本发明涉及滑坡监测技术领域，特别是一种土质滑坡监测预警评估方法。
背景技术：
滑坡监测技术是为研究滑坡体及滑坡体相关的支挡结构工程的稳定性与安全性，采用一定的技术手段安装或埋设仪器设备，对岩土体或工程结构的稳定性状态及变化规律进行动态化测试的应用技术。滑坡监测预警的目的和任务是为监测滑坡时空域演变信息、诱发因素等，最大程度获取连续的空间变形数据，并应用与地质灾害的稳定性评价、预测预报和防治工程效果评估。
由于滑坡最明显的特征就是运动，故对滑坡的变形(坡表变形及坡体内部变形)观测历来受到重视，在滑坡监测系统中占据重要地位。
但是在实际工程中，基于变形监测数据的滑坡监测预警存在以下问题：1、滑坡监测点布设随意性大，不仅不能解决实际问题，难以有效反应滑坡所处的实际状态，且造成浪费；2、滑坡监测点数据难以与滑坡的稳定性建立对应关系，无法通过实时监测数据对滑坡的稳定性进行评价；3、滑坡预警阈值多凭经验给出，难以确定。
急需开发一种通过滑坡表面位移数据对滑坡进行稳定性评价的方法，以便更好的为滑坡实时监测服务。
技术实现要素：
本发明的目的在于：针对现有技术存在的问题，提供一种土质滑坡监测预警评估方法，该方法可以根据滑坡破坏模式确定坡面监测点布置方案，并根据位移监测数据进行后处理，且兼容滑坡表面位移监测数据和深层位移数据，将各监测点的实测实时累计位移与滑坡安全系数建立关系式的方法，并给出“安全系数—累计位移”通用表达式，通过关系曲线变化规律确定累计位移分级阈值，并最终建立滑坡监测分级预警定量评估方法。
为了实现上述目的，本发明采用的技术方案为：
一种土质滑坡监测预警评估方法，包括以下步骤：
s1：获取待监测滑坡地形、地质资料，通过室内试验获取岩土参数试验值，包括岩土体粘聚力的试验值c0、岩土体内摩擦角的试验值
s2：建立滑坡地质模型并进行极限分析，确定滑坡破坏模式，判断剪出口区域和后缘拉裂区域；选用表面位移监测或深层位移监测进行滑坡监测，并将监测点设置在滑坡位移变形敏感区(根据滑坡极限分析结果所确定的滑坡坡体位移变形较大的区域)，以获得滑坡实时累计位移监测数据；滑坡表面监测位移和深层监测位移均适用于本方法，因此监测手段更灵活和多样化。
s3：将所述岩土参数试验值进行均匀设计参数组合，建立有限元模型，对所有参数组合进行有限元计算，得到每一参数组合计算出的位移场，并记录各监测点的位移，作为神经网络训练样本，引入神经网络程序进行训练学习，获得“参数组合—位移”的神经网络模型；
s4：根据所述步骤s2获取的滑坡实时累计位移监测数据和所述步骤s3获得的“参数组合—位移”神经网络模型进行岩土参数反演修正，获取岩土实时强度参数，包括岩土体粘聚力的实时值ci、岩土体内摩擦角的实时值
s5：采用所述实时强度参数ci、
作为本发明的优选方案，所述步骤s2通过形变地基雷达扫描、北斗监测仪器对坡面进行实时监测，获取滑坡表面各监测点实时累计位移；或通过布置竖向深层测斜仪获取滑坡深层实时监测点实时累计位移。
作为本发明的优选方案，所述步骤s2包括：
s21：根据实测地形数据建立地表模型；根据有限点位的地勘数据进行随机场反演，并建立地层模型；根据断层数据，建立断层模型；若存在抗滑结构，则建立结构模型；
s22：根据塑性力学极限分析上下限原理，判别滑坡破坏模式，分析滑坡剪出口区域和后缘拉裂区域；
s23：选用表面位移监测或深层位移监测，并将监测点设置在滑坡位移变形敏感区，布设监测点号为a,b,...,n，得到沿滑面主轴方向和沿竖直方向的滑坡实时累计位移。
作为本发明的优选方案，所述步骤s3中采用的神经网络模型为bp神经网络。
作为本发明的优选方案，所述步骤s3包括：
s31：将滑坡各地层的岩土参数试验值c0、
