淺層順層滑坡成災機制分析及其穩定性評價

朱 濤, 翟亞鋒, 翟會君

(河南省地質礦產勘查開發局第四地質勘查院,河南 鄭州 450000)

0 引言

淺層順層滑坡在我國廣泛分布。按《GB/T 32864—2016滑坡防治工程勘查規范》[1]規定,淺層滑坡定義為滑體厚度小于10 m。此類滑坡規模一般較小,但其自穩能力相對也較弱,易出現局部變形破壞,若區內居民較多,其潛在危害顯著,且該類滑坡易引發水土流失,不利于環境保護。因此,該文將淺層順層滑坡作為研究對象,重點開展其成災機制分析及穩定性評價[2-3]。目前,許多學者利用數值模擬、數理統計等手段,從淺層滑坡影響因素出發,研究了降雨、植被等對淺層滑坡穩定性的影響規律,并探究了此類滑坡的演化機制[4-7]。

上述研究表明: 一方面,開展淺層滑坡研究具有重要意義,即其能為此類滑坡災害防治提供具有針對性的理論基礎; 另一方面,淺層滑坡發育存在一定的區域性特征,即不同地區的淺層滑坡具有相應差異。因此,仍有必要針對具體實例開展進一步研究。淺層滑坡影響因素與一般滑坡的影響因素相對較為一致,但也具一定的特征性。因此,本文提出基于淺層滑坡所處地質條件,開展其成因機制分析。同時,以往滑坡穩定性評價多側重于現狀評價,缺乏穩定性預測評價,分析結果的全面性受限,因此,本文提出將滑坡穩定性評價過程劃分為兩步,即穩定性現狀評價和預測評價,并通過傳遞系數法實現其穩定性現狀評價,再通過變形預測實現其穩定性預測評價。研究旨在有效掌握淺層順層滑坡的成災機制,并為其穩定性評價提供一種思路,從而奠定災害防治的理論基礎。

1 基本原理

1.1 穩定性現狀評價模型的構建

據工程實際,滑坡常用的現狀穩定評價模型主要是傳遞系數法,其原理已在《GB/T 32864—2016滑坡防治工程勘查規范》[1]中詳述,因此,不再贅述[8-9]。

(1)計算工況。在滑坡穩定性現狀評價過程中,共設置了3種工況: 工況1,天然工況,該工況是評價滑坡天然狀態下的穩定性; 工況2,暴雨工況,該工況是評價滑坡暴雨狀態下的穩定性; 工況3,地震工況,該工況是評價滑坡地震狀態下的穩定性。

(2)計算參數。據滑坡勘查成果,其穩定性計算參數見表1。

表1 不同工況條件計算參數Tab.1 Calculation parameters under different conditions

(3)穩定性狀態劃分。據《GB/T 32864—2016滑坡防治工程勘查規范》[1],以穩定性系數Fs為基礎,開展滑坡穩定性狀態劃分。若Fs屬小于0時,滑坡處于不穩定狀態; 若Fs屬[0,1.05)區間時,滑坡處于欠穩定狀態; 若Fs屬[1.05,1.15)區間時,滑坡處于基本穩定狀態; 若Fs屬大于等于 1.15 時,滑坡處于穩定狀態。

1.2 穩定性預測評價模型的構建

一般來說,滑坡變形越大,其穩定性相對應越弱,因此,提出利用變形預測來開展滑坡穩定性預測評價?；疑Ｐ?簡稱GM(1,1)模型)能在部分信息未知情況下實現非線性預測,使得其在變形預測領域取得了廣泛應用,提出利用其構建滑坡變形預測模型,但傳統GM(1,1)模型多具離散形式,而滑坡變形具有連續形式。為解決該問題,袁德寶等[10]將分數階算子引入其中,構建出了分數階算子條件下的灰色模型(簡稱EGM(1,1)模型),且考慮到分數階算子是由使用者確定,為保證其最優性,提出利用改進粒子群算法(improve particle swarm optimization,IPSO)[11]開展其優化處理。該方法是粒子群算法的改進型,結合其基本原理,其尋優過程有4步。

(1)開展粒子種群的初始信息設置,如將學習因子設定為1和2,權重因子設定為0.7,種群規模設定為600。

(2)將各粒子的當前位置設置為分數階算子,并以其預測結果的平均絕對百分誤差為基礎,初步確定出群體的最佳粒子位置。

(3)更新每個粒子的位置和速度,并重新計算每個粒子更新后的平均絕對百分誤差值,將其與最佳粒子的平均絕對百分誤差值對比,若前者更優,則將最佳粒子位置進行重新設置,反之,保留原位置。

