一种滑坡监测数据对数拟合的预测预报方法

摘要

本发明涉及一种滑坡监测数据对数拟合的预测预报方法，先设定滑坡对数模型预测的形式，根据非线性曲线拟合的方法对数据进行拟合，求出未定常数项，确定预测预报模型；再根据预测预报模型对滑坡后期的发展进行预测，判断滑坡是否失稳以及预测滑坡发生剧滑的时间。该模型不仅能判断滑坡是否稳定，而且能精确判断滑坡最可能发生剧滑的时间。该模型是一种动态性预报，每增加一个监测数据，便可以拟合出一个新的曲线，可以及时把握变形的动态发展趋势；通过新旧曲线得到的预报结果的对比，可以相互验证其拟合结果的准确性。能判断滑坡是否会发生加速滑动，有效预测滑坡的变形量，滑移速度和加速度，并预测滑坡最可能快速滑动的时间。

说明书

技术领域：

本发明涉及一种滑坡预测预报方法，尤其是针对一次滑动型滑坡监测数据对 数拟合的预测预报方法。

背景技术：

滑坡预测预报的方法一般可以分为以下四类：

1、基于实测资料的经验方法(典型曲线法、剖面函数法)：通过对滑坡进行 实时监测(包括应力监测和位移监测),确定各种应力位移值的函数形式(解析公 式、曲线或表格等)和预计参数的经验公式。

2、试验(包括现场试验和室内试验)：通过试验方法求出岩土体的力学参数 (粘聚力和摩擦角等)，采用理论方法(不平衡推力法，Janbu法，Sarma法 等)计算其稳定性系数，进而预测滑坡的稳定性。

3、模型模拟：通过建立相似模型，模拟滑坡形态，滑动过程以及滑坡诱因 等，其关键在于相似性的确定(不仅仅是几何相似，也包括材料相似以及重力加 速度等方面的相似拟合。)

4、除此之外，有限单元，离散元等方法也经常用于模拟滑坡的应力和变形 特征；非线性方法(模糊评价，神经网络等)在滑坡稳定性预测预报也有广泛应 用。

滑坡的预测预报从M.Saito提出滑坡时间预报经验公式算起，已有四十多年 历史。研究从定性到定量，从简易监测到GPS和三维精确监测，从稳定性系数 计算到引入影响因素，应用非线性方法，滑坡预测的理论和方式逐渐多样化，复 杂化和精确化。

我国在滑坡预测预报方面大致可分为三个阶段：60-70年代，主要是定性判 断，辅以少量定量计算，监测方式简单且单一；80年代，逐渐过渡到定量计算， 主要以位移进行定量预报；90年代以后，引入非线性方法，神经网络等方法， 同时关注影响因素，将定量的数据(位移和应力)与影响因素相结合。

滑坡预报中，Saito以大量实验证明，土体滑坡加速滑动蠕变速率与破坏时 间成线性相关，并以此建立了预测模型(Satio M.1965,Forcasting the time  to occurrence of a slope failure,Proc.6th Int.Conf.S.M.F.E,Montreal, 2:537-541)，这是前期滑坡的经验预测，也被认为是滑坡预报的开始；许强等 (许强，黄润秋，1995，加卸载响应比理论探讨边坡失稳前兆，中国地质灾害 与防治学报，6(2):25-30)通过滑坡的位移和应力的分析，对加荷卸荷状态下的 滑坡进行预报；沈强等(沈强，陈从新，汪稳，2006，边坡位移预测的RBF 神经网络方法，岩石力学与工程学报，25(51):2882～2887.)利用非线性方法， 实现样本的反复学习处理，建立了滑坡位移预报模型。

CN103605903A公开了一种“滑坡时间中短期预报方法”以位移动态为 参数，建立了滑坡时间中短期预报多项式模型，该方法采用二次函数对滑坡进行 预报，通过不同曲线形式的拟合，对滑坡的预测结果进行对比分析；二次函数的 二阶偏导为常数，即该模型假设加速度是一个与时间无关常数项。

