SBAS监测技术在大坝变形监测中的应用

孙志豪

(辽宁省水利水电勘测设计研究院有限公司，辽宁 沈阳 110000)

大坝等基础设施的合理使用对于保障民生，保护当地水土等自然生态资源，对周边居民的生活生产有着重要的作用[1- 2]。但大坝的建成，也为周边的生活生产带来了威胁与挑战，近年来全国各地不断报道由大坝变形引起的边坡失稳甚至垮塌带来的社会及群众生命财产损失的案例。因此对大坝的变形进行实时监测，及时反馈并迅速做出应对至关重要。普通的监测技术对于大坝变形方面的监测浪费大量人力、物力、财力，因此，寻找一种能够有效监测大坝变形且省时省力的监测方法对保障水利设施安全有着至关重要的作用。王利[3]通过灰色预测模型GM(1，1)和动态灰色预测模型进行建模，并将该模型应用于大坝变形预测，借助实测信息进行对比，结果发现等维信息动态预测的预测效果最好，灰色GM(1，1)模型由于其静态特征预测精度最低，并认为采用动态预测模型能够更好地预测大坝的变形信息。曾凡祥[4]借助LM(Leverberg Marquart)对传统的BP神经网络算法进行优化，并将其应用于大坝变形监测方面，最终借助试验证明优化后的BP神经网络算法对于大坝变形预测精度较高，且训练速度快，计算更为简洁。徐锋[5]针对BP神经网络算法随机性较强导致的计算速度慢等缺点，采用粒子群算法(PSO)对其权值和阈值进行优化，并借助实际监测大坝的水平位移资料进行对比分析，发现相较于传统的BP神经网络算法，优化后的算法精度更高，收敛更快。但这些模型或预测方法仍存在一定的局限性。

本文以某地水坝为对象，采用SBAS监测技术，对比水准监测结果，对SBAS监测技术在大坝变形领域的适用性进行研究，为其在水利设施监测领域的应用提供参考依据。

1 工程概况

某水利枢纽工程大坝坝顶长约621.5m、坝体最高处的高度为51.6m。该大坝包含3孔冲沙闸和9孔泄洪闸以及溢流坝。其中，3孔冲沙闸与9孔泄洪闸的底板水准高程约为198m，溢流坝前沿长度约为195m，大坝左侧有接头坝，其坝长约为337m，最高处高程为218m。该坝区水电站安装有4台贯流式机组，总装机容量为120MW。水坝地处当地丘陵区域，平均海拔在200～1100m海拔区间内。该丘陵区域沟谷发育，河谷一般呈盆地状展开，其宽度在511～832m范围内。

该地区地层主要包含侏罗纪系内陆河湖相沉积的砂岩，粉砂岩以及粉砂质泥岩。其岩相变化较大，砂岩交错发育，砂岩底部经常出现形状不规则的泥团状物质。由第四系河流冲积形成的卵砾石层，主要表现为上部砂土，下部卵砾石夹砂，其厚度集中于3～18m区间内，且主要分布于河床周围。而其洪坡积堆积层主要集中分布于洼地等处，堆积层主要为红褐色黏性土夹杂碎卵石，厚度集中于1～18m范围内。大坝所在区域地震活动较弱，位于拗陷带的东北翼缘处，地势较为平缓。

2 研究方法

差分干涉测量短基线集时序分析技术(Small Baseline Subset InSAR，SBAS-InSAR)将时间基线与空间基线自由组合，从而形成不同的小基线集合，基线集合的增多，能够增加不同时间与空间的观测值，在一定程度上大大提高了监测的精度。

其原理为对于X+1景所覆盖的图像，将其按照时间顺序进行排序，在不同的时间序列上进行自由组合，生成不同的小基线集合，通过差分干涉的方法生成指定数量的干涉图像。不同时间线组合而成的干涉图的干涉相位差可表示为：

δφj(x,r)=φB(x,r)-φA(x,r)

(1)

上式可以近似等于：

δφj(x,r)≈Δφdef(x,r)+Δφtop(x,r)+
Δφatm(x,r)+Δφnoise(x,r)

(2)

式中，δφj—第j幅图的干涉相位差；φA(x，r)—对应时间段为A时刻的影像对时间为0时刻的相位；φB(x，r)—对应时间段为B时刻的影像对时间为0时刻的相位；φdef(x，r)—变形相位；φtop(x，r)—地形相位；φatm(x，r)—大气相位；φnoise(x，r)—噪音相位。

