雷海智 謝繼香

摘要：基于滑坡變形監(jiān)測(cè)數(shù)據(jù)，先利用優(yōu)化長(zhǎng)短期記憶人工神經(jīng)網(wǎng)絡(luò)構(gòu)建滑坡變形預(yù)測(cè)模型，再利用重標(biāo)極差法進(jìn)行滑坡變形趨勢(shì)判斷研究，最后通過(guò)兩者結(jié)果的對(duì)比綜合評(píng)價(jià)滑坡變形規(guī)律．實(shí)例分析表明：滑坡變形預(yù)測(cè)結(jié)果的平均相對(duì)誤差為1.95%～2.03%，預(yù)測(cè)效果較優(yōu)；外推預(yù)測(cè)的統(tǒng)計(jì)分析表明，滑坡變形仍會(huì)持續(xù)增加；變形趨勢(shì)判斷得到的滑坡變形序列的Hurst指數(shù)均大于0.5，具正向增加趨勢(shì).因此，兩者結(jié)果對(duì)比，得出滑坡變形向不利方向發(fā)展，建議加強(qiáng)滑坡災(zāi)害防治措施．

關(guān)鍵詞：滑坡；長(zhǎng)短期記憶人工神經(jīng)網(wǎng)絡(luò)；變形預(yù)測(cè)；重標(biāo)極差法；趨勢(shì)判斷

中圖分類號(hào)：P 642.2 文獻(xiàn)標(biāo)志碼：A 文章編號(hào)：1001-988Ⅹ（2023）04-0129-06

0 引言

古滑坡形成年代較長(zhǎng)，地表受長(zhǎng)期外營(yíng)力影響，使得坡體結(jié)構(gòu)較為復(fù)雜，受后期不利因素誘發(fā)，可能促使其復(fù)活，潛在威脅較大［1-3］，且考慮到滑坡變形能有效反映其穩(wěn)定狀態(tài)，因此，開(kāi)展滑坡變形規(guī)律研究是十分必要的［4-5］.值得指出的是，單一分析方法難以保證分析結(jié)果的準(zhǔn)確性，為充分研究滑坡變形規(guī)律，可將其分析過(guò)程劃分為變形預(yù)測(cè)和趨勢(shì)判斷兩方面．目前，已有一些學(xué)者開(kāi)展了滑坡變形預(yù)測(cè)研究，如袁乾博等［6］、潘國(guó)榮等［7］分別利用支持向量機(jī)和灰色模型構(gòu)建了滑坡變形預(yù)測(cè)模型．在滑坡變形趨勢(shì)判斷研究方面，李秋全等［8］、栗燊等［9］利用重標(biāo)極差法實(shí)現(xiàn)了滑坡變形趨勢(shì)判斷，驗(yàn)證了該方法在滑坡變形趨勢(shì)判斷中的適用性．基于滑坡變形監(jiān)測(cè)成果，本文以長(zhǎng)短期記憶（Long-short term memory， LSTM）人工神經(jīng)網(wǎng)絡(luò)為理論基礎(chǔ)構(gòu)建滑坡變形預(yù)測(cè)模型，并且為實(shí)現(xiàn)高精度預(yù)測(cè)，先利用改進(jìn)混合蛙跳算法優(yōu)化模型參數(shù)，再利用ARIMA模型實(shí)現(xiàn)誤差修正預(yù)測(cè)；同時(shí)，利用重標(biāo)極差法進(jìn)行滑坡變形趨勢(shì)判斷，以掌握滑坡變形的發(fā)展趨勢(shì)；最后，對(duì)比滑坡變形預(yù)測(cè)結(jié)果和趨勢(shì)判斷結(jié)果，綜合評(píng)價(jià)其變化規(guī)律.本研究可以為滑坡災(zāi)害防治措施的制定提供一定的理論指導(dǎo)．

