基于改进可拓理论的危岩体失稳风险预警模型

杜岩 ,  王麒凯 ,  谢谟文 ,  张洪达 ,  刘敬楠

科学技术与工程 ›› 2026, Vol. 26 ›› Issue (31) :13387-13401

PDF (9463KB)
科学技术与工程 ›› 2026, Vol. 26 ›› Issue (31) :13387-13401 DOI: 10.12404/j.issn.1671-1815.2600101
论文:天文学、地球科学

基于改进可拓理论的危岩体失稳风险预警模型

作者信息 +

Early Warning Model of Hazardous Rock Mass Instability Based on Improved Extenics Theory

Author information +
文章历史 +

摘要

危岩体崩塌是全球破坏性最强的地质灾害之一,其失稳风险的定量化评价是工程风险管控的核心需求。针对这一问题,提出了一种基于动力学监测指标的危岩体劣化过程模拟与风险定量评价方法。首先通过杜哈梅积分对危岩体内部裂隙扩展引发的振动信号进行动力学模拟,继而从时域、频域、能量域及模态域4个维度提取8项动力学监测指标,建立四级风险评价区间。在数据处理层面,提出基于奇异值分解(singular value decomposition,SVD)的振动信号降噪方法。同时,采用博弈论组合赋权法融合主观层次分析法与客观熵权法,以克服单一赋权方法的片面性,从而构建出指标权重优化模型。最后通过引入动态关联函数和区间物元概念,建立能够反映损伤时变特征的危岩体失稳风险定量评价模型。危岩体崩塌冻融实验结果表明:采用未降噪的振动信号进行评价时,出现了5次严重误判;降噪后,在危岩体崩塌时刻,危岩体失稳风险等级增长至四级,风险等级特征值达到3.752。结果表明,该方法能够准确量化危岩体失稳崩塌前的风险演化过程,验证了振动信号降噪的必要性和危岩体失稳风险定量评价模型的准确性和有效性。

Abstract

The collapse of hazardous rock masses is among the most destructive geological disasters globally, and the quantitative evaluation of its instability risk is the core of engineering risk management. To address this issue, a simulation and risk assessment framework for the deterioration of hazardous rock masses based on structural dynamics was proposed. First, the Duhamel integral was utilized to dynamically simulate the vibration signals induced by internal fracture propagation. Subsequently, 8 dynamic monitoring indicators were extracted from four dimensions: time, frequency, energy, and modal domains, to establish a four-level risk assessment interval. At the data processing stage, an SVD-based vibration signal denoising method was proposed. A game theory combinatorial weighting approach was then applied to integrate the subjective analytic hierarchy process (AHP) and the objective entropy weight method, which effectively resolved the limitations of single weighting methods and constructed an index weight optimization model. Finally, a quantitative risk assessment model incorporating damage time-varying characteristics was developed by introducing the dynamic correlation function and interval matter-element concepts based on improved extension theory. Freeze-thaw experiments on hazardous rock mass collapse indicate that evaluations using non-denoised signals resulted in 5 serious misjudgments. After denoising, the instability risk level of the rock mass successfully rose to Level 4 at the moment of collapse, with the risk level characteristic value reaching 3.752. The results quantitatively capture the evolution of instability risk prior to collapse, thereby verifying the necessity of vibration signal denoising and demonstrating the accuracy and effectiveness of the proposed quantitative evaluation model.

Graphical abstract

关键词

危岩体失稳 / 动力学监测指标 / 风险评价 / 可拓理论

Key words

instability of hazardous rock mass / dynamic monitoring indexes / risk evaluation / extension theory

引用本文

引用格式 ▾
杜岩, 王麒凯, 谢谟文, 张洪达, 刘敬楠. 基于改进可拓理论的危岩体失稳风险预警模型[J]. 科学技术与工程, 2026, 26(31): 13387-13401 DOI:10.12404/j.issn.1671-1815.2600101
DU Yan, WANG Qi-kai, XIE Mo-wen, ZHANG Hong-da, LIU Jing-nan. Early Warning Model of Hazardous Rock Mass Instability Based on Improved Extenics Theory[J]. Science Technology and Engineering, 2026, 26(31): 13387-13401 DOI:10.12404/j.issn.1671-1815.2600101