不考虑大气相位和噪音相位，可将上述式子化简为：

δφ=Aφ

(3)

式中，δφ—干涉相位差；A—矩阵；φ—对应0时刻的相位。

通过DSM对地形相位φtop(x，r)进行去除，使用滤波的方法降低噪音相位φnoise(x，r)的影响；使用线性模型计算平均变形速率，考虑滤波处理过的大气相位和噪音相位的非线性结果，二者进行叠加得到最终的变形结果。

3 结果分析

3.1 进出水口变形结果分析

为了研究大坝的变形，将大坝的进水口、出水口、以及西坝部分逆时针获取进水口断面c-c′、出水口断面j-j′、西坝断面d-d′ 3个断面。并在突出位置标定特征点A、B、C、D、E、F、G、H、J等9个特征点，如图1所示。

图1 大坝实际变形速率及特征点与断面位置图

大坝进出水口的不同断面变形速率与累计变形量如图2所示。

图2 大坝进出水口的断面变形速率与特征点累计变形量

图2(a)为坝体中轴线距离与沉降速率关系图，由图2(a)可以看出，在同一断面中迎水坡的沉降速率大于背水坡的沉降速率，其中在坝体的出水口断面处迎水坡的沉降速率约为-21mm/a，出水口相比其他2个部分的沉降速率大，沉降现象最严重。在进水口断面处，沉降速率一直维持在0～5mm/a区间段，较稳定，总体沉降量最低。为了更进一步看出沉降量的变化，由图2(b)所示的特征点累计变形量图可以看出，2014—2020年，特征点J的累计沉降量最大，且随着时间的增长，沉降量呈线性增长趋势，至2020年10月总体沉降量达130mm。特征点D与J类似，而C和E 2个特征点处随时间增长，沉降量变化较小，总体较稳定。

3.2 精度分析

将SBAS变形中的水准点与实际水准点数据进行对比，采用中误差(均方根差)和相关系数的形式分析监测精度。中误差公式为：

(4)

式中，m—中误差；n—样本数；di—水准点第i时刻的累计变形量；li—实际状态下的第i时刻的累计变形量。

考虑到InSAR所监测沉降量的角度是沿着雷达视线的角度，将其统一转换为垂直状态下的变形：

(5)

式中，h—垂直方向上观测得到的沉降量；l—斜视观测得到的沉降量；θ—雷达倾角。

随机选取大坝上的不同水准点，与SBAS监测下的沉降量进行对比，结果如图3所示。

由图3可以看出，随机选取的6个特征点其平均相关系数均在0.95以上，中误差在20mm以内的点占总数量的75%。由图3(a)、(d)、(e)、(f)可以看出，由于特征点的取点方法从小到大为自东向西，因此对于大坝东部和大坝西部，受水位影响的总体变形量较小，各点位累计变形量的方差均值为16mm，不同水准点之间的中误差值均较小，实际水准点与SBAS所监测得到的水准点累计沉降量最为接近。在图3(b)(c)中，中误差值较大，可能是当地地下水的过度开发造成的地面沉降。在使用(5)式转换过程中垂直误差引起了较大的中误差，致使中误差达到32.3mm和40.4mm，但二者相关系数均在0.95以上，对比于实际的累计沉降量依然具备一致性。

图3 不同特征点的累计沉降量对比图

3.3 危险性分析

参照规范DD 2014—11《地面沉降干涉雷达数据处理技术规程》的危险性评价标准，将不同沉降速率进行分类见表1。

表1 沉降速率分类标准 单位：mm/a

对比前文可以看出该大坝的中部区域沉降量较低，沉降速率最大值为-21mm/a，累计沉降量达-135mm，属较低沉降区域。而坝体西部区域的沉降速率最大值为-52mm/a，累计沉降量达-270mm，属较高沉降区域。

4 结论

本文以某大坝为对象，借助SBAS监测技术得到的大坝不同位置的沉降量与沉降速率，对比实际水准点的沉降。结果显示坝体的出水口相比其他部分的沉降速率大，沉降现象最为严重。进水口断面处，较为稳定，总体沉降量最低。大坝中部区域沉降量较低，西部区域的沉降速率及累计沉降量较大。通过SBAS技术得到的沉降量与实际水准点监测得到的累计沉降量相关系数较高，虽存在部分中误差较高的个例，但总体具备一致性，SBAS监测技术可应用于大坝变形监测。SBAS监测技术在大坝变形监测时，存在部分中误差较高的情况，建议在监测过程中，定期人工符合，确保监测数据的准确。