吳謙，王常明，王天佐，黃曉虎，張志敏，張兆楠

（吉林大學(xué) 建設(shè)工程學(xué)院，吉林 長春，130026）

路基邊坡降雨試驗(yàn)及基于神經(jīng)網(wǎng)絡(luò)的水分場研究

吳謙，王常明，王天佐，黃曉虎，張志敏，張兆楠

（吉林大學(xué) 建設(shè)工程學(xué)院，吉林 長春，130026）

為了研究降雨條件下路基邊坡土體含水率的變化規(guī)律及雨水入滲過程，進(jìn)行一系列不同降雨強(qiáng)度、不同坡度條件下的室內(nèi)降雨模擬試驗(yàn)。以土體含水率受降雨歷時(shí)、土體空間位置、坡度和降雨強(qiáng)度這4個(gè)因素作為輸入單元，體積含水率作為輸出單元，選取試驗(yàn)數(shù)據(jù)輸入訓(xùn)練，建立含水率的遺傳算法神經(jīng)網(wǎng)絡(luò)預(yù)測模型。預(yù)測檢驗(yàn)后，利用神經(jīng)網(wǎng)絡(luò)對2.7 mm/min降雨強(qiáng)度下40°邊坡的降雨入滲過程進(jìn)行預(yù)測研究。研究結(jié)果表明：對于路基邊坡，當(dāng)土的性質(zhì)、壓實(shí)度、排水等條件相同時(shí)，土體含水率受降雨歷時(shí)、土體空間位置、坡度和降雨強(qiáng)度這4個(gè)因素共同影響；隨降雨的進(jìn)行，土體含水率逐漸增加，浸潤范圍不斷增大，受空間位置影響距入滲面越遠(yuǎn)則含水率變化滯后，增長速率及幅度減??；在相同雨強(qiáng)下，不同坡度邊坡坡頂土體含水率變化過程相似，而隨坡度的增大，坡腳土體含水率的增長速率及幅度逐漸減??；隨雨強(qiáng)的增加同一邊坡相同位置處土體含水率越早開始增大，其增長速率及幅度也隨之增加；利用所建立的含水率遺傳算法神經(jīng)網(wǎng)絡(luò)預(yù)測模型所得入滲結(jié)果與試驗(yàn)觀測結(jié)果接近，表明該神經(jīng)網(wǎng)絡(luò)方法能較好地描述路基邊坡土體含水率的變化情況及雨水的入滲過程。