s32：根据地表、地层信息建立有限元模型并划分网格；
s33：分别采取n个岩土参数组合对地质模型进行有限元数值模拟，计算获得各参数组合对应的位移场，记录各滑坡表面监测点a,b,...,n的分别沿滑面主轴方向和沿竖直方向的位移；
s34：引入神经网络程序，将各参数组合时各监测点位移数据作为学习样本进行神经网络训练，得到“参数组合—位移”神经网络模型；
s35：计算所述“参数组合—位移”神经网络模型的精度，若模型精度不够则计算更多的学习样本，直到所述神经网络模型满足精度要求。
作为本发明的优选方案，所述步骤s4包括：
s41：引入步骤s2获取的滑坡实时累计位移监测数据和所述步骤s3建立的“参数组合—位移”神经网络模型；根据累计位移记录时间确定分析时间间隔，得到累计位移的分析时间节点t1,t2,...,ti；
s42：将滑坡在t1,t2,...,ti时的各监测点在沿滑面主轴方向和沿竖直方向的实时累计位移数据{(ax1...nx1),(ax2...nx2),...,(axi...nxi)；(az1...nz1),(az2...nz2),...,(azi...nzi)}分别输入“参数组合—位移”神经网络模型，反演出岩土在t1,t2,...,ti时对应的实时强度参数
s43：将岩土实时强度参数
作为本发明的优选方案，所述步骤s5包括：
步骤s51：建立极限分析模型，采用岩土实时强度参数
步骤s52：得到滑坡各监测点在t1,t2,...,ti所对应的分别沿滑面主轴方向和沿竖直方向的实时累计位移数据{(ax1...nx1),(ax2...nx2),...,(axi...nxi)；(az1...nz1),(az2...nz2),...,(azi...nzi)}与滑坡安全系数k1,k2,...,ki的对应关系；
步骤s53：拟合出监测点a,b,...,n在沿滑面主轴方向和沿竖直方向以及总位移的“累计位移—安全系数”关系曲线；总位移可由
步骤s54：根据“累计位移—安全系数”关系曲线变化趋势，将各监测点的位移变化由切点分为四个阶段，即，慢速变形、加速变形、快速变形、急剧变形阶段，将四个变形阶段的分界点确定为监测点a,b,...,n的累计位移三级阈值；即由慢速变形进入加速变形分界点作为iii级阈值，如nxiii,nziii，即由加速变形进入快速变形分界点作为ii级阈值，如nxii,nzii，由快速变形阶段进入急剧变形阶段分界点作为i级阈值，如nxi,nzi。各监测点的位移阈值集合如下：
总累计位移阈值集合：{(ai,aii,aiii),(bi,bii,biii),...,(ni,nii,niii)}
x方向累计位移阈值集合：{(axi,axii,axiii),(bxi,bxii,bxiii),...,(nxi,nxii,nxiii)}
z方向累计位移阈值集合：{(azi,azii,aziii),(bzi,bzii,bziii),...,(nzi,nzii,nziii)}
步骤s55：从监测点a,b,...,n中分别选取x方向(沿滑面主轴方向)、z方向(沿竖直方向)变形敏感的监测点。设测点a,b布置于剪出口附近，其x方向变形敏感；测点m,n布置于滑动面后部拉裂口附近，其z方向变形敏感。将x方向变形敏感监测点的x方向累计位移阈值求平均值，作为该边坡的x方向累计位移阈值，z方向同理。
滑坡x方向累计位移i级阈值：
滑坡z方向累计位移i级阈值：
步骤s56：实测累计位移数据处理时，各监测点按x方向变形敏感测点和z方向变形敏感测点分类，并分别计算x方向和z方向变形敏感测点的累计位移平均值，如本例中：
滑坡x方向实测累计位移：
滑坡z方向实测累计位移：
步骤s57：建立滑坡累计位移监测三级预警体系，其具体内容如下：
