滑坡变形预测分析和趋势判断研究

雷海智 谢继香

摘要：基于滑坡变形监测数据，先利用优化长短期记忆人工神经网络构建滑坡变形预测模型，再利用重标极差法进行滑坡变形趋势判断研究，最后通过两者结果的对比综合评价滑坡变形规律．实例分析表明：滑坡变形预测结果的平均相对误差为1.95%～2.03%，预测效果较优；外推预测的统计分析表明，滑坡变形仍会持续增加；变形趋势判断得到的滑坡变形序列的Hurst指数均大于0.5，具正向增加趋势.因此，两者结果对比，得出滑坡变形向不利方向发展，建议加强滑坡灾害防治措施．

关键词：滑坡；长短期记忆人工神经网络；变形预测；重标极差法；趋势判断

中图分类号：P 642.2 文献标志码：A 文章编号：1001-988Ⅹ（2023）04-0129-06

0 引言

古滑坡形成年代较长，地表受长期外营力影响，使得坡体结构较为复杂，受后期不利因素诱发，可能促使其复活，潜在威胁较大［1-3］，且考虑到滑坡变形能有效反映其稳定状态，因此，开展滑坡变形规律研究是十分必要的［4-5］.值得指出的是，单一分析方法难以保证分析结果的准确性，为充分研究滑坡变形规律，可将其分析过程划分为变形预测和趋势判断两方面．目前，已有一些学者开展了滑坡变形预测研究，如袁乾博等［6］、潘国荣等［7］分别利用支持向量机和灰色模型构建了滑坡变形预测模型．在滑坡变形趋势判断研究方面，李秋全等［8］、栗燊等［9］利用重标极差法实现了滑坡变形趋势判断，验证了该方法在滑坡变形趋势判断中的适用性．基于滑坡变形监测成果，本文以长短期记忆（Long-short term memory， LSTM）人工神经网络为理论基础构建滑坡变形预测模型，并且为实现高精度预测，先利用改进混合蛙跳算法优化模型参数，再利用ARIMA模型实现误差修正预测；同时，利用重标極差法进行滑坡变形趋势判断，以掌握滑坡变形的发展趋势；最后，对比滑坡变形预测结果和趋势判断结果，综合评价其变化规律.本研究可以为滑坡灾害防治措施的制定提供一定的理论指导．

1 基本原理

本文重点开展滑坡变形预测分析和趋势判断研究，分析流程为：先以LSTM模型为理论基础，构建滑坡变形预测模型，且为保证模型参数的最优性，利用改进混合蛙跳算法（Improved shuffled frog leaping algorithm， ISFLA）进行参数优化处理，并利用ARIMA模型进行ISFLA-LSTM模型预测误差的修正预测，以保证预测精度；其次，利用重标极差法（Rescaled range， R/S）构建滑坡变形趋势判断模型．

1.1 变形预测模型

LSTM模型是一种新型神经网络，不仅具有传统三层单元结构，还新增了记忆单元结构，相较传统神经网络具有显著的优越性［10-16］．值得指出的是，LSTM模型虽具有较优的预测效果，但其学习率及窗口大小参数对预测效果具有直接影响，因此，为保证预测精度，需对其进行优化处理．考虑到混合蛙跳算法的全局寻优能力，利用其实现LSTM模型的参数优化是可行的，即利用混合蛙跳算法对LSTM的学习率及窗口大小参数进行全局寻优．SFLA算法的优化思想为：将优化问题视为一个青蛙种群的解问题，即将蛙群划分为若干子群，并按一定的更新策略进行搜索优化．在SFLA算法中，受较优个体青蛙的影响，次级青蛙会因追逐食物而向较优青蛙靠近，但受规则限制，次级青蛙的搜索范围受到限制，降低了群体的搜索能力，易出现早熟现象.为克服该问题，ISFLA算法应运而生，其冲破了不当限制，增加了蛙群的全局寻优能力．

SFLA算法的优化处理，虽有效保证了LSTM模型参数的最优性，但限于滑坡变形的非线性特征，ISFLA-LSTM模型的预测值与实测值仍存在一定差异.为保证滑坡变形的高精度预测，本文再利用ARIMA模型进行误差修正预测，构建出ISFLA-LSTM-ARIMA模型．

2 实例分析

2.1 工程概况

某滑坡体属黄土坡滑坡的子滑坡，东西侧地形相对较高，南北侧相对较低，总体地形起伏较大，地表形态具“陡-缓-陡”特征，斜坡坡度介于15°～35°之间［11］.滑坡区第四系地层主要有三类成因，即滑坡堆积层、崩坡积层和残坡积层，岩性以碎石土为主；下覆基岩为三叠系巴东组泥灰岩，厚度相对较大，节理裂隙发育．据现场调查，滑坡体纵向长约770 m，宽度约500 m，面积约32.5万m2，厚度变化差异较大，平均厚度约70 m，体积约2 255.5万m3，属超深层巨型滑坡；取样试验成果显示，滑坡的形成年代为54～19万年前，历史上经历了三次重大变形，分别发生于40～38万年、31～30万年、22～18万年，具古滑坡特征．

据现场钻探，滑坡物质组成具体为：

① 滑体物质．滑体岩性以碎石土为主，中密，棕红色，碎石以泥质灰岩为主，磨圆度较差，多呈次棱角～棱角状，粒间以粉土充填为主，土石比例为2∶8～3∶7.