路基邊坡；土體體積含水率；遺傳算法神經(jīng)網(wǎng)絡(luò)；預(yù)測模型；入滲過程

土體含水率對其工程特性具有重要影響。在降雨過程中，隨著非飽和土體含水率的增加，其各種指標(biāo)隨之變化［1］。許多學(xué)者對降雨過程中土體含水率的變化規(guī)律進(jìn)行了研究，目前研究方法主要集中在2個(gè)方面：一是通過埋設(shè)含水率探頭測得土體含水率，包括現(xiàn)場原位試驗(yàn)［2-4］和物理模擬試驗(yàn)［5-7］方法；二是通過基于飽和非飽和滲流的數(shù)值計(jì)算方法［8-9］。采用這些試驗(yàn)方法可以得到各監(jiān)測點(diǎn)含水率的變化過程、土體中含水率的分布特征、濕潤鋒運(yùn)移過程等信息，但通常受限于測量空間范圍、測量時(shí)間等因素，只有借助數(shù)值計(jì)算方法或合理的預(yù)測方法才可將試驗(yàn)在空間、時(shí)間或其他因素上進(jìn)行延伸，目前采用較多的是數(shù)值方法。當(dāng)采用數(shù)值方法時(shí)，邊坡土體物理參數(shù)不易準(zhǔn)確獲取，土體參數(shù)在坡體內(nèi)分布是否均勻會對計(jì)算結(jié)果造成很大影響，而邊坡土體含水率的預(yù)測方法至今仍不清楚。邊坡土體含水率變化是一個(gè)復(fù)雜的非線性問題，對于路基一類的均質(zhì)土坡來說，土的工程性質(zhì)、壓實(shí)度、排水條件等相同，其土體含水率由降雨強(qiáng)度、降雨歷時(shí)、土體空間位置、坡度4個(gè)因素共同控制，普通數(shù)學(xué)模型很難對土體含水率變化過程進(jìn)行準(zhǔn)確描述，在研究中若只考慮某個(gè)單一指標(biāo)與含水率之間的聯(lián)系，而不是同時(shí)考慮這些因素共同作用下土體含水率的變化情況，那么分析結(jié)果必然存在片面性。如何解決各影響因素相互組合時(shí)相互之間的非線性聯(lián)系是其中的難點(diǎn)。神經(jīng)網(wǎng)絡(luò)方法具有并行分布與存儲、自組織、自學(xué)習(xí)的功能，能分析較復(fù)雜的非線性系統(tǒng)，其在工程上的應(yīng)用［10-11］給我們提供了解決問題的新思路?；诖?，本文作者進(jìn)行路基邊坡的室內(nèi)降雨模擬試驗(yàn)，試驗(yàn)中土的性質(zhì)、壓實(shí)度、排水等條件相同。試驗(yàn)主要研究以下3個(gè)方面：1） 不同降雨強(qiáng)度下邊坡含水率的變化規(guī)律；2） 不同坡度邊坡含水率變化規(guī)律；3） 同一邊坡內(nèi)不同位置含水率的變化規(guī)律。根據(jù)試驗(yàn)結(jié)果建立含水率的遺傳算法神經(jīng)網(wǎng)絡(luò)預(yù)測模型，實(shí)現(xiàn)對土體含水率隨降雨歷時(shí)變化的預(yù)測，同時(shí)實(shí)現(xiàn)濕潤鋒在坡體內(nèi)運(yùn)移過程的預(yù)測，旨在為邊坡土體含水率的研究提供新的思路和方法。

1　邊坡降雨模擬試驗(yàn)

1.1試驗(yàn)內(nèi)容

本次實(shí)驗(yàn)研究1.5 mm/min和2.1 mm/min降雨強(qiáng)度下40°～70°邊坡和2.7 mm/min降雨強(qiáng)度下30°～70°邊坡不同位置土體體積含水率的變化情況。試驗(yàn)中，降雨持續(xù)時(shí)間為60 min，試驗(yàn)設(shè)計(jì)見表1。

1.2試驗(yàn)裝置與測量系統(tǒng)

試驗(yàn)裝置由人工降雨設(shè)備、試驗(yàn)槽、沉砂池相結(jié)合，在試驗(yàn)過程中，邊坡土體的體積含水率由MPU-8型高精度微型土壤墑情自動采集器測得。圖1所示為試驗(yàn)裝置示意圖（以邊坡40°為例）。

1.3邊坡模型

表1　試驗(yàn)設(shè)計(jì)安排Table 1 Test plan

圖1　試驗(yàn)裝置Fig. 1　Test device

試驗(yàn)采用遼西黃土，根據(jù)粒度成分測試結(jié)果，遼西黃土以粉粒為主，粉粒質(zhì)量分?jǐn)?shù)為53.86%～82.24%，平均為72.87%；黏粒質(zhì)量分?jǐn)?shù)為11.67%～33.26%，變化較大，平均為18.87%。黃土基本物理力學(xué)參數(shù)見表2，其實(shí)測水土特征曲線及根據(jù)VAN GENUCHTEN［12］， FREDLUND and XING［13］和GARDNER［14］這3種經(jīng)典水土特征曲線模型所得的擬合曲線見圖 2。經(jīng)先期試驗(yàn)測試，當(dāng)邊坡土體初始含水率為10%時(shí)，模擬效果最佳。試驗(yàn)前，將土料曬干后，計(jì)算所需加水量，配制試驗(yàn)用土。采用分層填筑法筑坡，每層厚度10 cm，分4層，利用觸探儀控制每層土壓實(shí)度一致，邊坡模型的壓實(shí)度為 85%，最后針對不同角度進(jìn)行人工削坡。