(4)當完成尋優后,將全局最佳粒子對應的分數階算子輸出,即可完成其尋優過程。

雖然利用IPSO算法保證了EGM(1,1)模型分數階算子的最優性,但限于滑坡變形的非線性特征,其預測結果還是會存在一定誤差,即IPSO-EGM(1,1)模型的預測結果仍會存在預測誤差。為充分保證預測精度,再提出利用混沌理論開展其誤差弱化處理[12-13]。結合其基本原理,將其預測步驟說明如下。

先利用Lyapunov指數法開展待預測誤差序列的混沌特征識別,按照其識別流程,計算判別參數λ,其計算公式為

(1)

式中:tM、t0為時間變量,s;M為迭代次數,次;Li為原始距離值;li為重構后的距離值。

以λ值開展誤差序列的混沌特征識別,即: 若λmax值大于0,那么預測誤差序列具混沌特征; 反之,則不具混沌特性。

利用延遲時間算法確定嵌入維數,并利用去偏復自相關法確定延遲時間,通過此兩參數可實現誤差序列的相空間重構。同時,再利用Lyapunov指數法開展誤差序列的預測處理,具體過程為: 將ψi作為預測中心,計算與其最近相鄰點間的距離d。公式為

(2)

式中:ψi、ψj為相空間節點。

若d值最小,即可反推出預測誤差的預測值。

據上,最終將滑坡變形預測模型確定為IPSO-EGM(1,1)-WT模型。

基于預測結果,先引入兩個速率統計量,即V1速率(mm/周)和V2速率(mm/周),前者是實測數據最后4期的變形速率均值,后者是4期外推預測結果的變形速率均值。若V1速率相對更大,說明滑坡變形趨于收斂,其后續穩定性亦趨于穩定; 反之,說明滑坡變形趨于繼續增加,其后續穩定性亦趨于不穩定。

2 實例分析

2.1 工程概況

某滑坡位于斜坡前緣地段,平面具扇形形態(圖1),所處斜坡坡度為20°～40°,植被較發育。據現場調查,滑坡主滑方向為30°,縱向長約 150 m,寬度間于90～180 m。土層厚度具有一定差異,主要間于3.2～6.1 m,平均厚度約4.5 m,總體積約8.4×104m3,屬典型的淺層滑坡。

圖1 滑坡平面形態Fig.1 Plane modality of landslide

據鉆探成果,將滑坡結構地層特性闡述如下。

(1)滑體土。巖性主要是填土和粉質黏土: 前者主要分布于滑坡中上部,僅局部分布,對滑坡影響有限; 后者在滑坡區廣泛分布,紫紅色,多呈可塑-硬塑狀,局部含有少了角礫,母巖成分多是泥巖,磨圓度較差。

(2)滑帶。巖性主要是黏土,紫紅色,屬泥巖風化后的產物,整體力學性質較差,遇水易軟化,多呈可塑狀。

(3)滑床。巖性為泥巖,紫紅色,節理裂隙較發育,巖體整體完整性相對較差,強度中等,巖層產狀為46°∠34°,結合滑坡主滑方向,該滑坡具有順層滑坡特征。

將主滑面(即圖1中A-A′剖面)的地層結構闡述如圖2所示。

圖2 滑坡地層結構A-A′剖面圖Fig.2 A-A′ profile of landslide stratum structure

該滑坡早在2010年雨季就開始出現變形情況,其后每年變形均有所發育,主要表現為局部房屋倒塌及裂縫發育,其中,裂縫多會后期自動愈合。據上,該滑坡變形特征顯著,且區內威脅居民相對較多,因此,開展本研究十分必要。

為定量掌握滑坡變形量,在滑坡上共計布置了4個監測點,用于開展監測位置的總位移監測,其中,主軸上布置了2個,左右兩側分別布置1個,具體位置見圖1。據統計,共計得到40期(監測周期為2 d,監測時段為2022年7月8日至2022年9月26)的滑坡變形數據,其變化曲線如圖3所示。

圖3 滑坡累計變形曲線Fig.3 Cumulative deformation curves of landslide

據圖3,滑坡各位置處的累計變形總體呈持續增加趨勢,只是局部短時存在負增長。ZZJ1監測點的累計變形量為229.03 mm,相對最大,說明后緣相對更不穩定; ZZJ2監測點的累計變形量為166.98 mm; 兩者均位于滑坡主軸上,充分說明主軸是滑坡穩定性相對最弱位置,側面也驗證了后續通過主軸開展滑坡穩定性現狀評價的可行性。在滑坡兩側,西北側ZCJ1監測點的累計變形量為97.63 mm,東北側YCJ1監測點的累計變形量為148.33 mm,對比而言,滑坡右側變形相對更大。

