一种基于机器学习确定滑坡降雨阈值曲线的方法

本发明涉及地质灾害预警，特别涉及一种滑坡灾害预警领域的基于机器学习确定滑坡降雨阈值曲线的方法。

背景技术：

1、滑坡是主要的地质灾害之一，其中绝大部分滑坡灾害是由降雨诱发的，降雨型滑坡具有群发、突发的特点，且难以提前识别。为此，建立一套实用的降雨型滑坡预警系统成为关乎人民群众生命财产安全的重要任务。目前最常用的预警方法是基于历史滑坡数据统计得出的降雨强度-降雨持时阈值(i-d阈值曲线)，其一般的表达方式为i＝ad-b，将该阈值曲线绘制于坐标系上，当降雨事件对应的点在曲线以上时，则认为该降雨事件会在此地区引发滑坡灾害。

2、传统基于历史滑坡数据统计分析获得的i-d阈值曲线存在如下问题：

3、1.其质量受客观统计资料影响较大，在资料缺失或资料统计不完整的地区，其精确度会受到很大影响；

4、2.基于经验统计的降雨阈值不考虑滑坡岩土体与外界环境(雨水、地下水)的作用机理，忽略了边坡本身的地质条件，因此往往会产生较多误判；

5、3.该类i-d阈值曲线通常为区域性预警，无法对滑坡灾害的时间和空间进行精准定位，无法为政府相关部门开展防灾救灾工作提供准确的指导。

6、现有技术中，不少学者提出了基于物理过程模型的降雨型滑坡预警方法，其思路是采用物理过程模型模拟单体边坡或流域在降雨工况下的水文过程及水体分布情况，进而采用力学分析评估研究对象的稳定性。采用水力耦合模型反算该单体边坡或流域的i-d阈值曲线，和传统基于历史滑坡数据的统计型i-d阈值曲线相比，该方法考虑了研究对象的地质特征及降雨条件下的水文过程，其分析更具针对性，因此预测结果更加准确；然而该方法耗费算力较大，如对大范围自然斜坡区域进行斜坡稳定性评价，边坡建模的工作量极大，分析效率受到较大限制，难以大面积推广。

技术实现思路

1、本发明解决了现有技术中存在的问题，提供了一种基于机器学习确定滑坡降雨阈值曲线的方法。

2、本发明所采用的技术方案是，一种基于机器学习确定滑坡降雨阈值曲线的方法，所述方法包括以下步骤：

3、步骤1：获取研究区域边坡坡形参数及岩土工程参数取值范围；

4、步骤2：基于边坡参数取值范围，采用均匀设计法构建边坡模型样本，确定边坡稳定安全系数阈值fst、当前研究区域年平均降雨量a；

5、步骤3：基于边坡模型样本，对应l组给定的降雨强度i，将降雨强度i输入到模型中并计算渗流场，沿时间序列计算边坡安全系数fs，捕捉安全系数fs等于边坡稳定安全系数阈值fst的时刻点，记录该时刻点对应的降雨强度i和降雨持续时间d，作为降雨型滑坡i-d阈值曲线的拟合数据点；

6、步骤4：重复步骤3，直至记录下l个拟合数据点的坐标；

7、步骤5：针对每个边坡样本重复步骤3至4，直至为每个边坡样本对应一组拟合数据点坐标，构建i-d阈值曲线数据集；

8、步骤6：运用人工神经网络构建i-d阈值曲线预测模型，将步骤2的边坡模型样本坡形参数及岩土工程参数设置为输入变量，i-d阈值曲线拟合数据点坐标设置为响应变量，i-d阈值曲线数据集为学习样本，进行训练，得到降雨阈值预测模型；

9、步骤7：将待确定边坡参数输入到预测模型，得到该边坡i-d阈值曲线的l个拟合数据点，通过最小二乘法拟合得到边坡i-d阈值曲线i＝ad-b，在坐标系上绘制i-d阈值曲线。

10、本发明中，主要技术原理在于：

11、一、在基于边坡参数分布区间调研的基础上，通过均匀设计方法构建若干个假想边坡，这些假想边坡将作为数据集应用于机器学习模型的训练；

12、二、采用非饱和土力学理论作为依据的分析手段，对假想边坡进行降雨工况下边坡渗流模拟及稳定性分析，在降雨-滑坡形成的时间序列上捕捉降雨强度(i)、降雨持时(d)数据点，这些数据点将作为机器学习模型训练过程中的输出量；

13、三、采用机器学习算法，如人工神经网络、支持向量机等，通过对上述边坡数据集进行训练，其中边坡坡形及岩土工程参数为输入量，i-d曲线拟合点为输出量，最终得到的机器学习模型可以实现边坡i-d阈值曲线的快速预测。