表2　黃土的物理力學(xué)參數(shù)Table 2 Physical and mechanics parameters of soil

圖2　水土特征曲線Fig. 2　Soil-water characteristic curves

1.4降雨模型試驗(yàn)結(jié)果

1.4.1含水率隨降雨時(shí)間的變化規(guī)律

雨水的入滲過程如圖3所示。從圖3可見：隨著降雨的進(jìn)行，土體的浸潤深度不斷增大，同時(shí)在達(dá)到飽和含水率之前，雨水的不斷入滲也使土體的含水率持續(xù)增加。

1.4.2不同空間位置含水率變化規(guī)律

2.7 mm/min降雨強(qiáng)度下40°邊坡坡面淺埋（距坡面3 cm，距坡頂10 cm）探頭測得土體體積含水率隨時(shí)間變化曲線如圖4所示。從圖4可見：在5 min時(shí)，其含水率開始增加，含水率增長速率也不斷增大；當(dāng)降雨持續(xù)14 min時(shí)，含水率增長速率達(dá)到峰值，之后開始逐漸減小，含水率曲線也逐漸變得平緩；在試驗(yàn)進(jìn)行至24 min時(shí)，含水率達(dá)到最大值后基本保持不變。而在坡體內(nèi)部較深處（距坡面15 cm，距坡頂30 cm）土體含水率的增速較小，含水率增長緩慢，如圖5所示。對比圖4和圖5可以發(fā)現(xiàn)：距離入滲面越近，含水率變化的速率和幅度越大；而距離入滲面越遠(yuǎn)，體積含水率的變化速率及幅度越小。這體現(xiàn)了入滲路徑對土體含水率的控制作用。

圖3　入滲過程示意圖Fig. 3　Infiltration process

圖4　淺部土體含水率變化曲線Fig. 4　Change curves of moisture content in shallow soil mass

1.4.3不同坡度含水率變化規(guī)律

2.7 mm/min降雨強(qiáng)度下，不同坡度邊坡坡頂土體（距坡面約3 cm，距坡頂約10 cm）體積含水率的變化曲線如圖6所示。從圖6可見：隨著降雨持續(xù)，坡頂土體含水率快速增大，當(dāng)達(dá)到飽和狀態(tài)后含水率基本保持不變；雖然坡度不同，但各邊坡坡頂土體含水率變化規(guī)律相似。在2.7 mm/min降雨強(qiáng)度下，不同坡度邊坡坡腳（距坡面約10 cm，距坡頂約30 cm）土體含水率變化如圖7所示。從圖7可見：隨著降雨的進(jìn)行，不同坡度邊坡坡腳土體含水率變化有較大差異，坡腳土體含水率增長速率及其增長幅度隨坡度增加逐漸變?。?0°邊坡坡腳土體含水率增長較快，在35 min時(shí)達(dá)到飽和并保持穩(wěn)定；而 40°～70°邊坡坡腳處土體含水率在 60 min時(shí)依次為 31.1%，26.3%，20.5%和19.5%。這主要是因?yàn)樵谥亓ψ饔孟?，邊坡表面入滲的雨水有向坡腳匯集的趨勢，坡度越小，則承接降雨的坡面越長，上部土體就會承接更多的雨水入滲，故在重力作用下會有更多雨水向坡腳匯集，從而導(dǎo)致此現(xiàn)象。

圖5　深部土體含水率變化曲線Fig. 5　Change curves of moisture content in deep soil mass

圖6　不同坡度邊坡坡頂土體含水率變化曲線Fig. 6　Change curves of moisture content in top of slopes with different slope angles

圖7　不同坡度邊坡坡腳土體含水率變化曲線Fig. 7　Change curves of moisture content in toe of slopes with different slope angles