1 基本原理

本文重點(diǎn)開(kāi)展滑坡變形預(yù)測(cè)分析和趨勢(shì)判斷研究，分析流程為：先以LSTM模型為理論基礎(chǔ)，構(gòu)建滑坡變形預(yù)測(cè)模型，且為保證模型參數(shù)的最優(yōu)性，利用改進(jìn)混合蛙跳算法（Improved shuffled frog leaping algorithm， ISFLA）進(jìn)行參數(shù)優(yōu)化處理，并利用ARIMA模型進(jìn)行ISFLA-LSTM模型預(yù)測(cè)誤差的修正預(yù)測(cè)，以保證預(yù)測(cè)精度；其次，利用重標(biāo)極差法（Rescaled range， R/S）構(gòu)建滑坡變形趨勢(shì)判斷模型．

1.1 變形預(yù)測(cè)模型

LSTM模型是一種新型神經(jīng)網(wǎng)絡(luò)，不僅具有傳統(tǒng)三層單元結(jié)構(gòu)，還新增了記憶單元結(jié)構(gòu)，相較傳統(tǒng)神經(jīng)網(wǎng)絡(luò)具有顯著的優(yōu)越性［10-16］．值得指出的是，LSTM模型雖具有較優(yōu)的預(yù)測(cè)效果，但其學(xué)習(xí)率及窗口大小參數(shù)對(duì)預(yù)測(cè)效果具有直接影響，因此，為保證預(yù)測(cè)精度，需對(duì)其進(jìn)行優(yōu)化處理．考慮到混合蛙跳算法的全局尋優(yōu)能力，利用其實(shí)現(xiàn)LSTM模型的參數(shù)優(yōu)化是可行的，即利用混合蛙跳算法對(duì)LSTM的學(xué)習(xí)率及窗口大小參數(shù)進(jìn)行全局尋優(yōu)．SFLA算法的優(yōu)化思想為：將優(yōu)化問(wèn)題視為一個(gè)青蛙種群的解問(wèn)題，即將蛙群劃分為若干子群，并按一定的更新策略進(jìn)行搜索優(yōu)化．在SFLA算法中，受較優(yōu)個(gè)體青蛙的影響，次級(jí)青蛙會(huì)因追逐食物而向較優(yōu)青蛙靠近，但受規(guī)則限制，次級(jí)青蛙的搜索范圍受到限制，降低了群體的搜索能力，易出現(xiàn)早熟現(xiàn)象.為克服該問(wèn)題，ISFLA算法應(yīng)運(yùn)而生，其沖破了不當(dāng)限制，增加了蛙群的全局尋優(yōu)能力．

SFLA算法的優(yōu)化處理，雖有效保證了LSTM模型參數(shù)的最優(yōu)性，但限于滑坡變形的非線性特征，ISFLA-LSTM模型的預(yù)測(cè)值與實(shí)測(cè)值仍存在一定差異.為保證滑坡變形的高精度預(yù)測(cè)，本文再利用ARIMA模型進(jìn)行誤差修正預(yù)測(cè)，構(gòu)建出ISFLA-LSTM-ARIMA模型．

2 實(shí)例分析

2.1 工程概況

某滑坡體屬黃土坡滑坡的子滑坡，東西側(cè)地形相對(duì)較高，南北側(cè)相對(duì)較低，總體地形起伏較大，地表形態(tài)具“陡-緩-陡”特征，斜坡坡度介于15°～35°之間［11］.滑坡區(qū)第四系地層主要有三類成因，即滑坡堆積層、崩坡積層和殘坡積層，巖性以碎石土為主；下覆基巖為三疊系巴東組泥灰?guī)r，厚度相對(duì)較大，節(jié)理裂隙發(fā)育．據(jù)現(xiàn)場(chǎng)調(diào)查，滑坡體縱向長(zhǎng)約770 m，寬度約500 m，面積約32.5萬(wàn)m2，厚度變化差異較大，平均厚度約70 m，體積約2 255.5萬(wàn)m3，屬超深層巨型滑坡；取樣試驗(yàn)成果顯示，滑坡的形成年代為54～19萬(wàn)年前，歷史上經(jīng)歷了三次重大變形，分別發(fā)生于40～38萬(wàn)年、31～30萬(wàn)年、22～18萬(wàn)年，具古滑坡特征．

據(jù)現(xiàn)場(chǎng)鉆探，滑坡物質(zhì)組成具體為：

① 滑體物質(zhì)．滑體巖性以碎石土為主，中密，棕紅色，碎石以泥質(zhì)灰?guī)r為主，磨圓度較差，多呈次棱角～棱角狀，粒間以粉土充填為主，土石比例為2∶8～3∶7.