② 滑带物质．滑带岩性以粉质粘土为主，可塑状，多呈具稍密～密实状态，含少量碎石和碎屑，土石比例为6∶4～8∶2，碎石和碎屑的母岩成分主要为泥质灰岩．

③ 滑床物质．滑床主要为三叠系巴东组泥质灰岩，中厚层状，层厚20～40 m，倾向为335°～358°，倾角为34°～47°．

受不利因素影响，该滑坡体规模较大且具复活特征，一旦失稳，存在堵塞航运安全的风险．据变形监测成果，G7监测点（位于滑坡中前部）、G9监测点（位于滑坡中后部）、G11监测点（位于滑坡后缘）和G18监测点（位于滑坡中后部）的变形数据较为完善，所以本文以这4个监测点为数据来源，进行滑坡变形预测分析和趋势判断研究．在监测过程中，按每月1次的频率监测，监测时间为2003年3月至2011年6月，共计得到100个监测周期，监测结果如表1所示（数据来源于文献［21］，限于篇幅，对部分数据进行了省略处理）．

2.2 变形预测的结果分析

变形预测过程分为中期预测和后期预测，中期预测：训练样本为1～45周期数据，验证样本为46～50周期数据；后期预测：训练样本为1～95周期数据，验证样本为96～100周期数据，对101～104周期进行外推预测．

2.2.1 中期预测 首先，以G7监测点中期预测为例，先对LSTM模型的学习率及窗口大小参数进行优化处理；为对比SFLA算法和ISFLA算法的优化效果，对LSTM模型、SFLA-LSTM模型和ISFLA-LSTM模型的预测结果进行统计分析，结果见表2．由表2可知，ISFLA-LSTM模型具有更小的相对误差，其次是SFLA-LSTM模型和LSTM模型，说明学习率及窗口大小参数的优化处理能有效提高预测精度；ISFLA算法较SFLA算法具有更佳的优化效果，验证了利用ISFLA算法进行LSTM模型参数优化的有效性和合理性．

其次，在ISFLA-LSTM模型预测基础上利用ARIMA模型进行误差修正预测，以提高预测精度，修正后的预测结果见表3．由表3可见，G7监测点中期预测结果的相对误差分布范围为1.88%～2.03%，平均相对误差为1.96%，预测精度较高，且较ISFLA-LSTM模型的预测结果有了明显提高，验证了本文分析思路的有效性．

最后，以G7监测点为例，对剩余3个监测点进行同步中期预测，结果见表4．由表4可知，在中期预测中，G9，G11和G18监测点预测结果的平均相对误差为1.97%～2.02%，变化范围较小，且与G7监测点的预测精度相当，校核了论文预测思路的有效性．

滑坡变形中期预测不仅验证了各优化处理方法的有效性，也验证了本文预测思路在滑坡变形预测中具有较高的预测精度和较强的适用性．

2.2.2 后期预测 滑坡变形的后期及外推預测结果见表5．由表5可知，在后期预测结果中，4个监测点的平均相对误差为1.95%～2.03%，误差和变化范围均较小.由外推预测结果可知，滑坡变形无明显的收敛趋势，变形量会持续增加，往不利方向发展．

2.3 滑坡变形的趋势判断

将滑坡变形的分析过程分为两个步骤，其中步骤1为滑坡变形趋势的总体评价，即以所有监测样本进行R/S分析，以对比预测结果；步骤2为滑坡变形趋势的分阶段评价，即将滑坡样本划分为4个周期范围，每个范围25期，以评价滑坡变形趋势的阶段性发展特征．

2.3.1 滑坡整体变形趋势评价 对滑坡所有变形数据进行R/S分析，得到4个监测点的整体变形趋势评价结果见表6．据表6可知，各监测点的拟合度均大于0.9，拟合效果较好；所有监测点的Hurst指数值均大于0.5，滑坡变形呈增加趋势；G7监测点的Hurst指数最大，为0.873，说明其趋势性最大，其次为G9，G18和G11监测点；4个监测点的CM值均大于0，说明其均呈正相关．

2.3.2 滑坡变形的分阶段趋势评价 将滑坡监测结果分为4个周期范围，并对各周期范围均进行R/S分析，结果见表7．由表7可以看出，不同周期范围的拟合度均较趋近于1，说明该过程的分析结果具有较高的可信度；不同周期范围条件下的Hurst指数均大于0.5，但未见明显变化规律；4个监测点的变形一直具有增加趋势，但趋势性随时间持续具有一定的差异；CM值均大于0，说明滑坡变形序列始终具正相关特征．变形趋势判断结果显示，滑坡变形具有正向增加趋势，且趋势性相对偏高．