登录浏览全文

4963

注册一个新账户 忘记密码

岩体崩塌灾害是一种具有突发性、影响范围大的自然灾害,会对地质环境、岩土结构和基础设施等造成重大破坏[1]。在风化、地震和强降雨作用下,岩体内部损伤积累,强度下降,不稳定的岩体会转变为危岩体[2],当基岩对危岩体的约束不足以维持稳定时,可能会发生危岩体崩塌[3]。对危岩体崩塌的预警工作具有重大的理论研究意义和工程应用价值。
危岩体预警方法经历了从经验判断到技术判断、从定性评估到定量评估的演进过程[4]。早期危岩体崩塌的预警模型以定性描述为核心,Crosta等[5]用裂隙监测数据建立基于位移-时间曲线预测破坏时间的预警模型,通过裂缝动态变化规律划分风险等级。随着岩体力学理论的深化,物理机理模型成为主流,奥地利学者 Hoek 与 Brown 提出的岩体强度经验公式,为危岩体稳定性计算提供了核心参数,基于此发展的极限平衡模型可量化块体在自重与裂隙水压力作用下的失稳风险[6-7];徐则民等[8]结合地质力学特征,构建“位移加速率-累计变形量”双指标预警模型,通过力学参数与监测数据的耦合分析,提升了危岩体的阶段预警精度。近年来,监测数据与力学响应相结合的定量预警方法不断发展。贺可强等[9]基于库水位变化引起的动力增载与滑坡位移响应关系,提出动力增载位移响应比参数并建立预测模型,为滑坡变形演化与稳定性评价提供了定量依据。上述预警方法或基于监测数据开展定量或半定量分析,或通过物理力学模型对失稳风险进行评价,但其监测信息仍主要集中于位移等静力学响应。
危岩体崩塌本质上是一个非线性动力演化过程,其核心机制为主控结构面的裂隙扩张[10-11]。在这个过程中,位移的变化并不明显,无法及时预警。而基于动力学的监测方法可以弥补位移监测的局限性,其具有简单、高效、灵敏度高等优点;应用改进可拓理论的模型可以及时反映动态变化的全过程并进行定量化表达[12],具有识别崩塌灾害前兆的潜力,是实现此类危害预警的最优选择之一[13-16]。因此,危岩体崩塌的预警需要借助基于动力学理论和改进可拓理论的预警模型[17]。
崩塌灾害预警的准确性,不仅依赖于合适的检测方法和模型,还需要精确的监测数据。由于现场环境噪声的存在和设备的高灵敏度,对监测数据的降噪是必要的。Chen等[18]使用卡尔曼滤波方法时通过动态修正偏差,成功消除机械振动噪声;周进群等[19]采用小波阈值滤波,有效压制了应力监测中的高频电磁干扰;Wang等[20]提出基于波束形成的空间滤波方法,利用传感器网络的信息有效抑制噪声,这些技术为预警系统的精准性提供了重要保障。对于基于动力学监测指标的预警模型而言,卡尔曼滤波方法过于依赖模型训练,但不同地区会出现不同的情况;小波阈值滤波法参数敏感性太高并且会对信号进行破坏,而利用传感器验证成本太高。张晓涛等[21]通过使用奇异值分解(singular value decomposition, SVD)降噪方法诊断故障,构造 Hankel 矩阵并筛选有效奇异值,成功实现早期微弱故障特征的提取。现使用奇异值分解降噪方法来进行数据处理,相比于以上方法,做到了不依靠模型训练,成本低,自适应能力强且能提取早期特征值。
为了使危岩体崩塌的预警更精准,建立一种基于动力学监测指标和改进可拓理论的危岩体预警模型。首先对获取的动力学数据进行SVD降噪处理,并基于改进可拓理论建立模型;之后进行危岩体崩塌冻融实验验证模型;最后对研究结果进行讨论和总结。使用可拓学理论建立基于动力学监测指标的危岩体失稳风险模型,实现危岩体风险的定量判断。以期为危岩体的早期预警提供参考。

1 基于改进可拓理论的模型

1.1 动力学监测指标及计算方法

危岩体通常可以视作由质量、刚度、阻尼等物理参数组成的单质点振动系统,其破坏过程是由内部损伤不断累积、强度不断退化的非线性动力演化过程,在这个过程中的危岩体振动信号可以被激光多普勒测振仪(laser doppler vibrometer,LDV)监测获得。

振动分析中常用的分析方法一般可以分为振动信号的时域分析和频域分析。而振动分析中的能量分析与模态分析也是极其重要的组成部分,所以应从时域分析、频域分析、能量分析和模态分析对振动信号进行动力学监测指标的提取。通过文献和专家建议可得到参考的动力学监测指标如图1所示[22]。

选取均方根R(m/s),波形指标S作为时域动力学监测指标,其计算公式为

$\mathit{R}=\sqrt{\frac{\sum _{\mathit{n}=1}^{\mathit{N}}{\mathit{x}}^{2}\left(\mathit{n}\right)}{\mathit{N}}}$
$\mathit{S}=\frac{{\mathit{p}}_{\mathrm{x}}}{\frac{1}{\mathit{N}}\sum _{\mathit{n}=1}^{\mathit{N}}\left|\mathit{x}\left(\mathit{n}\right)\right|}$
${\mathit{p}}_{\mathrm{x}}=\frac{\sum _{\mathit{n}=1}^{\mathit{N}}\left[\mathit{x}\right(\mathit{n})-{\mathit{p}}_{\mathrm{j}}{]}^{3}}{(\mathit{N}-1){\mathit{p}}_{\mathrm{b}}^{3}}$
${\mathit{p}}_{\mathrm{j}}=\frac{\sum _{\mathit{n}=1}^{\mathit{N}}\left|\mathit{x}\right.\left(\mathit{n}\right)|}{\mathit{N}}$
${\mathit{p}}_{\mathrm{b}}=\sqrt{\frac{\sum _{\mathit{n}=1}^{\mathit{N}}\left[\mathit{x}\right(\mathit{n})-{\mathit{p}}_{\mathrm{j}}{]}^{2}}{\mathit{N}-1}}$