表1滑坡监测三级预警体系
步骤s58：根据滑坡监测预警及评价体系、滑坡位移监测数据对监测滑坡进行评价。
综上所述，由于采用了上述技术方案，本发明的有益效果是：
1、本发明通过地质建模及极限分析计算，可真实判断滑坡的破坏模式(牵引式、蠕滑式等以及复合滑面)，以判断剪出口区域和后缘拉裂区域，以确定重点监测部位，并有针对性的布设相关监测方案，布置合理，能够准确反映滑坡所处的实际状态，且可避免布置的随意性和盲目性，有效节省监测设备费用。
2、本发明通过引入“岩土参数组合—位移”神经网络模型，通过监测点累计位移进行参数反演，再由反演实时强度参数通过极限分析法计算滑坡安全系数，确定关键监测点，将其x、z方向及总位移数据与滑坡安全系数建立关系，最终拟合出监测点累计位移数据与滑坡安全系数的关系表达式y＝kxa，填补了现阶段滑坡监测中，尚未将累计位移数据与滑坡安全系数建立对应关系的空白。
3、本发明通过监测数据参数反演，确立了通过极限分析方法确定滑坡各监测点累计位移与滑坡安全系数的关系式和曲线图的方法，该曲线直接建立了各监测点变形与安全系数的关系，通过关系曲线变化四个变形阶段，设定对应的累计位移三级阈值，根据阈值判决条件确定滑坡监测三级预警等级，使误报率可减小10％。
附图说明
图1是本发明所述的一种土质滑坡监测预警评估方法的流程图。
图2是本发明所述的“岩土参数—位移”神经网络模型示意图。
图3是本发明所述的“累计位移—滑坡安全系数”关系图。
具体实施方式
下面结合附图，对本发明作详细的说明。
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
实施例1
如图1所示，一种土质滑坡监测预警评估方法，包含以下步骤：
s1：获取待监测滑坡地形、地质资料，通过室内试验获取岩土参数试验值，包括岩土体粘聚力的试验值c0、岩土体内摩擦角的试验值
s2：建立滑坡地质模型并进行极限分析，确定滑坡破坏模式，判断剪出口区域和后缘拉裂区域；选用表面位移监测或深层位移监测，并将监测点设置在滑坡位移变形敏感区，以建立最优滑坡监测方案。如通过形变地基雷达扫描、北斗监测仪器(gnss)对坡面进行实时监测，获取滑坡表面各监测点实时累计位移；通过布置竖向深层测斜仪可获取滑坡深层实时监测点实时累计位移。表面位移和深层位移监测均适用于本发明的监测分级预计评估方法。
所述步骤s2具体包含以下步骤：
s21：根据实测地形数据建立地表模型；
s22：根据有限点位的地勘数据进行随机场反演，并建立地层模型；
s23：根据断层数据，建立断层模型；
s24：若存在抗滑结构，则建立结构模型；
s25：根据塑性力学极限分析上下限原理，判别滑坡破坏模式，分析滑坡剪出口区域和后缘拉裂区域；
s26：根据滑坡情况选用表面位移监测或深层位移监测，并将监测点设置在滑坡位移变形敏感区，布设监测点号为a,b,...,n。设位移沿滑面主轴方向为x方向，位移沿竖直方向为z方向。滑坡位移监测方法可选用如下：
①若设置地表位移监测，可选用形变地基雷达扫描、北斗监测仪器(gnss)等远程监测手段，在监测点设置标记，实时得到坡面监测点位移信号并传输至用户客户端，采用对应的数据后处理方法分析，得到坡面监测点a,b,...,n的实时累计变形数据，分离得到沿x方向和z方向位移；将雷达数据与gnss数据交互校核，减小气候等因素影响；
②若采用深层位移监测，可选用深层测斜仪手段，根据地质情况确定监测深度和布置间隔，在变形敏感区域沿竖向埋设深层测斜仪，并通过信号传输系统将各深度监测点位移传输至用户客户端，整理得到深层监测点a,b,...,n的实时累计变形数据，分离得到沿x方向和z方向位移。