2.2 滑坡成災機制分析

2.2.1 滑坡影響因素分析

一般來說,淺層滑坡變形影響因素相對較多,其主要可從物源條件、地形條件及水源條件等方面開展分析,具體分析如下。

(1)土層厚度因素。土層較薄是淺層滑坡的特有特征。一方面,土層薄,利于降雨軟化,促使滑坡易出現變形破壞,且該類變形無統一規律性; 另一方面,土層厚度對滑坡破壞形式具有一定影響,若土層相對較薄,更易出現滑移破壞,若土層相對較厚,更易出現蠕滑破壞。

(2)地形條件因素。地形條件對淺層滑坡的影響較大,又可進一步細分為坡度因素、地形因素及高差因素。①坡度因素。坡度是滑坡災害的重要成因,一般來說,斜坡坡度越陡,其越容易發生失穩破壞。結合調查成果,在坡度間于20°～40°時,淺層滑坡更易發育。②地形因素。地形對淺層滑坡的影響規律主要表現為: 地形為凸形時,淺層滑坡相對最易發育; 地形為直線形時,淺層滑坡發育一般; 地形為凹形時,淺層滑坡一般不發育。③高差因素。由于淺層滑坡滑體厚度較薄,其固有穩定屬性相對就較差,因此,該類滑坡難以形成較大的高差?；掳l育的主要高差范圍是20～50 m,其次是50～100 m,其余高差范圍的滑坡發育相對較少。

(3)地層巖性因素。地層巖性與淺層滑坡的形成具有密切關系,一般來說,淺層滑坡發育區的地層力學參數均較低,即軟質巖更易形成淺層滑坡,其次是軟硬相間巖,而硬質巖不易形成淺層滑坡。

(4)地質構造因素。一方面,地質構造是形成滑坡區的原始地形地貌,是淺層滑坡形成的基礎; 另一方面,地質構造會極大程度上影響滑坡地層的完整性,對區內節理系統的發育也有一定的影響,進而影響滑坡穩定性。

(5)植被與土地利用因素。該因素主要包含植被覆蓋因素和土地利用類型因素。①植被覆蓋因素。一般來說,植被對土體具有一定的加固作用,主要表現為: 植物根系深入土層中,一定程度上抑制了土體裂隙的發育,可有效減少坡面破壞。由于淺層滑坡滑體厚度本身較薄,此因素對其影響顯著,從植被極疏至中等再至茂密,淺層滑坡的發育頻率越來越少,尤其在植被茂密時,幾乎無淺層滑坡發育。②土地利用類型因素。由于土地利用類型不同,其對應植被覆蓋情況及其種類均隨之不同,這也會一定程度上影響土體對雨水的吸收情況。據調查,旱地、灌木類型具較高淺層滑坡發育率,其余類型的發育率相對較低。

(6)降雨因素。降雨一直以來就是滑坡失穩破壞的重要誘因,其對淺層滑坡尤為明顯,主要是因為淺層滑坡滑體較薄,雨水入滲路徑較短,即使小雨也可能造成局部失穩,其影響規律可總結為: 一方面,雨水入滲不僅會增加滑體重度,還會減弱滑面抗剪強度,降低滑坡穩定性; 另一方面,若存在短時強降雨,易在地表形成徑流,造成坡面沖刷等,這對淺層滑坡穩定極為不利。

(7)人類工程活動因素。一般來說,存在滑坡災害的范圍均會具有一定程度的人類工程活動,其對滑坡的影響主要表現為: 工程活動造成削坡、減載等,打破了原有坡體的內力平衡,誘使滑坡災害發生,尤其對于淺層滑坡,輕微的擾動極可能誘發局部變形。

據上,淺層滑坡的影響因素相對較多,且其對各類因素的敏感性均較強,這是因為其滑體厚度較薄,受外界擾動影響較大。

2.2.2 滑坡形成機制分析

結合上述滑坡影響因素分析及工程實例概況,將該文實例滑坡的形成機制總結如下。

(1)滑坡所處斜坡坡度為20～40°,且具順向坡的坡體結構,為滑坡災害形成奠定了基礎。

(2)滑坡區基巖為泥巖,本身遇水易軟化,易形成軟弱潛在滑面,其形成機理為: 滑體較薄,雨水易入滲,且當滲至基覆界面時,下覆泥巖又具一定隔水性,進而雨水在基覆界面匯集; 同時,降雨停止后,基覆界面處的水分蒸發也是相對最晚蒸發,如此長期作用,就會形成基覆滑面。

在各類影響因素綜合作用影響下,尤其是在降雨、人類工程活動長期誘發作用條件下,滑坡易出現局部變形,存在整體失穩風險。

2.3 滑坡穩定性評價

2.3.1 穩定性現狀評價

據1.1節思路,通過傳遞系數法開展滑坡主滑面(即A-A′剖面)的穩定性分析,其計算結果如表2所示。工況1屬穩定狀態; 工況2屬欠穩定狀態; 工況3屬基本穩定狀態。通過上述,在穩定性現狀條件下,得出該滑坡在天然狀態下仍處于穩定狀態,但在不利工況條件下,存在失穩風險。