式中:x(n)为时域信号第n个信号值(n=1,2,…,N);pj为绝对均值,m/s;pb为标准差,m/s;px为偏斜度。

通过快速傅里叶变换(fast Fourier transform, FFT),根据振动信号的频谱可以提取指标:谱方根幅值(Rs)和谱偏斜度(Ss),其计算公式分别为

${\mathit{R}}_{\mathrm{s}}=\sqrt{\frac{\sum _{\mathit{k}=1}^{\mathit{K}}\left[\mathit{s}\right(\mathit{k})-{\mathit{p}}_{\mathrm{p}}{]}^{2}}{\mathit{K}-1}}$, k=1,2,…,K
${\mathit{S}}_{\mathrm{s}}=\frac{\sum _{\mathit{k}=1}^{\mathit{K}}\left[\mathit{s}\right(\mathit{k})-{\mathit{p}}_{\mathrm{p}}{]}^{3}}{\mathit{K}{\left(\sqrt{{\mathit{p}}_{2}}\right)}^{3}}$
${\mathit{p}}_{\mathrm{p}}=\frac{\sum _{\mathit{k}=1}^{\mathit{K}}\mathit{s}\left(\mathit{k}\right)}{\mathit{K}}$

式中:Rs为谱方根幅值,m;Ss为谱偏斜度;pp为谱均值,m;s(k)为谱;K为谱线总数;fk为第k条谱线对应的频率。

LDV获得的振动信号是目标对象的表面位移或速度,这使得从能量视角对其进行分析是可行的。不同于信号的功率谱密度,能量分析是对整个振动系统的能量变化进行特征分析并形成能量动力学监测指标。选取冲击能量Sv、峰值动能C,计算公式分别为

${\mathit{S}}_{\mathrm{v}}={\mathit{p}}_{\mathrm{q}}{\left[\mathrm{m}\mathrm{a}\mathrm{x}\left|\mathit{x}\left(\mathit{n}\right)\right|\right]}^{2}$
$\mathit{C}={\left[\mathrm{m}\mathrm{a}\mathrm{x}\left|\mathit{x}\left(\mathit{n}\right)\right|\right]}^{2}$
${\mathit{p}}_{\mathrm{q}}=\frac{\sum _{\mathit{n}=1}^{\mathit{N}}\left[\mathit{x}\right(\mathit{n})-{\mathit{p}}_{\mathrm{j}}{]}^{4}}{(\mathit{N}-1){\mathit{p}}_{\mathrm{b}}^{4}}$

式中:Sv为峰值动能,m2/s2;C为冲击能量,m2/s2;pq为峭度。

在模态分析中,系统或结构的振动被分解为一系列的模态,每个模态对应一个固有频率和一个特定的振型。这些振型是结构在各自的固有频率下振动时各点位移的比例关系。由于LDV测量得到的振动信号为一维向量,即得到一维的模态动力学监测指标。选取固有频率N,阻尼D为模态学监测指标。计算公式分别为

$\mathit{N}={\mathit{f}}_{\mathit{k}}=\frac{1}{2\mathrm{\pi }}\sqrt{\frac{{\mathit{K}}_{\mathrm{x}}}{\mathit{M}}}$
$\mathit{D}=2\mathit{M}{\mathit{f}}_{\mathit{k}}\frac{\mathit{d}}{4\mathrm{\pi }\mathit{E}}$

式中:N为系统固有频率,Hz;Kx为系统刚度,N/m;M为系统质量,kg;D为系统阻尼,kg/s;d为岩体结构系统振动一个周期的能量耗散,kg·m2/s2;E为岩体结构系统的总能量,kg·m2/s2。

1.2 基于杜哈梅积分的信号模拟

在重力或外部环境影响下,危岩体岩桥内部微裂隙发育,刚度不断下降,损伤逐渐累积,危岩体从稳定开始劣化直至失稳。整个过程包含复杂的物理力学特性变化、材料各向异性以及非线性变化现象,通过室内试验或原位试验虽然可以获得一定精度的全过程动力响应,但是难以准确提取危岩体每次劣化发生时的不同指标变化,更无法对整个过程中的动力学监测指标进行不同失稳风险区间的划分。

杜哈梅积分可以分析系统或结构在动态荷载下的动力响应,它将系统或结构抽象转化为系统质量、初始刚度和初始阻尼3种物理参数,而后通过积分计算系统在不同荷载下的动力响应,适用于模拟岩石系统在复杂荷载作用下的振动特性。

使用杜哈梅积分进行危岩体的动力学信号模拟需要确定初始状态的质量、刚度、阻尼,如表1所示。在整个模拟过程中,设置危岩体系统刚度每3 s下降106 N/m,如图2所示。时长总长为300 s,步长为0.01 s,危岩体劣化过程模拟振动信号如图3所示。在实际振动监测过程中会受到噪声干扰,所以需要在后续的工作中进行降噪处理。整个模拟过程在MATLAB平台进行。