发明内容：

本发明的目的是针对上述现有技术的不足，提供一种考虑到加速度随时间的 变化，进而分析其受力过程，通过滑坡位移监测，采用对数模型对滑坡的稳定性 和失稳时间进行判断和预测。

本发明的目的是通过以下技术方案实现的：

一种滑坡监测数据对数拟合的预测预报方法，先设定滑坡对数模型预测的形 式，根据非线性曲线拟合的方法对数据进行拟合，求出未定常数项，确定预测预 报模型；再根据预测预报模型对滑坡后期的发展进行预测，判断滑坡是否失稳以 及预测滑坡发生剧滑的时间。

一种滑坡监测数据对数拟合的预测预报方法，包括以下步骤：

a、数据处理：将滑坡的数据整理成为一个(文件名).txt文件，其中第一列为 时间(t/d)，第二列为水平位移(x/cm),第三列为数值位移(y/cm)。(水平 位移以与滑坡滑动方向一致为正，竖直位移以向下为正)；

b、数据录入：将(文件名).txt文件录入开采沉陷变形预测预报模型；

c、数据选择：可以选择x位移、y位移或合位移进行曲线拟合；(单一选择， 需要多种位移可以重复计算；可以根据监测点所在位置有目的地选择。)

d、数据文件中的数据项使用，包括使用全部数据项或仅使用前__个数据项；

e、是否保存计算结果(保存结果存于应用的监测数据所在文件夹中，生成 一个含有五个文件的文件夹，五个文件中有三个曲线图，可以体现滑坡不同时间 的位移，速度和加速度，另外两个为计算结果的文本文件)

f、模型选择：选择

其中，t为时间，单位d；p₀，p₁为待定常数，由输入的监测数据求得；

g、开始计算；

h、得到预报结果。

有益效果：本发明是在滑坡现场位移监测的基础上拟合而成，能直接反应滑 坡的稳定情况和演化趋势；该模型结构简单，可操作性强，模拟效果好。该模型 不仅能判断滑坡是否稳定，而且能精确判断滑坡最可能发生剧滑的时间。该模型 是一种动态性预报，每增加一个监测数据，便可拟合出一个新的曲线，能及时把 握变形的动态发展趋势；通过新旧曲线得到的预报结果的对比，可以相互验证其 拟合结果的准确性。对于新旧曲线出现异常的情况，可作为滑坡诱因或者应力状 态发生改变的依据。变形的对数预测预报模型，时间中短期预报，能判断滑坡是 否会发生加速滑动，有效预测滑坡的变形量，滑移速度和加速度，并预测滑坡最 可能快速滑动的时间。

附图说明：

图1一种滑坡监测数据对数拟合的预测预报方法流程图

图2滑坡对数预测预报模型软件安装

图3监测数据的处理

图4滑坡对数模型软件界面

图5文本文件数据导入模型

图6计算结果及其曲线图

图7计算结果保存位置

图8计算结果文件夹

图9位移-时间曲线(选择x位移；使用全部数据)

图10速度-时间曲线(选择x位移；使用全部数据)

图11加速度-时间曲线(选择x位移；使用全部数据)

图12计算结果曲线的对应数据(选择x位移；使用全部数据)

图13模型计算结果(选择x位移；使用全部数据)

图14仅使用前60项的拟合结果(选择x位移)

图15选择y位移拟合计算结果(选择全部数据项)

图16利用合位移拟合计算结果(选择全部数据项)

图17趋于稳定滑坡速度-时间曲线图

图18趋于稳定滑坡数据拟合

具体实施方式：

下面结合附图和实施例对本发明作进一步的详细说明：

滑坡的稳定性分析，影响因素甚多，不仅要考虑其几何形态，岩土体力学特 性，地质构造及其节理裂隙等情况，同时还要考虑地震力，降雨，排水，挖角压 脚等多方面因素，把这些因素考虑全面，而且全部精确定量化，是一个复杂且不 易实现的过程。而滑坡的位移，则是这所有因素的一个综合定量体现，因此，通 过滑坡位移的分析，预测滑坡的发展趋势和稳定性，是一种同时考虑到多种因素 的定量分析方法。