② 滑帶物質(zhì)．滑帶巖性以粉質(zhì)粘土為主，可塑狀，多呈具稍密～密實(shí)狀態(tài)，含少量碎石和碎屑，土石比例為6∶4～8∶2，碎石和碎屑的母巖成分主要為泥質(zhì)灰?guī)r．

③ 滑床物質(zhì)．滑床主要為三疊系巴東組泥質(zhì)灰?guī)r，中厚層狀，層厚20～40 m，傾向?yàn)?35°～358°，傾角為34°～47°．

受不利因素影響，該滑坡體規(guī)模較大且具復(fù)活特征，一旦失穩(wěn)，存在堵塞航運(yùn)安全的風(fēng)險(xiǎn)．據(jù)變形監(jiān)測(cè)成果，G7監(jiān)測(cè)點(diǎn)（位于滑坡中前部）、G9監(jiān)測(cè)點(diǎn)（位于滑坡中后部）、G11監(jiān)測(cè)點(diǎn)（位于滑坡后緣）和G18監(jiān)測(cè)點(diǎn)（位于滑坡中后部）的變形數(shù)據(jù)較為完善，所以本文以這4個(gè)監(jiān)測(cè)點(diǎn)為數(shù)據(jù)來(lái)源，進(jìn)行滑坡變形預(yù)測(cè)分析和趨勢(shì)判斷研究．在監(jiān)測(cè)過(guò)程中，按每月1次的頻率監(jiān)測(cè)，監(jiān)測(cè)時(shí)間為2003年3月至2011年6月，共計(jì)得到100個(gè)監(jiān)測(cè)周期，監(jiān)測(cè)結(jié)果如表1所示（數(shù)據(jù)來(lái)源于文獻(xiàn)［21］，限于篇幅，對(duì)部分?jǐn)?shù)據(jù)進(jìn)行了省略處理）．

2.2 變形預(yù)測(cè)的結(jié)果分析

變形預(yù)測(cè)過(guò)程分為中期預(yù)測(cè)和后期預(yù)測(cè)，中期預(yù)測(cè)：訓(xùn)練樣本為1～45周期數(shù)據(jù)，驗(yàn)證樣本為46～50周期數(shù)據(jù)；后期預(yù)測(cè)：訓(xùn)練樣本為1～95周期數(shù)據(jù)，驗(yàn)證樣本為96～100周期數(shù)據(jù)，對(duì)101～104周期進(jìn)行外推預(yù)測(cè)．

2.2.1 中期預(yù)測(cè) 首先，以G7監(jiān)測(cè)點(diǎn)中期預(yù)測(cè)為例，先對(duì)LSTM模型的學(xué)習(xí)率及窗口大小參數(shù)進(jìn)行優(yōu)化處理；為對(duì)比SFLA算法和ISFLA算法的優(yōu)化效果，對(duì)LSTM模型、SFLA-LSTM模型和ISFLA-LSTM模型的預(yù)測(cè)結(jié)果進(jìn)行統(tǒng)計(jì)分析，結(jié)果見(jiàn)表2．由表2可知，ISFLA-LSTM模型具有更小的相對(duì)誤差，其次是SFLA-LSTM模型和LSTM模型，說(shuō)明學(xué)習(xí)率及窗口大小參數(shù)的優(yōu)化處理能有效提高預(yù)測(cè)精度；ISFLA算法較SFLA算法具有更佳的優(yōu)化效果，驗(yàn)證了利用ISFLA算法進(jìn)行LSTM模型參數(shù)優(yōu)化的有效性和合理性．