基于时域、频域、能量和模态动力学监测指标计算公式,将危岩体劣化过程模拟振动信号按300 s、每秒1 000个点进行分割,计算动力学监测指标。动力学监测指标的计算结果包含有量纲和无量纲两种形式,而本研究只关注动力学监测指标的变化情况。因此参考切线角的计算方法,提出一种改进的、无量纲的指标变化切线角值来表现动力学监测指标的变化,相较于其他监测方法,利用切线角指标监测危岩体动力响应的核心优势在于它直接而敏锐地捕捉了岩体内部破裂事件的突发性和剧烈程度。表达式[23]为

${\mathit{t}}_{\mathrm{p},\mathit{i}}=\mathrm{a}\mathrm{r}\mathrm{c}\mathrm{t}\mathrm{a}\mathrm{n}\frac{{\mathit{p}}_{\mathit{i}}}{\frac{1}{\mathit{i}-1}\sum _{\mathit{j}=1}^{\mathit{i}-1}{\mathit{p}}_{\mathit{j}}},\mathit{ }\mathit{i}=\mathrm{2,3},\dots,\mathit{n}$

式(14)中:tp,j为第j个计算时段动力学监测指标的变化切线角值,tp,j采用角度制表示,(°)。;pi为第i个计算时段的动力学监测指标值;pj为第j个历史计算时段的动力学监测指标值;i为当前计算时段序号,i=2,3,…,n;j为历史计算时段序号,j=1,2,…,i-1;n为动力学监测指标序列的总计算时段数。

需要特别说明的是,为剥离多场耦合等复杂非线性因素干扰,聚焦验证所建危岩体失稳风险评价模型的核心有效性,动力学演化模拟采用单一变量控制原则,设定危岩体内部等效刚度随模拟时间线性递减,未引入其他可导致动力学监测指标差异化劣化的非线性干扰项。根据经典 Kachanov岩石损伤力学理论[24-25],岩体损伤度与等效刚度的量化关系为

$\mathit{D}=1-\frac{\mathit{E}}{{\mathit{E}}_{0}}$

式(15)中:D为岩体损伤度;E为损伤后等效刚度,N/m;E0为岩体初始无损刚度,N/m。

依据本研究的线性刚度退化模型,等效刚度E与模拟时间呈严格线性负相关,由此可推得岩体损伤度D与模拟时间呈严格线性正相关。因此,基于模拟时间的风险区间划分,模拟时间仅为岩体损伤度的显性表征变量。在此线性损伤演化模式下,危岩体所有指标的劣化过程均由唯一线性变化的等效刚度控制。

基于上述逻辑,将300 s模拟全过程划分为4 个风险区间,区间边界与岩体损伤阈值完全匹配。同时,按照这个时间段划分的风险区间可以对应划分指标变化切线角值的风险区间。按照模拟危岩体系统刚度线性下降过程,划分了动力学监测指标的四级风险区间。各动力学监测指标风险区间划分如表2所示。

1.3 奇异值分解降噪

在系统损伤的早期阶段,振动信号产生的变化较为微弱,往往被环境噪声和其他结构的振动所淹没或掩盖,降噪是系统损伤监测中最重要的步骤之一。奇异值分解(SVD)降噪方法具有计算效率高、实现简便的优点。通过将信号进行矩阵分解,去除代表噪声部分的奇异值,再重构为信号,即可达到降噪效果。

由LDV测得的信号可以建模为

$\mathit{y}\left(\mathit{t}\right)=\mathit{s}\left(\mathit{t}\right)+\mathit{n}\left(\mathit{t}\right)$

式(16)中:y(t)为原始信号(t=1,2,…,N);s(t)为无噪声污染的目标信号;n(t)为噪声信号。

LDV 测得的信号为一维信号,需要按照汉克尔矩阵的形式将原始信号构建为矩阵才能进行奇异值分解降噪。即

$\mathrm{Y}=\left[\begin{array}{llll}{\mathit{y}}_{1}& {\mathit{y}}_{2}& \dots & {\mathit{y}}_{\mathit{n}}\\ {\mathit{y}}_{2}& {\mathit{y}}_{3}& \dots & {\mathit{y}}_{\mathit{n}+1}\\ \mathit{︙}& \mathit{︙}& \mathrm{ }& \mathit{︙}\\ {\mathit{y}}_{\mathit{m}}& {\mathit{y}}_{\mathit{m}+1}& \dots & {\mathit{y}}_{\mathit{N}}\end{array}\right]$

式(17)中:Y为原始振动信号矩阵;m为汉克尔矩阵行数,m=N/2;n为汉克尔矩阵列数,n=N+1-m。

建模完成后得到的m×n原始振动信号矩阵Y,可以通过奇异值分解得到一个m维正交矩阵U、一个n维正交转置矩阵V和一个包含奇异值的对角矩阵I,表达式为

${\begin{array}{c}\mathit{Y}\end{array}}_{\mathrm{m}\times \mathrm{n}}={\begin{array}{c}\mathit{U}\end{array}}_{\mathrm{m}\times \mathrm{m}}{\begin{array}{c}\mathit{I}\end{array}}_{\mathrm{m}\times \mathrm{n}}{{\begin{array}{c}\mathit{V}\end{array}}^{\mathrm{T}}}_{\mathrm{m}\times \mathrm{n}}$