滑坡位移曲线可以体现滑坡的运动过程，通过曲线外推法，对滑坡的未来趋 势进行推断。当滑坡接近失稳的时候，曲线将短时间内位移趋于正无穷，这也意 味着拟合曲线必须有与y轴平行的渐近线，因此，本模型选择其中，p₀、p₁为待定常数，p₀体现曲线趋于无穷的速率，即为滑坡发生失稳的 快慢，p₀越大，曲线趋于无穷的速率则越小，滑坡失稳的时间越长，反之亦然。 p₁则是滑坡整体位移量的体现，其值越大，则滑坡的总位移越小。本发明采用 Levenberg-Marquardt算法进行迭代计算，求取待定系数，并预测滑坡发生剧 滑的精确时间。

一种滑坡监测数据对数拟合的预测预报方法的工作过程：

A、软件安装：如图2所示，在滑坡对数预测预报模型中，打开程序所在文 件夹，双击安装程序dotnetfx20_Redistributable_x86和vcredist2010_x86。 (这两个程序是模型运行的条件，如果电脑已安装，可以忽略。)

B、数据整理：将滑坡数据以一定的格式存储成文本文件(如图3所示)， 其中每一行数据为某一天的监测数据，第一个为时间，单位：天；第二个为水平 位移，单位：cm；第三个为垂直位移，单位：cm。按照时间逐行排列，中间用 换行键隔开。(注：水平位移以与滑坡滑动方向一致为正，竖直位移以向下为正； 第一行检测日期为1，x，y位移都为0，之后所有位移都是累计总位移量；所有 “逗号”都要切换到英文状态输入，否则程序无法运行。)

C、数据录入：打开滑坡预测预报对数模型程序中的可执行文件“对数模型” (见图2)，显示的界面如图4，单击浏览按钮，找到整理后的滑坡监测数据所 在位置，点击打开，如图5所示。

D、数据选择：包括x位移，y位移或合位移(三种位移可以根据实际情况 选择，比如：x位移可以体现后缘拉张情况，y位移是滑坡底部拱起的体现(不 压脚情况)，合位移则是滑坡的整体体现，尤其在于滑面产状与滑动方向平行的 时候)；

E、数据项的使用：可以选择全部数据，也可选择前n个数据。(一方面是 当数据不理想情况，可以只选择前n项进行拟合；另一方面，可以通过选择数 据多少不同进行对比，这也是检验该模型准确度的一种方法。)

F、保存计算结果：选择保存之后，计算结果将保存在滑坡数据文本文件所在文 件夹，具体结果将在之后作详细分析。

G、模型选择：此处只给出一种模型：

其中，p₀、p₁为待定常数，以滑坡实时监测数据通过LM算法非线性迭代 求得。

H、开始计算：点击开始计算，模型将自动计算出结果，并弹出四个窗口， 分别为位移-时间曲线、速度-时间曲线、加速度-时间曲线以及模型参数拟合结 果。

实施例1

A、实例选择：本次选择中国辽宁省抚顺市西露天矿南邦滑坡千台山位移监 测为例，对本模型进行详细说明和验证。抚顺西露天南邦由于煤矿开挖形成的高 达400m余米的边坡，整个露天矿位于抚顺市区，滑坡不仅影响煤矿开采，而 且威胁附近万余人及20余家企业生产生活安全。现有滑坡南邦后缘监测数据 (2011年6月-2013年3月)，其监测数据选择方式为：前期滑动速度较慢， 每10天一测；随着滑坡速度的增加，逐渐变成5天一测甚至每天一测。