1.4.4不同降雨強(qiáng)度下含水率變化規(guī)律

降雨強(qiáng)度直接影響邊坡土體的含水率。以 40°邊坡為例，不同降雨強(qiáng)度下坡腳（距坡面約10 cm，距坡頂約30 cm）位置含水率變化過程如圖8所示。從圖8可見降雨強(qiáng)度對土體含水率的影響主要變現(xiàn)在：1） 相同位置監(jiān)測點(diǎn)處土體含水率及其增長速率隨降雨強(qiáng)度的增加而增加；2） 降雨強(qiáng)度的增加加快了坡體內(nèi)浸潤峰的運(yùn)移速率，降雨強(qiáng)度越大，則相同位置處土體的含水率越早開始增大。

圖8　不同降雨強(qiáng)度下含水率變化曲線Fig. 8　Change curves of moisture content with different rainfall intensities

2　含水率的遺傳算法神經(jīng)網(wǎng)絡(luò)預(yù)測

2.1基本原理

BP神經(jīng)網(wǎng)絡(luò)在工程界被廣泛使用，雖然其具有較強(qiáng)的局部尋優(yōu)能力，但由于其訓(xùn)練過程中是基于梯度算法來調(diào)整權(quán)值和閾值，在優(yōu)化過程中存在陷入局部最小值的可能，同時(shí)梯度算法網(wǎng)絡(luò)收斂速度慢，也導(dǎo)致訓(xùn)練時(shí)間變長。遺傳算法作為一種全局尋優(yōu)的算法，且具有較快的收斂速度，借助遺傳算法的這些優(yōu)點(diǎn)，所建立的網(wǎng)絡(luò)將會有更快的收斂速度且能克服BP神經(jīng)網(wǎng)絡(luò)容易陷入局部最優(yōu)等缺點(diǎn)［15］。遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)是使用遺傳算法優(yōu)化網(wǎng)絡(luò)的權(quán)值和閾值，使優(yōu)化后的網(wǎng)絡(luò)能夠更好地預(yù)測函數(shù)輸出。

2.2輸入輸出單元的確定

選取降雨歷時(shí)、土體空間位置（由距坡面水平距離H與距坡頂垂直距離V表征）、坡度和降雨強(qiáng)度作為輸入單元，網(wǎng)絡(luò)輸入層節(jié)點(diǎn)數(shù) n=5，輸出量為土體體積含水率，輸出層節(jié)點(diǎn)數(shù)m=1。

2.3網(wǎng)絡(luò)的訓(xùn)練

選取 1.5 mm/min降雨強(qiáng)度下 40°～70°邊坡、2.1 mm/min降雨強(qiáng)度下40°～70°邊坡和2.7 mm/min降雨強(qiáng)度下30°～60°邊坡中不同位置共73個(gè)監(jiān)測點(diǎn)的試驗(yàn)監(jiān)測數(shù)據(jù)對網(wǎng)絡(luò)進(jìn)行訓(xùn)練。網(wǎng)絡(luò)隱含層節(jié)點(diǎn)數(shù)l由下式確定：

式中：a為0～10之間的常數(shù)，通過試算最終確定網(wǎng)絡(luò)結(jié)構(gòu)為5-14-1。其中隱含層的傳遞函數(shù)為tansig函數(shù)，輸出層傳遞函數(shù)為 purelin函數(shù)，網(wǎng)絡(luò)訓(xùn)練函數(shù)采用trainlm函數(shù)，網(wǎng)絡(luò)中指定學(xué)習(xí)速率為 0.001，網(wǎng)絡(luò)誤差為0.000 1。遺傳算法在尋優(yōu)過程中的個(gè)體適應(yīng)度為BP網(wǎng)絡(luò)的含水率預(yù)測輸出與期望輸出之間誤差的絕對值之和；種群規(guī)模為50，進(jìn)化次數(shù)為100，交叉概率Pc取0.9，變異概率Pm取0.05。未經(jīng)優(yōu)化BP網(wǎng)絡(luò)需要331次迭代達(dá)才能到小于設(shè)定誤差的目標(biāo)，而遺傳算法優(yōu)化后只需要15次迭代即可達(dá)到設(shè)定誤差。