式(18)中:I为包含奇异值i的对角矩阵,I=diag(i1,i2,…,im)。

设定信号阈值将对角矩阵I中的奇异值分成两部分,一部分包含实际振动信号,另一部分包含噪声。通常,奇异值分解得到的奇异值对角矩阵中的奇异值按从大到小的顺序排列,偏小的奇异值代表噪声或其他无意义的信息,针对噪声的能量分布特性,对SVD降噪的核心参数进行了针对性优化,设定有效奇异值的保留比例为90%。这一参数设定的物理依据在于:危岩体真实的动力学响应信号(含低频环境微动)能量集中,映射为SVD序列中前90%的奇异值;而高频电磁干扰与传感器随机噪声能量极低且分布离散,主要映射为尾部10%的微小奇异值。因此,保留90%的奇异值,既能针对性地精准剥离现场高频电磁与传感器噪声,又能最大程度避免过度降噪,从而完整地保留了危岩体演化过程中的宽频动力学特征,实现了降噪稳定性与信号保真度的最优平衡。保留奇异值总数的90%,并将含有噪声部分的奇异值全部替换为零,进行重构信号矩阵可以达到降噪的目的。将重构后的信号矩阵再通过汉克尔矩阵重建为一维信号,即完成了原始振动信号的降噪工作。根据奇异值序列所表征的信号能量贡献特征,可将奇异值矩阵划分为有效信号子空间和噪声子空间。保留前r个有效奇异值并将其余奇异值置零后,原始振动信号矩阵可分解表示为信号矩阵与噪声矩阵之和,即

$\begin{array}{c}\mathit{Y}\end{array}=\begin{array}{c}\mathit{S}\end{array}+\begin{array}{c}\mathit{N}\end{array}=\begin{array}{c}\mathit{U}\end{array}\left[\begin{array}{ll}{\mathit{I}}_{\mathrm{l}}& \mathrm{ }\\ \mathrm{ }& {\mathit{I}}_{\mathrm{o}}\end{array}\right]{\begin{array}{c}\mathit{V}\end{array}}^{\mathrm{T}}$

式(19)中:S为无污染信号矩阵;N为噪声矩阵;Il为包含实际振动信号的奇异值对角矩阵;Io为包含实际噪声的奇异值对角矩阵。

1.4 基于改进可拓理论的定量风险评价模型

物元是可拓理论的逻辑细胞与基本单位。N为待评物元的名称,C为待评物元相应指标,V为相应指标的数值,以有序三元组R={N,C,V}作为描述事物的基本元,又称物元。在分析待评物元的各指标与各风险等级关联度时,需要确定各指标数值xi与各等级数值区间Xji=<aji,bji>之间的关系。在传统可拓学评价中,指标量值xi与经典域区间Xji=<aji,bji>之间的关系通常由传统可拓距ρ(xi,Xji)来描述,其计算公式为

$\mathit{\rho }({\mathit{x}}_{\mathit{i}},{\mathit{X}}_{\mathit{j}\mathit{i}})=\mid {\mathit{x}}_{\mathit{i}}-\frac{{\mathit{a}}_{\mathit{j}\mathit{i}}+{\mathit{b}}_{\mathit{j}\mathit{i}}}{2}\mid -\frac{{\mathit{b}}_{\mathit{j}\mathit{i}}-{\mathit{a}}_{\mathit{j}\mathit{i}}}{2}$

式(20)中:ρ(xi,Xji)为指标数值在风险等级数值区间的可拓距;xi为各指标数值;Xji为风险等级数值区间,Xji=<aji,bji>。

然而,传统静态可拓距仅能反映指标当前值与区间的绝对位置,难以刻画危岩体劣化过程中的时变特征。为有效降低传统可拓理论算法在计算模型上的误差,引入动态关联函数对可拓距进行改进,动态关联函数的实质是将静态的绝对距离转化为连续的关联度,建立指标与风险等级间的动态映射。表达式为

$\rho\left(x_{i}, X_{j i}\right)=\left\{\begin{array}{ll}a_{j i}-x_{i}, & x_{i} \in X_{1} \\\left|x_{i}-\frac{a_{j i}+b_{j i}}{2}\right|-\frac{b_{j i}-a_{j i}}{2}, & x_{i} \in\left(X_{2} \cup X_{3}\right) \\x_{i}-b_{j i}, & x_{i} \in X_{4}\end{array}\right.$