s3：将岩土参数试验值进行均匀设计参数组合，建立有限元模型，对所有参数组合进行有限元计算，得到每一参数组合计算出的位移场，并记录各监测点的位移，作为bp神经网络训练样本。引入bp神经网络程序进行训练学习，获得一个满足精度要求的“参数组合—位移”的bp神经网络模型。
所述步骤s3具体包含以下步骤：
s31：将该滑坡各地层的岩土参数试验值c0、
s32：根据地表、地层信息建立有限元模型并划分网格；
s33：分别采取n个岩土参数组合对地质模型进行有限元数值模拟，计算获得各参数组合对应的位移场，记录各滑坡表面监测点a,b,...,n的分别沿x方向和z方向位移；通过有限元模拟计算时，其公式如下：
①根据单元力学特性建立节点位移与单元应变之间的几何方程：{ε}＝[b]{δ}e；
②根据几何方程和岩土参数的本构模型，建立物理方程：{σ}＝[d][b]{δ}e；
③根据施加外力(重力)虚功原理，建立等效节点荷载列阵与节点位移的关系：{f}＝[k]{δ}e，其中[k]为单元刚度矩阵，[k]＝∫∫∫[b]t[d][b]dxdydz；
④分别将单元刚度矩阵和等效节点荷载列阵进行叠加，建立整体平衡方程组：[k]{δ}＝[f]；
⑤施加边界条件，求解整体平衡方程组，得到节点位移和单元应力；
⑥最终根据单元内部各点位移与节点位移的关系式{f}＝[n]{δ}e计算单元内部各点的位移，最终得到整个模型的位移场；
上式中，{f}—单元内任意一点的位移列阵；[n]形函数矩阵；{δ}e—单元节点位移列阵；{ε}—单元内任一点的应变矩阵；[b]—单元应变矩阵；{σ}—单元内任一点的应力矩阵；[d]—岩土参数本构矩阵；[k]—单元刚度矩阵；{f}—单元节点荷载列阵；[k]—由[k]叠加形成的整体刚度矩阵；[f]—等效节点力叠加形成的总荷载列阵；{δ}—整体位移列向量；
s34：引入bp神经网络程序，将各参数组合时各监测点位移数据作为学习样本进行bp神经网络训练，得到“参数组合—位移”bp神经网络模型，其示意图如图2所示，图中wij、wjk为各层权值；
s35：计算该“参数组合—位移”bp神经网络模型的精度，若模型精度不够则需计算更多的学习样本，直到该模型满足精度要求。
s4：根据步骤s2获取的滑坡实时累计位移监测数据和“参数组合—位移”bp神经网络模型进行岩土参数反演修正，获取岩土实时强度参数，包括岩土体粘聚力的实时值ci、岩土体内摩擦角的实时值
所述步骤s4具体包含以下步骤：
s41：引入步骤s2获取的滑坡实时累计位移监测数据和步骤s3建立的“参数组合—位移”bp神经网络模型；根据累计位移记录时间确定分析时间间隔，如0.5个月，得到累计位移的分析时间节点t1,t2,...,ti；
s42：将滑坡在t1,t2,...,ti时的各监测点在x方向和z方向的累计位移数据{(ax1...nx1),(ax2...nx2),...,(axi...nxi)；(az1...nz1),(az2...nz2),...,(azi...nzi)}分别输入“参数组合—位移”bp神经网络模型，反演出岩土在t1,t2,...,ti时对应的实时强度参数
s43：将岩土实时强度参数
s5：采用实时强度参数进行极限分析，计算不同实时强度参数组合对应的安全系数，并建立“实时累计位移—安全系数”关系曲线；建立滑坡监测三级预警等级评价体系，对监测滑坡进行评价。
所述步骤s5具体包含以下步骤：
步骤s51：建立极限分析模型，采用岩土实时强度参数
步骤s52：得到滑坡各监测点在t1,t2,...,ti所对应的分别沿x方向和z方向的实时累计位移数据{(ax1...nx1),(ax2...nx2),...,(axi...nxi)；(az1...nz1),(az2...nz2),...,(azi...nzi)}与滑坡安全系数k1,k2,...,ki的对应关系；