14、优选地，步骤1中，所述边坡坡形参数包括坡度、坡高，所述岩土工程参数包括土体饱和重度、饱和渗透系数、有效应力强度指标、土水特征曲线。

15、优选地，步骤3中，针对每个边坡模型样本，在l组给定的降雨强度i的条件下启动渗流场模拟，联合二维非饱和渗流模型计算边坡内孔隙水压力分布情况，并采用极限平衡法计算获得二维边坡稳定性安全系数fs。

16、优选地，所述二维非饱和渗流模型为二维非饱和瞬态渗流模型；

17、

18、其中，kx、ky分别为土体当前水平、垂直方向的渗透系数，h为当前总水头，γw为水的重度，mw为土水特征曲线线性段的斜率，t为当前时间，q为边界流量，根据降雨强度换算；应用galerkin法和后差分法得到相应的稳态和瞬态的离散渗流控制方程，结合定解条件，采用高斯积分法对离散域进行求解，得到渗流场分布情况。

19、优选地，所述模型的边界条件为：

20、入渗边界：边坡表面为渗流面；当孔隙水压力小于0时取流量边界，其值等于降雨强度，否则变为水头边界，总水头等于其高程；基岩区域底部设置单位梯度边界，用于地下水埋深较深的浅层土质滑坡。

21、优选地，在瞬态渗流分析之前，必须先确定斜坡土体内部的初始孔压分布状态，基于历史统计数据，估计研究边坡所在地区的年平均降雨量，换算为对应的流量边界后设置于入渗边界，渗流分析至稳态，将结果作为边坡的初始湿润状态；通过二维非饱和稳态渗流分析获得瞬态渗流分析的初始孔压分布，满足

22、

23、其中，kx、ky为土体当前水平、垂直方向的渗透系数，h为当前总水头，q0为边界流量，根据年平均降雨量换算。

24、优选地，采用极限平衡法开展边坡稳定性分析。极限平衡法计算获得二维边坡稳定性安全系数fs，并通过网格法搜索最危险滑动面，针对该滑动面，通过分段技术优化滑动面形状；优化过程为，将滑移面划分为若干条直线段，移动线段的端点探索更低安全系数，逼近全局最危险滑动面。

25、优选地，非饱和土抗剪强度τ满足，

26、

27、其中，c′为土体有效粘聚力，单位为kpa，为土体有效内摩擦角，单位为°，两者通过调查采样与测试试验确定；(σ-ua)为土体净法向应力，(ua-uw)为当前土体基质吸力值，这两者单位均为kpa；θw为当前土体体积含水量，θr为土体残余体积含水量，θs为土体饱和体积含水量；计算安全系数fs需要计算抗滑力和下滑力，非饱和抗剪强度反映抗滑力。

28、优选地，步骤4中，降雨强度i的取值基于土体饱和渗透系数ks按比例确定；如l取值为5，降雨强度i的取值根据土体饱和渗透系数ks确定，并化分为0.3ks、0.6ks、0.9ks、1.2ks、1.5ks五个量级。

29、优选地，步骤2中，所述边坡稳定安全系数阈值fst根据阈值等级确定；如针对红色预警、橙色预警、黄色预警分别取1.0、1.05、1.15。

30、本发明涉及一种基于机器学习确定滑坡降雨阈值曲线的方法，获取研究区域边坡坡形参数及岩土工程参数取值范围，构建边坡模型样本，确定边坡稳定安全系数阈值fst、当前研究区域年平均降雨量a；计算边坡模型样本在给定降雨强度i作用下的渗流场，沿时间序列计算边坡安全系数fs，捕捉安全系数fs等于边坡稳定安全系数阈值fst的时刻点，记录该时刻点对应的降雨强度i和降雨持时d，作为降雨型滑坡i-d阈值曲线的拟合数据点；重复直至记录下l个拟合数据点的坐标，为每个边坡样本对应一组拟合数据点坐标，构建i-d阈值曲线数据集；运用人工神经网络构建i-d阈值曲线预测模型，将研究区域边坡坡形参数及岩土工程参数设置为输入变量，i-d阈值曲线拟合数据点坐标设置为响应变量，i-d阈值曲线数据集为学习样本，训练得到预测模型；将边坡参数输入到预测模型，得到该边坡i-d阈值曲线的l个拟合数据点，通过最小二乘法拟合得到边坡i-d阈值曲线i＝ad-b，在坐标系上绘制i-d阈值曲线。

31、本发明的有益效果在于：

32、(1)该降雨型滑坡i-d阈值曲线预测方法基于物理过程模型，考虑了研究对象的地质特征及降雨条件下的水文过程，相比于传统基于历史数据分析的分析方法，得到的结果更加精确；

33、(2)相比于传统基于物理过程模型的分析方法，本发明通过引入机器学习模型，构建物理过程模型代理模型，从而实现了i-d阈值曲线的快速预测，提高了分析效率，具有良好的实用价值；

34、(3)具有可推广性，模型构建完毕后，即使是非专业人士也能采用模型进行边坡i-d阈值曲线预测工作。