区间物元的作用原理在于将单一时刻的监测单点拓展为特定时间窗口内的取值集合,利用区间的上下界直接锁定该时段内指标的波动与劣化幅度,从而在底层数据中完整涵盖了危岩体损伤的时变累积特征。依托这一数据的扩充,改进可拓距克服了传统静态关联的局限,有效解决了监测数据在评价边界附近因微小抖动而引发的风险等级突变问题。该算法通过平滑临界状态下的评价突变,不仅将指标向恶化方向的滑移趋势直接纳入测算,更深度过滤了传感器噪声与局部高频干扰带来的系统误差,显著提升了预警模型在实际工程应用中的计算鲁棒性与研判精度。

待评物元在风险等级Xj下综合关联度Kj(Rk)为

${\mathit{K}}_{\mathit{j}}\left({\mathit{R}}_{\mathit{k}}\right)=\sum _{\mathit{i}=1}^{\mathit{n}}{\mathit{\omega }}_{\mathit{i}}{\mathit{K}}_{\mathit{j}}\left({\mathit{x}}_{\mathit{k}\mathit{i}}\right)$

式(22)中:ωi为归一化后的综合权重系数;Kj(xki)为各指标对应各风险等级的关联函数值。

待评物元风险等级特征值计算公式为

$\overline{{\mathit{K}}_{\mathit{j}}}\left({\mathit{R}}_{\mathit{k}}\right)=\frac{{\mathit{K}}_{\mathit{j}}\left({\mathit{R}}_{\mathit{k}}\right)-\mathrm{m}\mathrm{i}\mathrm{n}{\mathit{K}}_{\mathit{j}}\left({\mathit{R}}_{\mathit{k}}\right)}{\mathrm{m}\mathrm{a}\mathrm{x}{\mathit{K}}_{\mathit{j}}\left({\mathit{R}}_{\mathit{k}}\right)-\mathrm{m}\mathrm{i}\mathrm{n}{\mathit{K}}_{\mathit{j}}\left({\mathit{R}}_{\mathit{k}}\right)}$
${\mathit{j}}^{\mathrm{*}}=\frac{\sum _{\mathit{j}=1}^{4}\mathit{j}\overline{{\mathit{K}}_{\mathit{j}}}\left({\mathit{R}}_{\mathit{k}}\right)}{\sum _{\mathit{j}=1}^{4}\overline{{\mathit{K}}_{\mathit{j}}}\left({\mathit{R}}_{\mathit{k}}\right)}$

式中:$\overline{{\mathit{K}}_{\mathit{j}}}\left({\mathit{R}}_{\mathit{k}}\right)$为归一化后的综合关联度;j为按照最大关联度原则确定的风险等级;j*为风险等级特征值。

根据式(24)风险等级特征值计算结果,可确定待评物元的风险等级,如表3所示。

与传统可拓理论按照最大关联度原则确定待评物元风险等级的模型相比,提出的定量风险评价模型可以提供更为精确的风险等级指标,降低了传统可拓理论因采用最大关联度原则评判风险等级产生的系统误差。

1.5 基于博弈组合赋权的权重计算方法

危岩体失稳风险评价是一个典型的复杂系统决策问题。单一的主观赋权法能够充分融入工程地质专家的经验,但在构造判断矩阵时易受主观认知局限性的影响;而单一的客观赋权法完全依赖监测数据本身的离散程度,能够反映客观变异性,但容易忽略指标本身的物理意义与工程重要性[26]。因此,选择层次分析法(analytic hierarchy process,AHP)-熵值法进行组合赋权,旨在兼顾工程经验与数据特征。进一步地,采用博弈论方法求解两者之间的平衡,从而得到最合理的综合权重。

采用层次分析法-熵值法计算各评价指标权重。应用AHP方法计算主观权重时,需要专家确定各个评价指标的相对重要性排序。重要性排序一般通过九标度法进行主观确定,据此构建出一个层次结构并计算出主观权重ηi。评价矩阵A=(aij)n×n可以写成

$\mathrm{A}=\left(\begin{array}{llll}{\mathit{a}}_{11}& {\mathit{a}}_{12}& \dots & {\mathit{a}}_{1\mathit{n}}\\ {\mathit{a}}_{21}& {\mathit{a}}_{22}& \dots & {\mathit{a}}_{2\mathit{n}}\\ \mathit{︙}& \mathit{︙}& \mathrm{ }& \mathit{︙}\\ {\mathit{a}}_{\mathit{n}1}& {\mathit{a}}_{\mathit{n}2}& \dots & {\mathit{a}}_{\mathit{n}\mathit{n}}\end{array}\right)$

式(25)中:aij为xi对xj的重要程度,aij >0。

更确切地说,每个矩阵都近似于两个权重之间的比值,即

${\mathrm{a}}_{{}_{\mathit{i}\mathit{j}}}\approx \frac{{\mathit{\eta }}_{\mathit{i}}}{{\mathit{\eta }}_{\mathit{j}}},\mathit{ }\forall \mathrm{i},\mathrm{j}$