步骤s53：拟合出监测点a,b,...,n在x、z方向以及总位移的“累计位移—安全系数”关系曲线，图3展示了x和z方向的关系曲线，总位移可由
y＝kxa
步骤s54：根据“累计位移—安全系数”关系曲线变化趋势，如图3所示，随着安全系数降低，若用30°、45°、60°切线与曲线相切，各监测点的位移变化可由切点分为四个阶段，即，慢速变形、加速变形、快速变形、急剧变形阶段，将四个变形阶段的分界点确定为监测点a,b,...,n的累计位移三级阈值，即由慢速变形进入加速变形分界点作为iii级阈值，如图3中的nxiii,nziii，即由加速变形进入快速变形分界点作为ii级阈值，如图3中的nxii,nzii，由快速变形阶段进入急剧变形阶段分界点作为i级阈值，如图3中的nxi,nzi。各监测点的位移阈值集合如下：
总累计位移阈值集合：{(ai,aii,aiii),(bi,bii,biii),...,(ni,nii,niii)}
x方向累计位移阈值集合：{(axi,axii,axiii),(bxi,bxii,bxiii),...,(nxi,nxii,nxiii)}
z方向累计位移阈值集合：{(azi,azii,aziii),(bzi,bzii,bziii),...,(nzi,nzii,nziii)}
步骤s55：从监测点a,b,...,n中分别选取x方向、z方向变形敏感的监测点。本例假设测点a,b布置于剪出口附近，其x方向变形敏感；测点m,n布置于滑动面后部拉裂口附近，其z方向变形敏感。将x方向变形敏感监测点的x方向累计位移阈值求平均值，作为该边坡的x方向累计位移阈值，z方向同理。如本例中：
滑坡x方向累计位移i级阈值：
滑坡z方向累计位移i级阈值：
步骤s56：实测累计位移数据处理时，各监测点按x方向变形敏感测点和z方向变形敏感测点分类，并分别计算x方向和z方向变形敏感测点的累计位移平均值，如本例中：
滑坡x方向实测累计位移：
滑坡z方向实测累计位移：
步骤s57：建立滑坡累计位移监测三级预警体系，其具体内容如下：
表1滑坡监测三级预警体系
步骤s58：根据滑坡监测预警及评价体系，根据滑坡位移监测数据对该监测滑坡进行评价。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
1.一种土质滑坡监测预警评估方法，其特征在于，包括以下步骤：
s1：获取待监测滑坡地形、地质资料，通过室内试验获取岩土参数试验值，包括岩土体粘聚力的试验值c0、岩土体内摩擦角的试验值
s2：建立滑坡地质模型并进行极限分析，确定滑坡破坏模式，判断剪出口区域和后缘拉裂区域；选用表面位移监测或深层位移监测进行滑坡监测，并将监测点设置在滑坡位移变形敏感区，以获得滑坡实时累计位移监测数据；
s3：将所述岩土参数试验值进行均匀设计参数组合，建立有限元模型，对所有参数组合进行有限元计算，得到每一参数组合计算出的位移场，并记录各监测点的位移，作为神经网络训练样本，引入神经网络程序进行训练学习，获得“参数组合—位移”的神经网络模型；
s4：根据所述步骤s2获取的滑坡实时累计位移监测数据和所述步骤s3获得的“参数组合—位移”神经网络模型进行岩土参数反演修正，获取岩土实时强度参数，包括岩土体粘聚力的实时值ci、岩土体内摩擦角的实时值
s5：采用所述实时强度参数ci、
2.根据权利要求1所述的一种土质滑坡监测预警评估方法，其特征在于，所述步骤s2通过形变地基雷达扫描、北斗监测仪器对坡面进行实时监测，获取滑坡表面各监测点实时累计位移；或通过布置竖向深层测斜仪获取滑坡深层实时监测点实时累计位移。