2.4含水率的預(yù)測

網(wǎng)絡(luò)訓(xùn)練完成之后用2.7 mm/min降雨強(qiáng)度下70°邊坡土體體積含水率的試驗(yàn)監(jiān)測數(shù)據(jù)作為預(yù)測檢驗(yàn)樣本，邊坡中含水率探頭位置見表 3。網(wǎng)絡(luò)預(yù)測結(jié)果如圖 9（a）所示?？梢钥闯鲱A(yù)測結(jié)果與期望輸出（圖 9（b））基本吻合。

表3　70°邊坡內(nèi)體積含水率探頭埋設(shè)位置Table 3 Position of moisture sensors in slope with slope angle of 70° cm

圖9　70°邊坡土體體積含水率的預(yù)測輸出與期望輸出Fig. 9　Forecast output by neural network and desired output of slope with slope angle of 70°

分別采用 BP神經(jīng)網(wǎng)絡(luò)和遺傳算法神經(jīng)網(wǎng)絡(luò)（GA-BP）預(yù)測得到的2.7 mm/min降雨強(qiáng)度下70°邊坡中5個(gè)含水率探頭處土體各時(shí)間點(diǎn)體積含水率與實(shí)測值之間的誤差如圖10所示。從圖10可以直觀地看出遺傳算法神經(jīng)網(wǎng)絡(luò)預(yù)測輸出與實(shí)測值之間的誤差明顯要比BP神經(jīng)網(wǎng)絡(luò)的低。結(jié)合圖10（b），以坡頂處2號探頭為例，BP神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)果最大相對誤差為44%，最小相對誤差為 0.24%；遺傳算法神經(jīng)網(wǎng)絡(luò)預(yù)測最大相對誤差為34%，最小相對誤差僅為0.06%。從全局出發(fā)將網(wǎng)絡(luò)預(yù)測輸出值與實(shí)測值相比較，BP神經(jīng)網(wǎng)絡(luò)預(yù)測輸出的平均相對誤差為7.2%，遺傳算法神經(jīng)網(wǎng)絡(luò)預(yù)測輸出平均相對誤差為3.7%。

網(wǎng)絡(luò)預(yù)測輸出的均方誤差EMS用下式進(jìn)行計(jì)算：

其中：ti為驗(yàn)證樣本的期望輸出；ai為網(wǎng)絡(luò)的預(yù)測輸出。BP神經(jīng)網(wǎng)絡(luò)的預(yù)測輸出與實(shí)測值之間的均方誤差為0.000 198，而遺傳算法神經(jīng)網(wǎng)絡(luò)的預(yù)測輸出與實(shí)際監(jiān)測值之間的均方誤差為0.000 109，說明遺傳算法神經(jīng)網(wǎng)絡(luò)預(yù)測精度比BP神經(jīng)網(wǎng)絡(luò)的預(yù)測精度高，能較準(zhǔn)確地描述降雨過程中路基邊坡土體含水率的變化過程。

圖10　網(wǎng)絡(luò)預(yù)測誤差Fig. 10 Forecast output errors of neural network

3　降雨入滲過程預(yù)測研究

利用神經(jīng)網(wǎng)絡(luò)，對2.7 mm/min降雨強(qiáng)度下40°邊坡中雨水的入滲過程進(jìn)行預(yù)測研究。網(wǎng)絡(luò)的訓(xùn)練數(shù)據(jù)選取室內(nèi)降雨試驗(yàn)中 3種降雨強(qiáng)度下所有邊坡共 78個(gè)監(jiān)測點(diǎn)的監(jiān)測數(shù)據(jù)，網(wǎng)絡(luò)結(jié)構(gòu)、參數(shù)等與前面的相同。以5 cm間距在坡體內(nèi)均勻選取77個(gè)含水率預(yù)測點(diǎn)，然后對這些預(yù)測點(diǎn)位置上土體的體積含水率隨時(shí)間的變化進(jìn)行預(yù)測。將得到的含水率進(jìn)行插值得到含水率等值線圖，見圖11，圖中黑色虛線表示濕潤鋒的位置。從圖11可以看出：雨水的入滲是從坡面向坡體內(nèi)部逐漸發(fā)展的，隨著降雨的進(jìn)行，雨水浸潤范圍不斷增大，在初期含水率等值線受入滲路徑控制基本平行于坡面；隨著降雨的進(jìn)行，坡腳的浸潤范圍比其他部位的大，而且這種趨勢隨著降雨的進(jìn)行越來越明顯。這是因?yàn)樵诮涤赀^程中，隨著入滲到邊坡內(nèi)的雨量越來越多，重力在入滲過程中的作用逐漸凸顯，除接受雨水直接入滲之外，上部土體中雨水在重力作用下不斷向坡腳處匯集。