所以,评价矩阵A=(aij)n×n可以改写为

$\mathrm{A}={\left(\frac{{\mathit{\eta }}_{\mathit{i}}}{{\mathit{\eta }}_{\mathit{j}}}\right)}_{\mathit{n}\times \mathit{n}}=\left(\begin{array}{llll}\frac{{\mathit{\eta }}_{1}}{{\mathit{\eta }}_{1}}& \frac{{\mathit{\eta }}_{1}}{{\mathit{\eta }}_{2}}& \dots & \frac{{\mathit{\eta }}_{1}}{{\mathit{\eta }}_{\mathit{n}}}\\ \frac{{\mathit{\eta }}_{2}}{{\mathit{\eta }}_{1}}& \frac{{\mathit{\eta }}_{2}}{{\mathit{\eta }}_{2}}& \dots & \frac{{\mathit{\eta }}_{2}}{{\mathit{\eta }}_{\mathit{n}}}\\ \mathit{︙}& \mathit{︙}& \mathrm{ }& \mathit{︙}\\ \frac{{\mathit{\eta }}_{\mathit{n}}}{{\mathit{\eta }}_{1}}& \frac{{\mathit{\eta }}_{\mathit{n}}}{{\mathit{\eta }}_{2}}& \dots & \frac{{\mathit{\eta }}_{\mathit{n}}}{{\mathit{\eta }}_{\mathit{n}}}\end{array}\right)$

基于式(25)和式(27),评价矩阵A=(aij)n×n等同于

$\mathrm{A}=\left(\begin{array}{llll}1& {\mathit{a}}_{12}& \dots & {\mathit{a}}_{1\mathit{n}}\\ \frac{1}{{\mathit{a}}_{12}}& 1& \dots & {\mathit{a}}_{2\mathit{n}}\\ \mathit{︙}& \mathit{︙}& \mathrm{ }& \mathit{︙}\\ \frac{1}{{\mathit{a}}_{1\mathit{n}}}& \frac{1}{{\mathit{a}}_{2\mathit{n}}}& \dots & 1\end{array}\right)$

矩阵A=(aij)n×n的元素正好是权重之间的比值,将矩阵A乘以η可以得到

$\mathrm{A}\mathrm{\eta }=\left(\begin{array}{llll}\frac{{\mathit{\eta }}_{1}}{{\mathit{\eta }}_{1}}& \frac{{\mathit{\eta }}_{1}}{{\mathit{\eta }}_{2}}& \dots & \frac{{\mathit{\eta }}_{1}}{{\mathit{\eta }}_{\mathit{n}}}\\ \frac{{\mathit{\eta }}_{2}}{{\mathit{\eta }}_{1}}& \frac{{\mathit{\eta }}_{2}}{{\mathit{\eta }}_{2}}& \dots & \frac{{\mathit{\eta }}_{2}}{{\mathit{\eta }}_{\mathit{n}}}\\ \mathit{︙}& \mathit{︙}& \mathrm{ }& \mathit{︙}\\ \frac{{\mathit{\eta }}_{\mathit{n}}}{{\mathit{\eta }}_{1}}& \frac{{\mathit{\eta }}_{\mathit{n}}}{{\mathit{\eta }}_{2}}& \dots & \frac{{\mathit{\eta }}_{\mathit{n}}}{{\mathit{\eta }}_{\mathit{n}}}\end{array}\right)\left(\begin{array}{l}{\mathit{\eta }}_{1}\\ {\mathit{\eta }}_{2}\\ \mathit{︙}\\ {\mathit{\eta }}_{2}\end{array}\right)=\left(\begin{array}{l}\mathit{n}{\mathit{\eta }}_{1}\\ \mathit{n}{\mathit{\eta }}_{2}\\ \mathit{︙}\\ \mathit{n}{\mathit{\eta }}_{\mathit{n}}\end{array}\right)=\mathrm{n}\mathrm{\eta }$

式(29)中:n为A的特征值;η为A的特征向量。已知A的另一个特征值为0,且具有乘数n-1,那么n是A的最大特征值。因此,如果A的元素是权重之间的比值,那么权重向量是与特征值n相关联的A的特征向量。将这一结果扩展到所有成对比较矩阵,用更通用的A的最大特征值代替n。表达式为

$\left\{\begin{array}{l}\mathit{A}\mathit{\eta }={\mathit{\lambda }}_{\mathrm{m}\mathrm{a}\mathrm{x}}\mathit{\eta }\\ {\mathit{\eta }}^{\mathrm{T}}{\mathit{\eta }}^{1}=1\end{array}\right.$

式(30)中:λmax为A的最大特征值;${\mathit{\eta }}^{1}={\left(\begin{array}{c}\mathrm{1,1},\dots,1\end{array}\right)}^{\mathrm{T}}$。

评价矩阵A=(aij)n×n需要进行一致性检验。给定一个成对比较矩阵A,当且仅当矩阵一致时,其最大特征值λmax等于n(否则大于n),根据这一结果,提出了一致性指数(consistency index,CI),即

$\mathrm{C}\mathrm{I}\left(\mathit{A}\right)=\frac{{\mathit{\lambda }}_{\mathrm{m}\mathrm{a}\mathrm{x}}-\mathit{n}}{\mathit{n}-1}$

数值研究表明,大小为n+1的随机矩阵的CI预期值平均大于n阶随机矩阵的CI预期值。一致性比率(consistency ratio,CR)是对CI的修正。给定一个n阶矩阵,CR可以用CI除以一个实数随机指数(random consistency index,RI)得到,即

