滑坡预测预报模型和监测数据间适应性思索.docVIP

滑坡预测预报模型和监测数据间适应性思索 　　摘要：现今有大量的滑坡预测预报模型，为了能够使滑坡预测预报模型的应用上更具有针对性,使滑坡预测预报能更加准确，在黄茨滑坡位移监测数据的基础上，对其滑动时间采用Verhulst灰色模型和斋藤蠕变模型进行反演计算，发现同一个预测预报模型在采用不同的监测时间点及其对应的数据时能够对滑坡滑动的预报时间得出截然不同的结果，所以在今后滑坡预测预报模型的应用上应该尽量考虑到数据与该模型的相互适应性，在现有监测数据的条件下，通过多种数据组合及多种模型计算相互印证从而得出最佳的预测预报结果。 关键词：滑坡预测预报；Verhulst灰色模型；蠕变模型 中图分类号：P642.2 文献标识码：A 滑坡时间的预测预报一直以来都是一个世界难题，很多专家学者都致力于得出合适的模型从而来尽可能准确的预测滑坡发生的时间，常见的预测预报模型有黄金分割法模型、生物生长模型、蠕变理论模型、回归模型、苏爱军模型等，在这些模型的基础上结合铁道部科学研究院西北分院对黄茨滑坡半年来的监测数据，对黄茨滑坡发生的时间采用了生物生长模型中的Verhulst灰色模型和蠕变理论模型这两个模型进行反演预测计算，发现每个模型都有各自的适应性和对数据等的特殊要求性，我们需要在今后的滑坡时间预测预报上找到这些模型的适应条件才能更好的应用它。 1 黄茨滑坡位移检测数据 黄茨滑坡共采用了7种监测方法，分别为地面监测网、机械式自记单点位移计、沉降监测桩、简易监测桩、地面倾斜盘、钻孔测斜、电子式自计单点位移计。在这里采用电子式自计单点位移计所给出的数据，与其他几种方法的监测数据相对比该方法记录的滑坡蠕变位移数据可靠，而且仪器的灵敏度较高。电子式自计单点位移计先后共安装了3个，编号分别为B1，B2，B3记数时间间隔为10min，为了更好的适应模型的数据要求我们采用B2仪器记录的数据中1995年1月23至1月25的连续数据为计算数据，具体监测结果如下表1-1所示。 表1-1B2位移监测数据 2Verhulst灰色模型的预测预报分析 Verhulst灰色模型是德国数学家、生物学家Verhulst在1837年建立的，本来该模型是应用于生物繁殖量随时间发展变化的预测。但是当运用这个模型对国内外几个重大滑坡进行反演预测研究后，发现Verhulst灰色模型对滑坡临滑时间预测预报具有很好的适用性。Verhulst灰色模型的微分方程形式为： (1) 式中：a、b是系数，随不同的滑坡类型和不同的位移阶段而变化，采用灰色求解。 若用x代表滑坡的位移，则（1）式中左边为位移随时间变化的速率，并且位移速率在初始阶段（x较小时）随位移的增大而增大。当位移增大到某一量值时，达极大值，随后阶段的位移速率减缓。我们用达到极大值的时间作为滑坡剧滑时间的预测值，其初期的增长过程反映滑坡自身演化的进程，式(1)的解为： (2) 为初始位移及初始时间。当时，达最大值，所对应的时刻为滑坡发生时间的预测值。 邓聚龙认为一切随机变量可视为一定范围内变化的灰色量；对其进行累加处理，则相应生成数据，可淡化随机因素对原始监测数据的影响，体现出较强的动态规律。模型建立及处理过程如下： 首先，结合（1）和（2）两式生成累加数列： (3) 式中：为原始监测数据。 其次，由式（2）和(3)可得形如式(4)的一阶非线性微分方程： (4) 对（4）式求解，得： (5) 将a/2b取代（5）式的左端，便可得到滑坡发生时间t的简单表达式： 式中：分别为起始监测位移及时间。 下面用灰色方法求解系数a和b，滑坡位移原始监测数据(等时间距一)为： 原始数据的一次累加生成AGO处理： 以=1天为间隔等间距，截取单点位移计（B2）1月23日至29日位移监测数据，如表1-1所示。基于Verhulst预测模型，并依据监测数据进行矩阵预算，得出a，b值及预测时间t计算结果如下表2-1所示。 表2-1基于Verhulst预测模型预测时间值 由表格2-1所示的计算结果可以得出，基于Verhulst预测模型根据单点位移计B2 监测数据，预测黄茨滑坡下滑时间为：1月30日00时15分，这个时间非常接近黄茨滑坡滑动的时间： 1月30日02时30分，仅仅相差了75分钟，说明我们选用的数据和方法的适应性较好。 3 斋藤蠕变模型的预测预报分析 日本学者斋藤迪孝于1965年，根据岩土体蠕变三阶段变形理论，提出了基于蠕变第二、三阶段的滑坡时间预报经验法，斋藤法是以岩土体蠕变理论为基础、以应变速率为基本参数，在一定程度上反映了坡体变形的本质