圖11　40°邊坡中含水率等值線圖Fig. 11 Contour maps of moisture content in slope with angle of 40°

圖 12所示為試驗(yàn)過程中利用相機(jī)透過有機(jī)玻璃記錄的各時(shí)間點(diǎn)坡體內(nèi)濕潤鋒的位置，與圖11中依據(jù)預(yù)測數(shù)據(jù)得到的濕潤鋒位置較接近。

根據(jù)預(yù)測結(jié)果給出邊坡中豎直方向x=10 cm和水平方向y=10 cm這2個(gè)水分剖面上含水率的分布及濕潤鋒的變化過程，見圖13。從圖13可見：降雨期間，由淺到深土體的含水率逐漸增加，在10 min時(shí)濕潤鋒已全部進(jìn)入土體內(nèi)，坡面開始積水入滲；此后，隨降雨的進(jìn)行，濕潤鋒不斷向坡體內(nèi)部移動，在重力作用下雨水不斷向坡腳匯集，導(dǎo)致下部y=10 cm剖面上的入滲速率要大于x=10 cm剖面的入滲速率。圖14所示為入滲過程中2個(gè)水分剖面上濕潤鋒位置的預(yù)測值與實(shí)測值對比?？梢钥闯觯簣D中數(shù)據(jù)點(diǎn)基本都落在 y=x直線上，表明預(yù)測值與實(shí)測值接近。線性回歸數(shù)據(jù)統(tǒng)計(jì)結(jié)果見表4，表中回歸方程的斜率均接近1.0，且線性回歸的相關(guān)系數(shù)均較高。

圖12　40°邊坡中濕潤鋒的運(yùn)移過程Fig. 12 Transport process of wetting fronts in slope with angle of 40° during test

圖13　濕潤鋒運(yùn)移過程Fig. 13 Transport processes of wetting front on section with x=10 cm and y=10 cm

表4　濕潤鋒位置預(yù)測值與實(shí)測值線性回歸分析結(jié)果Table 4 Results of linear regression analysis of forecasted and measured wetting front position

圖14　濕潤鋒位置預(yù)測值與實(shí)測值對比Fig. 14 Comparison between forecasted and measured wetting front position

4　結(jié)論

1） 室內(nèi)模擬試驗(yàn)?zāi)軌驕?zhǔn)確地測量降雨過程中邊坡內(nèi)部不同位置土體含水率的變化情況。對于路基邊坡，土的性質(zhì)、壓實(shí)度、排水等條件相同，土體含水率由降雨歷時(shí)、土體空間位置、坡度和降雨強(qiáng)度共同控制。隨降雨的進(jìn)行，土體含水率逐漸增大，浸潤范圍不斷增大；受空間位置影響，距入滲面越遠(yuǎn)，則含水率變化滯后，增長速率及幅度減??；在相同雨強(qiáng)下，不同坡度邊坡坡頂土體含水率變化過程相似，而隨坡度的增大，坡腳土體含水率的增長速率及幅度逐漸減??；隨雨強(qiáng)增大，同一邊坡相同位置處土體含水率越早開始增大，其增長速率及幅度也隨之增加。

2） 遺傳算法優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)具備更快的收斂速率，其預(yù)測輸出與試驗(yàn)監(jiān)測值接近，預(yù)測結(jié)果平均相對誤差僅為3.7%，其均方誤差僅為0.000 109，比傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)的預(yù)測精度高。