其次，在ISFLA-LSTM模型預(yù)測(cè)基礎(chǔ)上利用ARIMA模型進(jìn)行誤差修正預(yù)測(cè)，以提高預(yù)測(cè)精度，修正后的預(yù)測(cè)結(jié)果見(jiàn)表3．由表3可見(jiàn)，G7監(jiān)測(cè)點(diǎn)中期預(yù)測(cè)結(jié)果的相對(duì)誤差分布范圍為1.88%～2.03%，平均相對(duì)誤差為1.96%，預(yù)測(cè)精度較高，且較ISFLA-LSTM模型的預(yù)測(cè)結(jié)果有了明顯提高，驗(yàn)證了本文分析思路的有效性．

最后，以G7監(jiān)測(cè)點(diǎn)為例，對(duì)剩余3個(gè)監(jiān)測(cè)點(diǎn)進(jìn)行同步中期預(yù)測(cè)，結(jié)果見(jiàn)表4．由表4可知，在中期預(yù)測(cè)中，G9，G11和G18監(jiān)測(cè)點(diǎn)預(yù)測(cè)結(jié)果的平均相對(duì)誤差為1.97%～2.02%，變化范圍較小，且與G7監(jiān)測(cè)點(diǎn)的預(yù)測(cè)精度相當(dāng)，校核了論文預(yù)測(cè)思路的有效性．

滑坡變形中期預(yù)測(cè)不僅驗(yàn)證了各優(yōu)化處理方法的有效性，也驗(yàn)證了本文預(yù)測(cè)思路在滑坡變形預(yù)測(cè)中具有較高的預(yù)測(cè)精度和較強(qiáng)的適用性．

2.2.2 后期預(yù)測(cè) 滑坡變形的后期及外推預(yù)測(cè)結(jié)果見(jiàn)表5．由表5可知，在后期預(yù)測(cè)結(jié)果中，4個(gè)監(jiān)測(cè)點(diǎn)的平均相對(duì)誤差為1.95%～2.03%，誤差和變化范圍均較小.由外推預(yù)測(cè)結(jié)果可知，滑坡變形無(wú)明顯的收斂趨勢(shì)，變形量會(huì)持續(xù)增加，往不利方向發(fā)展．

2.3 滑坡變形的趨勢(shì)判斷

將滑坡變形的分析過(guò)程分為兩個(gè)步驟，其中步驟1為滑坡變形趨勢(shì)的總體評(píng)價(jià)，即以所有監(jiān)測(cè)樣本進(jìn)行R/S分析，以對(duì)比預(yù)測(cè)結(jié)果；步驟2為滑坡變形趨勢(shì)的分階段評(píng)價(jià)，即將滑坡樣本劃分為4個(gè)周期范圍，每個(gè)范圍25期，以評(píng)價(jià)滑坡變形趨勢(shì)的階段性發(fā)展特征．

2.3.1 滑坡整體變形趨勢(shì)評(píng)價(jià) 對(duì)滑坡所有變形數(shù)據(jù)進(jìn)行R/S分析，得到4個(gè)監(jiān)測(cè)點(diǎn)的整體變形趨勢(shì)評(píng)價(jià)結(jié)果見(jiàn)表6．據(jù)表6可知，各監(jiān)測(cè)點(diǎn)的擬合度均大于0.9，擬合效果較好；所有監(jiān)測(cè)點(diǎn)的Hurst指數(shù)值均大于0.5，滑坡變形呈增加趨勢(shì)；G7監(jiān)測(cè)點(diǎn)的Hurst指數(shù)最大，為0.873，說(shuō)明其趨勢(shì)性最大，其次為G9，G18和G11監(jiān)測(cè)點(diǎn)；4個(gè)監(jiān)測(cè)點(diǎn)的CM值均大于0，說(shuō)明其均呈正相關(guān)．