2.4 滑坡变形规律的综合评价

基于变形预测和趋势判断结果，对滑坡体的变形规律进行综合分析，得到：

1）滑坡变形预测结果．滑坡变形无明显的收敛趋势，变形量会持续增加，往不利方向发展．

2）滑坡变形趋势判断结果．滑坡变形序列的Hurst指数均大于0.5，且偏离0.5的程度较大，所以滑坡变形具正向增加趋势，且趋势性较高．

综合两种分析结果得到，滑坡变形预测结果与趋势判断结果基本一致，滑坡体的变形会进一步增加，所以需加强灾害防治，避免成灾损失．

3 结论

通过对滑坡体的变形预测和趋势判断研究，主要得出如下结论：

1）在滑坡变形预测过程中，可通过参数优化提高预测精度，且ISFLA算法的优化效果较好，ARIMA模型具有较强的误差修正能力；据实例检验，ISFLA-LSTM-ARIMA模型具有较优的预测精度，适用于滑坡变形预测．

2）在滑坡变形趋势判断过程中，不同阶段的Hurst指数均大于0.5，但未见明显变化规律，所以4个监测点的变形一直具有增加趋势，但趋势性随时间持续具有一定的差异．

3）滑坡变形预测结果与趋势判断结果基本一致，滑坡体的变形会进一步增加，但无收敛趋势．

参考文献：

［1］ 黄达，顾东明，陈智强，等．三峡库区塔坪H2古滑坡台阶状复活变形的库水-降雨耦合作用机制［J］.岩土工程学报，2017，39（12）：2203．

［2］ 周克明．某水库库区古滑坡体安全监测与资料分析［J］.人民长江，2016，47（15）：59．

［3］ 陈超，任光明，吴龙科，等．西南某水电站库区古滑坡堵江成因及变形破坏机理研究［J］.长江科学院院报，2016，33（6）：94．

［4］ 薛晓辉，周玲，秦爱红．库岸涉水滑坡危险性现状分析与预测评价［J］.中国安全生产科学技术，2021，17（5）：169．

［5］ 邓小鹏，相兴华，王小敏．涉水滑坡岩土体参数弱化机理及变形预测［J］.水力发电，2020，46（9）：69．

［6］ 袁乾博，肖诗荣，李春霞，等．基于GLSSVM模型的三门洞滑坡变形预测研究［J］.人民长江，2020，51（7）：130．

［7］ 潘国荣，乔立洋，王穗辉．半参数改进灰色模型在滑坡变形预测中的应用［J］.测绘科学，2019，44（9）：164．

［8］ 李秋全，郝付军．三峡库区堆积层滑坡的变形趋势判断及预测［J］.水利水电技术，2019，50（5）：228．

［9］ 栗燊，拉换才让，杨振兴．应用不同去噪方法及分形理论判断滑坡变形趋势［J］.人民长江，2017，48（1）：43．

［10］ 王占巍，赵发睿，谢文苹，等．青海省高家湾滑坡的形成条件分析及稳定性评价［J］.水土保持通报，2020，40（3）：81．

［11］ 冯非凡，武雪玲，牛瑞卿，等．一种V/S和LSTM结合的滑坡变形分析方法［J］.武汉大学学报（信息科学版），2019，44（5）：784．

［12］ 杨背背，殷坤龙，杜娟．基于时间序列与长短时记忆网络的滑坡位移动态预测模型［J］.岩石力学与工程学报，2018，37（10）：2334．

［13］ 鄢好，陈骄锐，李绍红，等．基于时间序列和GRU的滑坡位移预测［J］.人民长江，2021，52（1）：102．

［14］ 唐旺，马尚昌，陈锐．基于LSTM的川西北地区降雨型泥石流预警方法［J］.桂林理工大学学报，2020，40（4）：719．

［15］ 宋麗伟．基于经验模态分解和LSTM模型的滑坡位移预测［J］.人民长江，2020，51（5）：144．

［16］ 孙一清，李德营，殷坤龙，等．三峡库区堆积层滑坡间歇性活动预测：以白水河滑坡为例［J］.地质科技情报，2019，38（5）：195．

［17］ 曹恩华，包腾飞，刘永涛，等．基于EMD-RVM-Arima的大坝变形预测模型及其应用［J］.水利水电技术，2018，49（12）：59．

［18］ 罗林，左昌群，赵连，等．基于BP神经网络和R/S分析的隧道仰坡沉降变形预报预测［J］.施工技术，2014，43（11）：80．

［19］ 王伟，殷坤龙，曹颖．结合监测位移R/S分析的树坪滑坡稳定性综合评价［J］.安全与环境工程，2014，21（2）：19．

［20］ 张伟森，吴大勇．R/S分析法在盾构下穿机场过程中的地表变形规律研究［J］.铁道标准设计，2018，62（3）：101．

［21］ 唐辉明，鲁莎．三峡库区黄土坡滑坡滑带空间分布特征研究［J］.工程地质学报，2018，26（1）：129．

（责任编辑 马宇鸿）