3） 基于神經(jīng)網(wǎng)絡(luò)的含水率預(yù)測模型得到的濕潤鋒運(yùn)移過程與試驗(yàn)觀測結(jié)果基本吻合，且其很好地體現(xiàn)出重力作用下雨水向坡腳匯集這一實(shí)際現(xiàn)象。

4） 含水率的變化導(dǎo)致邊坡各種指標(biāo)變化。在進(jìn)一步研究中，可將含水率的預(yù)測值與水土特征曲線聯(lián)系起來計(jì)算邊坡內(nèi)吸力場的分布，得到土體抗剪強(qiáng)度，進(jìn)而實(shí)現(xiàn)對邊坡穩(wěn)定性的評價(jià)。

［1］ FREDLUND D G， RAHADJO H. Soil mechanics for unsaturated soils［M］. New York： John Wiley and Sons Inc， 1993：1-21.

［2］ O’KANE M， WILSON G W， BARBOUR S L. Instrumentation and monitoring of an engineered soil cover system for mine waste rock［J］. Can Geotech J， 1998， 35（5）： 828-846.

［3］ TU X B， KWONG A K L， DAI F C， et al. Field monitoring of rainfall infiltration in a loess slope and analysis of failure mechanism of rainfall-induced landslides［J］. Engineering Geology， 2009， 105（1）： 134-150.

［4］ 李萍， 李同錄， 王阿丹， 等. 黃土中水分遷移規(guī)律現(xiàn)場試驗(yàn)研究［J］. 巖土力學(xué)， 2013， 34（5）： 1331-1339. LI Ping， LI Tonglu， WANG Adan， et al. In-situ test research on regularities of water migration in loess［J］. Rock and Soil Mechanics， 2013， 34（5）： 1331-1339.

［5］ HUANG C C， YUIN S C. Experimental investigation of rainfall criteria for shallow slope failures［J］. Geomorphology， 2010，120（3）： 326-338.

［6］ 李煥強(qiáng)， 孫紅月， 孫新民， 等. 降雨入滲對邊坡性狀影響的模型實(shí)驗(yàn)研究［J］. 巖土工程學(xué)報(bào)， 2009， 31（4）： 589-594. LI Huanqiang， SUN Hongyue， SUN Xinmin， et al. Influence of

rainfall infiltration on slopes by physical model test［J］. Chinese Journal of Geotechnical Engineering， 2009， 31（4）： 589-594.

［7］ 朱元駿， 邵明安. 含礫石土壤降雨入滲過程模擬［J］. 水利科學(xué)進(jìn)展， 2010， 21（6）： 779-787. ZHU Yuanjun， SHAO Mingan. Simulation of rainfall infiltration in stony soil［J］. Advances in Water Science， 2010， 21（6）：779-787.

［8］ 蔣中明， 曾鈴， 付宏淵， 等. 降雨條件下厚覆蓋層邊坡的滲流特性［J］. 中南大學(xué)學(xué)報(bào)（自然科學(xué)版）， 2012， 43（7）： 2782-2788. JIANG Zhongming， ZENG Ling， FU Hongyuan， et al. Seepage characteristics of thick coating slope in raining condition［J］. Journal of Central South University （Science and Technology），2012， 43（7）： 2782-2788.

［9］ 王鐵行. 非飽和黃土路基水分場的數(shù)值分析［J］. 巖土工程學(xué)報(bào)， 2008， 30（1）： 41-45. WANG Tiehang. Moisture migration in unsaturated loess subgrade［J］. Chinese Journal of Geotechnical Engineering， 2008，30（1）： 41-45.

［10］ 徐黎明， 王清， 陳劍平， 等. 基于 BP神經(jīng)網(wǎng)絡(luò)的泥石流平均流速預(yù)測［J］. 吉林大學(xué)學(xué)報(bào)（地球科學(xué)版）， 2013， 43（1）：186-191. XU Liming， WANG Qing， CHEN Jianping， et al. Forecast for average velocity of debris flow based on BP neural network［J］. Journal of Jilin University （Earth Science Edition）， 2013， 43（1）：186-191.

