值、閾值參數，其調整過程如公式（4）所示。

ΔW=（JTJ+uI）-1JTE （4）

式中：W為調整的權值或閾值參數；I為迭代矩陣；J為雅可比矩陣；u為調整矩陣。

為進一步提升預測效果，再提出通過粒子群算法（Particle Swarm Optimization，PSO）進一步優化權值、閾值的調整過程[8-9]，其優化流程如下。1）對粒子種群進行初始化處理，將種群粒子個數設計為500個，權值或閾值的調整區間為[0.05，0.85]，迭代次數最大值為700次。2）以預測誤差的絕對值為適宜度函數，初步計算各粒子的適宜度值，并對比篩選初步最優的粒子，在此基礎上，不斷調整粒子位置和速度，重新計算粒子的適應度值；將重新計算的粒子適宜度值與全局最優粒子的適應度值進行對比，以實現全局最優粒子的篩選處理。3）當滿足最大迭代次數后，將全局最優粒子對應權值、閾值調整參數輸出即可。

根據上述，將優化后的參數調整如公式（5）所示。

（5）

式中：wmax、wmin為權值或閾值的調整上、下限；tmax為迭代次數最大值；t為迭代次數。

根據上述，將邊坡變形預測模型最終確定為PSO-BP。

結合以往經驗，將相對誤差Xt作為預測精度評價指標，如公式（6）所示。

Xt=（Kt-Yt）/Kt （6）

式中：Yt為變形預測值；Kt為變形實測值。

由Xt的計算原理可知，其值越小越好，即Xt值越小，預測精度越高。

3.2 變形預測結果

在邊坡變形監測過程中，監測頻率為1d/次，共計得到35期變形數據，所得監測成果見表3。隨監測時間持續，2-1#、2-2#和2-3#監測點的變形值均呈增加的趨勢后，變形量已分別達51.01mm、42.22mm和48.93mm，初步判斷邊坡穩定性趨于不利，且對3個監測點的變形速率特征參數進行統計，得到2-1#的變形速率范圍為0.11mm/d～3.50mm/d，均值為1.46mm/d；2-2#的變形速率范圍為0.07mm/d～2.73mm/d，均值為1.21mm/d；2-3#的變形速率范圍為0.08mm/d～4.60mm/d，均值為1.40mm/d，即邊坡變形具有較大的波動增加規律。

在邊坡變形預測過程中，由3.1節可知其預測模型為PSO-BP，為驗證PSO對BP神經網絡的優化效果，以2-1#監測點為例，對比分析其優化前后的預測效果，其預測結果見表4。在32～35期的驗證結果中，PSO-BP的Xt值均不同程度的小于BP的Xt值，且前者的Xt均值為2.06%，后者的Xt均值為2.81%，因此，充分說明PSO對BP神經網絡的優化處理能有效預測精度，即該文預測思路是合理、有效的。

利用PSO-BP綜合開展2-1#、2-2#和2-3#監測點的變形預測，其結果見表5。2-1#監測點的Xt均值為2.06%，2-2#監測點的Xt均值為2.08%，2-3#監測點的Xt均值為2.02%，三者的預測精度相當，進一步說明PSO-BP在邊坡變形預測中還具有較強的穩健性。

為掌握邊坡變形的發展規律，將33～35期的變形速率均值作為現階段的速率特征參數S1，36～38期的變形速率均值作為后續發展的速率特征參數S2，通過2個特征參數的對比來評價邊坡后續穩定狀態。經統計，得到2-1#、2-2#和2-3#監測點的S1值依次為1.20mm/d、1.11mm/d和1.45mm/d，

S2值依次為1.26mm/d、1.44mm/d和1.91mm/d；通過對比，3個監測點的S2值均不同程度的大于其S1值，說明邊坡后續變形將會持續增加，即后續變形趨于不利，其穩定性也將趨于減弱，建議盡快開展其防治處理。

4 結語

通過變形預測的邊坡穩定性評價得出主要結論如下。1）受持續降雨影響，邊坡發育較多的崩塌災害，共計發育有6處崩塌，發育方向均是西北向，高度范圍為3.5m～16.0m，寬度范圍為6.0m～25.0m，厚度范圍為0.5m～1.0m，崩塌方量間于10m3～400m3；同時，結合勘查成果，崩塌體主要由砂土狀強風化云母片巖及碎塊狀強風化云母片巖組成，現場變形特征也較為顯著。2）經穩定性計算，邊坡在天然狀態下處于欠穩定～穩定狀態，在飽和狀態下處于不穩定～基本穩定狀態，即在不利工程條件下的失穩風險較大；同時，在邊坡穩定性發展趨勢方面，2022年以來有加劇的趨勢，如果不加以治理，極易產生更大范圍的地質災害，潛在危險性大，嚴重威脅坡腳已入駐企業全體員工的生命財產安全，潛在經濟損失約2300萬。3）由邊坡變形監測成果可知，在35d時間內，邊坡變形已達42.22mm～51.01mm，且持續增加特征較明顯，再經變形預測，得出邊坡變形仍會持續增加，其后增加速率范圍為1.26mm/d～1.91mm/d，均大于現階段的變形速率特征值，因此，邊坡穩定性也將進一步減弱，總體趨于不利，建議盡快開展該邊坡防治處理。

參考文獻

[1]薛茂強.降雨入滲條件下錨桿支護高邊坡穩定性分析[J].中國新技術新產品，2023（19）：111-113.

[2]黃兵.邊坡滑坡安全狀態的評判標準研究[J].中國新技術新產品，2023（5）：132-134.

[3]艾國海，向森川，李濤，等.某公路開挖土質邊坡降雨致災機理數值模擬研究[J].重慶建筑，2024，23（5）：51-54.

[4]高錫良，李楊林.邊坡穩定性分析與加固措施研究[J].水利技術監督，2024（5）：234-237.

[5]何云，徐呈祥.基于多種分析方法的巖質邊坡穩定性研究[J].工程建設與設計，2024（9）：26-30.

[6]楊小平，段生銳，蔣力，等.基于智能優化算法的邊坡穩定性預測方法研究[J].水電能源科學，2024，42（5）：96-100.

[7]黃凱.基于BP神經網絡的公路高邊坡力學參數反演與位移預測[J].中國市政工程，2024（1）：99-103，158.

[8]張廣強.基于小波去噪和PSO-BP神經網絡模型的煤礦邊坡變形預測[J].經緯天地，2023（1）：4-7.

[9]王乾，趙杰，王要善.基于PSO-BP組合模型的尾礦壩變形預測[J].地理空間信息，2022，20（11）：119-122，128.