表2 A-A′剖面穩定性計算結果Tab.2 Stability calculation results of A-A′ profile

2.3.2 穩定性預測評價

該節重點按照1.2節思路,通過IPSO-EGM(1,1)-WT模型開展滑坡穩定性預測評價。在該過程中,將前35期數據作為訓練集,后5期數據作為驗證集,且考慮到IPSO-EGM(1,1)-WT模型具有遞進優化組合流程,提出以ZZJ1監測點為例,進行對比分析,以驗證各遞進優化組合步驟的有效性。

為便于后續描述,將各遞進優化組合步驟的預測模型命名如下。預測模型1: GM(1,1)模型; 預測模型2: EGM(1,1)模型; 預測模型3: PSO-EGM(1,1)模型; 預測模型4: IPSO-EGM(1,1)模型; 預測模型5: IPSO-EGM(1,1)-WT模型。

首先,得到5類預測模型的預測結果如表3所示。

表3 預測模型1—5的預測結果統計Tab.3 Prediction results of prediction model 1—5

據表3,以各預測模型的相對誤差為評價指標,統計其特征參數如下。預測模型1的相對誤差平均值為3.17%,方差值為0.014 0(%)2; 預測模型2的相對誤差平均值為2.96%,方差值為0.008 8(%)2; 預測模型3的相對誤差平均值為2.57%,方差值為0.005 7(%)2; 預測模型4的相對誤差平均值為2.32%,方差值為0.004 9(%)2; 預測模型5的相對誤差平均值為2.02%,方差值為0.003 6(%)2。

由此可知,從預測模型1至模型5,預測精度及預測結果的穩定性具逐步提高趨勢,充分驗證了各遞進優化組合步驟的有效性。其中,預測模型1和預測模型2對比,驗證了分數階算子對灰色模型的優化能力; 預測模型3和預測模型4對比,得出IPSO算法較粒子群(partide swarm optimization,PSO)算法具有更好的優化能力; 預測模型5較其余模型的預測效果優勢明顯,充分驗證了通過IPSO-EGM(1,1)-WT模型開展滑坡變形預測的合理性。

其次,再以IPSO-EGM(1,1)-WT模型開展其余監測點的預測分析,結果如表4所示。

表4 各監測點的最終預測結果Tab.4 Final prediction results for each monitoring point

據表4,各監測點的預測結果存在一定差異,其預測結果的特征參數為如下。ZZJ1監測點的相對誤差平均值為2.02%,方差值為0.003 6(%)2; ZZJ2監測點的相對誤差平均值為2.04%,方差值為0.004 3(%)2; ZCJ1監測點的相對誤差平均值為2.11%,方差值為0.006 5(%)2; YCJ1監測點的相對誤差平均值為1.97%,方差值為0.002 2(%)2。

據上,各監測點的相對誤差均值多在2%左右,方差值也較小,充分驗證了IPSO-EGM(1,1)-WT模型的預測能力及穩定性。

最后,再統計得到各監測點的V1速率和V2速率如圖4所示。

圖4 滑坡變形速率的對比Fig.4 Comparison of landslide deformation rate

據圖4,各監測點的V2速率均不同程度地略大于V1速率,因此,說明滑坡各位置處的后續變形速率還會進一步增加,滑坡累計變形具加速增加趨勢,即滑坡穩定性在現有基礎上,還會進一步減弱。

綜合2.2.1節滑坡穩定性現狀評價結果和 2.2.2 節滑坡穩定性預測評價結果,得出本文實例滑坡現有穩定性已較弱,剩余安全儲備已較少,且后續變形仍會加速,不利于滑坡穩定,即其后續穩定性仍會進一步減弱,需盡快開展此滑坡防治研究。

3 結論

(1)淺層滑坡的影響因素主要包括土層厚度因素、地形條件因素、地層巖性因素、地質構造因素、植被與土地利用因素、降雨因素及人類工程活動因素,尤其是在地形、坡體結構等因素存在的基礎上,受降雨、人類工程活動長期誘發產生的。

(2)在滑坡穩定性現狀評價結果中: 天然工況條件下,穩定性系數為1.21,屬穩定狀態; 暴雨工況條件下,穩定性系數為1.02,屬欠穩定狀態; 地震工況條件下,穩定性系數為1.09,屬基本穩定狀態。說明不利工況條件下具潛在失穩風險。在后續預測過程中,IPSO-EGM(1,1)-WT模型能有效實現淺層滑坡的高精度預測,且預測結果顯示,滑坡各位置處的后續變形速率還會進一步增加,且滑坡累計變形具加速增加趨勢,說明在本次監測時段后的滑坡穩定性將趨于減弱。