2.3.2 滑坡變形的分階段趨勢(shì)評(píng)價(jià) 將滑坡監(jiān)測(cè)結(jié)果分為4個(gè)周期范圍，并對(duì)各周期范圍均進(jìn)行R/S分析，結(jié)果見(jiàn)表7．由表7可以看出，不同周期范圍的擬合度均較趨近于1，說(shuō)明該過(guò)程的分析結(jié)果具有較高的可信度；不同周期范圍條件下的Hurst指數(shù)均大于0.5，但未見(jiàn)明顯變化規(guī)律；4個(gè)監(jiān)測(cè)點(diǎn)的變形一直具有增加趨勢(shì)，但趨勢(shì)性隨時(shí)間持續(xù)具有一定的差異；CM值均大于0，說(shuō)明滑坡變形序列始終具正相關(guān)特征．變形趨勢(shì)判斷結(jié)果顯示，滑坡變形具有正向增加趨勢(shì)，且趨勢(shì)性相對(duì)偏高．

2.4 滑坡變形規(guī)律的綜合評(píng)價(jià)

基于變形預(yù)測(cè)和趨勢(shì)判斷結(jié)果，對(duì)滑坡體的變形規(guī)律進(jìn)行綜合分析，得到：

1）滑坡變形預(yù)測(cè)結(jié)果．滑坡變形無(wú)明顯的收斂趨勢(shì)，變形量會(huì)持續(xù)增加，往不利方向發(fā)展．

2）滑坡變形趨勢(shì)判斷結(jié)果．滑坡變形序列的Hurst指數(shù)均大于0.5，且偏離0.5的程度較大，所以滑坡變形具正向增加趨勢(shì)，且趨勢(shì)性較高．

綜合兩種分析結(jié)果得到，滑坡變形預(yù)測(cè)結(jié)果與趨勢(shì)判斷結(jié)果基本一致，滑坡體的變形會(huì)進(jìn)一步增加，所以需加強(qiáng)災(zāi)害防治，避免成災(zāi)損失．

3 結(jié)論

通過(guò)對(duì)滑坡體的變形預(yù)測(cè)和趨勢(shì)判斷研究，主要得出如下結(jié)論：

1）在滑坡變形預(yù)測(cè)過(guò)程中，可通過(guò)參數(shù)優(yōu)化提高預(yù)測(cè)精度，且ISFLA算法的優(yōu)化效果較好，ARIMA模型具有較強(qiáng)的誤差修正能力；據(jù)實(shí)例檢驗(yàn)，ISFLA-LSTM-ARIMA模型具有較優(yōu)的預(yù)測(cè)精度，適用于滑坡變形預(yù)測(cè)．

2）在滑坡變形趨勢(shì)判斷過(guò)程中，不同階段的Hurst指數(shù)均大于0.5，但未見(jiàn)明顯變化規(guī)律，所以4個(gè)監(jiān)測(cè)點(diǎn)的變形一直具有增加趨勢(shì)，但趨勢(shì)性隨時(shí)間持續(xù)具有一定的差異．

3）滑坡變形預(yù)測(cè)結(jié)果與趨勢(shì)判斷結(jié)果基本一致，滑坡體的變形會(huì)進(jìn)一步增加，但無(wú)收斂趨勢(shì)．

參考文獻(xiàn)：

［1］ 黃達(dá)，顧東明，陳智強(qiáng)，等．三峽庫(kù)區(qū)塔坪H2古滑坡臺(tái)階狀復(fù)活變形的庫(kù)水-降雨耦合作用機(jī)制［J］.巖土工程學(xué)報(bào)，2017，39（12）：2203．

［2］ 周克明．某水庫(kù)庫(kù)區(qū)古滑坡體安全監(jiān)測(cè)與資料分析［J］.人民長(zhǎng)江，2016，47（15）：59．

［3］ 陳超，任光明，吳龍科，等．西南某水電站庫(kù)區(qū)古滑坡堵江成因及變形破壞機(jī)理研究［J］.長(zhǎng)江科學(xué)院院報(bào)，2016，33（6）：94．

［4］ 薛曉輝，周玲，秦愛(ài)紅．庫(kù)岸涉水滑坡危險(xiǎn)性現(xiàn)狀分析與預(yù)測(cè)評(píng)價(jià)［J］.中國(guó)安全生產(chǎn)科學(xué)技術(shù)，2021，17（5）：169．