3.根据权利要求2所述的一种土质滑坡监测预警评估方法，其特征在于，所述步骤s2包括：
s21：根据实测地形数据建立地表模型；根据有限点位的地勘数据进行随机场反演，并建立地层模型；根据断层数据，建立断层模型；若存在抗滑结构，则建立结构模型；
s22：根据塑性力学极限分析上下限原理，判别滑坡破坏模式，分析滑坡剪出口区域和后缘拉裂区域；
s23：选用表面位移监测或深层位移监测，并将监测点设置在滑坡位移变形敏感区，布设监测点号为a,b,...,n，得到沿滑面主轴方向和沿竖直方向的滑坡实时累计位移。
4.根据权利要求1所述的一种土质滑坡监测预警评估方法，其特征在于，所述步骤s3中采用的神经网络模型为bp神经网络。
5.根据权利要求1所述的一种土质滑坡监测预警评估方法，其特征在于，所述步骤s3包括：
s31：根据滑坡各地层的岩土参数试验值c0、
s32：根据地表、地层信息建立有限元模型并划分网格；
s33：分别采取n个岩土参数组合对地质模型进行有限元数值模拟，计算获得各参数组合对应的位移场，记录各滑坡表面监测点a,b,...,n的分别沿滑面主轴方向和沿竖直方向的位移；
s34：引入神经网络程序，将各参数组合时各监测点位移数据作为学习样本进行神经网络训练，得到“参数组合—位移”神经网络模型；
s35：计算所述“参数组合—位移”神经网络模型的精度，若模型精度不够则计算更多的学习样本，直到所述神经网络模型满足精度要求。
6.根据权利要求5所述的一种土质滑坡监测预警评估方法，其特征在于，所述步骤s4包括：
s41：引入步骤s2获取的滑坡实时累计位移监测数据和所述步骤s3建立的“参数组合—位移”神经网络模型；根据累计位移记录时间确定分析时间间隔，得到累计位移的分析时间节点t1,t2,...,ti；
s42：将滑坡在t1,t2,...,ti时的各监测点在沿滑面主轴方向和沿竖直方向的实时累计位移数据{(ax1...nx1),(ax2...nx2),...,(axi...nxi)；(az1...nz1),(az2...nz2),...,(azi...nzi)}分别输入“参数组合—位移”神经网络模型，反演出岩土在t1,t2,...,ti时对应的实时强度参数
s43：将岩土实时强度参数
7.根据权利要求6所述的一种土质滑坡监测预警评估方法，其特征在于，所述步骤s5包括：
步骤s51：建立极限分析模型，采用岩土实时强度参数
步骤s52：得到滑坡各监测点在t1,t2,...,ti所对应的分别沿滑面主轴方向和沿竖直方向的实时累计位移数据{(ax1...nx1),(ax2...nx2),...,(axi...nxi)；(az1...nz1),(az2...nz2),...,(azi...nzi)}与滑坡安全系数k1,k2,...,ki的对应关系；
步骤s53：拟合出监测点a,b,...,n在沿滑面主轴方向和沿竖直方向以及总位移的“累计位移—安全系数”关系曲线，用y＝kxa表示；
步骤s54：根据“累计位移—安全系数”关系曲线变化趋势，将各监测点的位移变化由切点分为四个阶段，即，慢速变形、加速变形、快速变形、急剧变形阶段，将四个变形阶段的分界点确定为监测点a,b,...,n的累计位移三级阈值；
步骤s55：从监测点a,b,...,n中分别选取沿滑面主轴方向和沿竖直方向变形敏感的监测点，将沿滑面主轴方向变形敏感监测点的沿滑面主轴方向累计位移阈值求平均值，作为该边坡的沿滑面主轴方向累计位移阈值；将沿竖直方向变形敏感监测点的沿竖直方向累计位移阈值求平均值，作为该边坡的沿竖直方向累计位移阈值；
步骤s56：建立滑坡累计位移监测三级预警体系；
步骤s57：根据滑坡监测预警及评价体系、滑坡位移监测数据对监测滑坡进行评价。
技术总结