B、将滑坡监测数据按照格式储存成为文本文件；打开模型主界面；选择x 位移(这里因为监测点位于滑坡后缘，主要收拉张力，先考虑水平位移)；选择 使用全部数据项；是否保存结果：点击“是”；选择对数模型点 击开始计算。

C、在滑坡监测数据所在文件夹中找到保存的计算结果(图7)，结果共有5 个文件(图8)，其中有三个曲线图，分别为位移-时间曲线，速度-时间曲线和 加速度时间曲线(如图9，图10和图11所示)，速度-时间曲线和加速度-时间 曲线可以分别看做位移-时间曲线对时间求一阶导数和二阶倒数；对应的渐近线 即为最可能发生剧滑的时间。三个曲线图的数据在outputdata中显示(如图 12)所示；还有一个文件，名为output，记录了模型的拟合日记，记录了模型 选择和数据选择等情况。其中采样数目“66”指的是本次文本文件共选取了66 行监测数据(每一行为某一天的监测数据，本次选择使用所有数据项，也就是一 共有66组监测数据。)拟合结果给出了待定参数p₀、p₁的值，并计算了余差和 平均余差(即拟合数据和实际测量的误差值)，或者也可以直接通过相关系数R 来判断拟合效果。R越接近于1，说明拟合效果越好，本次结果为R＝0.988645。 结果最后给出渐近线line＝680，也就是滑坡最可能发生剧滑所对应的时间。

D、当把使用全部数据项选项改为只使用前n项数据的时候，计算结果可以 互相印证和修改。比如，本次数据选择仅使用前60项，计算结果如图14所示。 可以看到，采样数目变成60的同时，渐近线也变成line＝672。两个渐近线预 测结果相近，说明该预测相对准确，另一方面，这也可以作为动态预测来分析， 即当采集60个样本数据，拟合出剧滑时间为672(第一个数据的时间对应1， 相应换算即可)；过了一段时间又采集了6个样本，将66个样本一起拟合出新 的曲线，求得剧滑时间为680，预测剧滑时间往后延，这也意味着滑坡在滑动的 时候受到了阻碍作用。(而根据现场地质条件和钻孔资料也体现，滑坡在滑移的 过程中，底部会受到北邦的阻挡，同时底部不断堆积，这些是随着滑坡位移不断 增加而形成的，前期并不明显，这也解释了当增加后期的监测数据，拟合的滑坡 剧滑时间稍往后移。)

E、同时，也可以使用y位移来拟合。还是以抚顺西露天南邦千台山的监测 数据为例，在数据选择处选择y位移；选择所有数据项；保存计算结果；选择对 数模型点击开始计算。计算结果如图15所示。可以看出，相关 系数R＝0.996689，拟合效果很好；渐近线：line＝740，与x位移拟合出来 的line＝680有一定差别，剧滑时间后延。考虑到该监测点位于滑坡后缘(即 拉张区)，也就是说，该区岩土体先受拉张，岩土体松弛之后下沉，因此竖向位 移是水平位移产生的，而监测数据的差异，正是其滞后性的体现，因此，这个差 异是合理的。

F、如果利用合位移拟合，在数据选择处选取合位移(这个适合滑坡中部， 滑动方向与滑面近似平行区域的监测数据)，此处仍是以抚顺西露天南邦千台山 的监测数据为例，结果如16所示，相关系数R＝0.992471，拟合效果较好， 渐近线：line＝695，为x位移和y位移拟合得到结果的矢量合成值。

G、而对于趋于稳定的滑坡监测数据，本发明模型同样可以判断。同样按照 步骤将监测数据储存成文本文件；打开主界面；(此次以合位移为例)，选择合位 移；选择使用全部数据项；选择对数模型；

H、单击开始计算。可以看出，其速度趋于稳定(如图17)；因此是没有剧 滑时间的，或者说其渐近线不具有实际意义。从计算结果(图18)也可以看出， 渐近线：line＝-2，即没有剧滑时间，该滑坡逐渐趋于稳定。