［5］ 鄧小鵬，相興華，王小敏．涉水滑坡巖土體參數(shù)弱化機(jī)理及變形預(yù)測(cè)［J］.水力發(fā)電，2020，46（9）：69．

［6］ 袁乾博，肖詩(shī)榮，李春霞，等．基于GLSSVM模型的三門洞滑坡變形預(yù)測(cè)研究［J］.人民長(zhǎng)江，2020，51（7）：130．

［7］ 潘國(guó)榮，喬立洋，王穗輝．半?yún)?shù)改進(jìn)灰色模型在滑坡變形預(yù)測(cè)中的應(yīng)用［J］.測(cè)繪科學(xué)，2019，44（9）：164．

［8］ 李秋全，郝付軍．三峽庫(kù)區(qū)堆積層滑坡的變形趨勢(shì)判斷及預(yù)測(cè)［J］.水利水電技術(shù)，2019，50（5）：228．

［9］ 栗燊，拉換才讓，楊振興．應(yīng)用不同去噪方法及分形理論判斷滑坡變形趨勢(shì)［J］.人民長(zhǎng)江，2017，48（1）：43．

［10］ 王占巍，趙發(fā)睿，謝文蘋，等．青海省高家灣滑坡的形成條件分析及穩(wěn)定性評(píng)價(jià)［J］.水土保持通報(bào)，2020，40（3）：81．

［11］ 馮非凡，武雪玲，牛瑞卿，等．一種V/S和LSTM結(jié)合的滑坡變形分析方法［J］.武漢大學(xué)學(xué)報(bào)（信息科學(xué)版），2019，44（5）：784．

［12］ 楊背背，殷坤龍，杜娟．基于時(shí)間序列與長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)的滑坡位移動(dòng)態(tài)預(yù)測(cè)模型［J］.巖石力學(xué)與工程學(xué)報(bào)，2018，37（10）：2334．

［13］ 鄢好，陳驕銳，李紹紅，等．基于時(shí)間序列和GRU的滑坡位移預(yù)測(cè)［J］.人民長(zhǎng)江，2021，52（1）：102．

［14］ 唐旺，馬尚昌，陳銳．基于LSTM的川西北地區(qū)降雨型泥石流預(yù)警方法［J］.桂林理工大學(xué)學(xué)報(bào)，2020，40（4）：719．

［15］ 宋麗偉．基于經(jīng)驗(yàn)?zāi)B(tài)分解和LSTM模型的滑坡位移預(yù)測(cè)［J］.人民長(zhǎng)江，2020，51（5）：144．

［16］ 孫一清，李德?tīng)I(yíng)，殷坤龍，等．三峽庫(kù)區(qū)堆積層滑坡間歇性活動(dòng)預(yù)測(cè)：以白水河滑坡為例［J］.地質(zhì)科技情報(bào)，2019，38（5）：195．

［17］ 曹恩華，包騰飛，劉永濤，等．基于EMD-RVM-Arima的大壩變形預(yù)測(cè)模型及其應(yīng)用［J］.水利水電技術(shù)，2018，49（12）：59．

［18］ 羅林，左昌群，趙連，等．基于BP神經(jīng)網(wǎng)絡(luò)和R/S分析的隧道仰坡沉降變形預(yù)報(bào)預(yù)測(cè)［J］.施工技術(shù)，2014，43（11）：80．

［19］ 王偉，殷坤龍，曹穎．結(jié)合監(jiān)測(cè)位移R/S分析的樹坪滑坡穩(wěn)定性綜合評(píng)價(jià)［J］.安全與環(huán)境工程，2014，21（2）：19．

［20］ 張偉森，吳大勇．R/S分析法在盾構(gòu)下穿機(jī)場(chǎng)過(guò)程中的地表變形規(guī)律研究［J］.鐵道標(biāo)準(zhǔn)設(shè)計(jì)，2018，62（3）：101．

［21］ 唐輝明，魯莎．三峽庫(kù)區(qū)黃土坡滑坡滑帶空間分布特征研究［J］.工程地質(zhì)學(xué)報(bào)，2018，26（1）：129．

（責(zé)任編輯 馬宇鴻）