［11］ 梁冰， 李剛， 王宗林. 基于BP 神經(jīng)網(wǎng)絡(luò)的降雨充水礦井涌水量預(yù)測［J］. 中國地質(zhì)災(zāi)害與防治學(xué)報(bào)， 2009， 20（1）： 122-125. LIANG Bing， LI Gang， WANG Zonglin. Prediction of water inflow of mine with rainfall yield based on BP artificial neural network［J］. The Chinese Journal of Geological Hazard and Control， 2009， 20（1）： 122-125.

［12］ VAN GENUCHTEN M T H. A closed-form equation for predicting the hydraulic conductivity of unsaturated soils［J］. Soil Science Society of America Journal， 1980， 44： 892-898.

［13］ FREDLUND D G， XING A Q. Equations for the soil-water characteristic crave［J］. Canadian Geotechnical Journal， 1994，31（4）： 521-532.

［14］ GARDNER W R. Field measurement of soil water diffusivity［J］. Soil Science Society of America Proceedings， 1970， 34（5）：832-833.

［15］ 潘昊， 王曉勇， 陳瓊， 等. 基于遺傳算法的BP計(jì)算機(jī)應(yīng)用［J］.計(jì)算機(jī)應(yīng)用， 2005， 25（12）： 2777-2779. PAN Hao， WANG Xiaoyong， CHEN Qiong， et al. Application of BP neural network based on genetic algorithm［J］. Computer Applications， 2005， 25（12）： 2777-2779.

（編輯 陳燦華）

Rainfall infiltration test on subgrade slope and study on moisture migration by neural network

WU Qian， WANG Changming， WANG Tianzuo， HUANG Xiaohu， ZHANG Zhimin， ZHANG Zhaonan

（College of Construction Engineering， Jilin University， Changchun 130026， China）

A series of rainfall tests with different rainfall intensities and different slope angles were carried out in laboratory to study the variation law of moisture content and the infiltration process in subgrade slope. According to the test results， the subgrade slope with the same engineering properties of soil， compaction degree and drainage condition were found， the moisture content was jointly influenced by four factors， i.e. rainfall duration， position of soil mass， slope angle and rainfall intensity. Taking the four factors as input units and the volume moisture content as output unit， the moisture content forecast model with genetic algorithm based on neural network was established. After prediction test，the neural network was used to forecast the infiltration process in slope with angle of 40° at rainfall intensity of 2.7 mm/min. The results show that as the rainfall lasts， the soil moisture content increases and the infiltrated area in the slope is extended. With the increase of distance from soil mass to infiltrate surface， the change of moisture content lags， and the increasing rate and amplitude of moisture content decrease. At the same rainfall intensity， the change process of moisture content at the top of the slopes with different slope angles is similar， whereas the increasing rate and amplitude of that at the toe of the slopes decrease with the increase of slope angle. When the slope angle remains unchanged， the increasing rate and amplitude of soil moisture content at similar position increase with the increase of rainfall intensity， and beginsto change earlier. The forecasted infiltration process in slope is consistent with the observation result by rainfall test，which indicates that the neural network can exactly forecast the variation of moisture content and infiltration process in subgrade slope.

subgrade slope； volume moisture content； genetic algorithm based neural network； forecast model；infiltration process

TU444

A

1672-7207（2016）04-1237-08

10.11817/j.issn.1672-7207.2016.04.021

2015-04-02；

2015-05-26

國家自然科學(xué)基金資助項(xiàng)目（40972171）；吉林大學(xué)研究生創(chuàng)新基金資助項(xiàng)目（2014065）（Project （40972171） supported by the National Natural Science Foundation of China； Project （2014065） supported by the Graduate Innovation Fund of Jilin University）

王常明，博士，教授，從事巖土力學(xué)研究；E-mail：wangcm@jlu.edu.cn