$\mathrm{C}\mathrm{R}\left(\mathit{A}\right)=\frac{\mathrm{C}\mathrm{I}\left(\mathit{A}\right)}{\mathrm{R}{\mathrm{I}}_{\mathit{n}}}$

RIn的估计值为通用且固定的值。需要注意的是,在应用中应该接受CR≤0.1的评价矩阵,拒绝CR>0.1的矩阵。CR=0.1意味着判断的不一致性为随机判断的10%。

采用博弈论组合赋权法[27]对主客观权重进行组合计算,通过使各个指标权重与最优线性组合指标权重之间的离差极小化而达到平衡,得到最优组合系数。将前文计算得到的各评价指标权重构造成基本权重集uk={uk1,uk2,…,ukm}(k=1,2,…,L),记为

$\mathit{u}=\sum _{\mathit{k}=1}^{\mathit{L}}{\mathit{\alpha }}_{\mathit{k}}{{\mathit{u}}^{\mathrm{T}}}_{\mathit{k}},\mathit{ }{\mathit{\alpha }}_{\mathit{k}}>0$

式(33)中:u为组合权重;αk为线性组合权重系数;L为不同权重的种数。

为了在权重集中选出一个最满意的权重${\mathit{u}}_{\mathrm{k}}^{\mathrm{*}}$,将式(33)L个线性组合系数αk进行优化,目标是使u与各个uk的离差极小化。由此可以推导出对策模型为

$\mathrm{m}\mathrm{i}\mathrm{n}\sum _{\mathit{j}=1}^{\mathit{L}}{\mathit{\alpha }}_{\mathit{k}}{{\mathit{u}}^{\mathrm{T}}}_{\mathit{j}}-{{\mathit{u}}_{2}}_{\mathit{i}}$

依据矩阵微分性质,最优化一阶导数条件为下面线性方程组,即

$\left[\begin{array}{llll}{\mathit{u}}_{1}{{\mathit{u}}^{\mathrm{T}}}_{1}& {\mathit{u}}_{1}{{\mathit{u}}^{\mathrm{T}}}_{2}& \dots & {\mathit{u}}_{1}{{\mathit{u}}^{\mathrm{T}}}_{\mathit{L}}\\ {\mathit{u}}_{2}{{\mathit{u}}^{\mathrm{T}}}_{1}& {\mathit{u}}_{2}{{\mathit{u}}^{\mathrm{T}}}_{2}& \dots & {\mathit{u}}_{2}{{\mathit{u}}^{\mathrm{T}}}_{\mathit{L}}\\ \mathit{︙}& \mathit{︙}& \mathrm{ }& \mathit{︙}\\ {\mathit{u}}_{\mathit{L}}{{\mathit{u}}^{\mathrm{T}}}_{1}& {\mathit{u}}_{\mathit{L}}{{\mathit{u}}^{\mathrm{T}}}_{2}& \dots & {\mathit{u}}_{\mathit{L}}{{\mathit{u}}^{\mathrm{T}}}_{\mathit{L}}\end{array}\right]\left[\begin{array}{l}{\mathit{\alpha }}_{1}\\ {\mathit{\alpha }}_{2}\\ \mathit{︙}\\ {\mathit{\alpha }}_{\mathit{L}}\end{array}\right]=\left[\begin{array}{l}{\mathit{u}}_{1}{{\mathit{u}}^{\mathrm{T}}}_{1}\\ {\mathit{u}}_{2}{{\mathit{u}}^{\mathrm{T}}}_{2}\\ \mathit{︙}\\ {\mathit{u}}_{\mathit{L}}{{\mathit{u}}^{\mathrm{T}}}_{\mathit{L}}\end{array}\right]$

运用MATLAB计算并进行归一化处理得到最优${\mathit{\alpha }}_{\mathit{k}}^{\mathrm{*}}$,则最优组合权重u*为

${\mathit{u}}^{\mathrm{*}}=\sum _{\mathit{k}=1}^{\mathit{L}}{\mathit{\alpha }}_{\mathit{k}}^{\mathrm{*}}{{\mathit{u}}^{\mathrm{T}}}_{\mathit{k}}$

2 危岩体崩塌模型实验验证

危岩体崩塌冻融实验以混凝土滑块代表危岩体,以同材质斜坡代表基岩,采用冰层粘结模拟危岩体与基岩间的岩桥连接。冰层自然融化过程中黏结强度逐渐下降,可精准等效冻融作用下岩桥的刚度退化过程;当下滑力超过抗滑力时,危岩体发生失稳破坏。该实验危岩体失稳前位移变化极小,可以较好模拟危岩体真实崩塌特性。

实验采用德国Polytec RSV-I-150型激光多普勒测振仪(LDV),设备参数及本实验设置参数如表4所示。全程采集崩塌过程的微振动信号,设备配备长距镜头与内置彩色CCD摄像头,通过绿色指示激光精确定位至滑块中心,工作距离2.2 m,实验整体布置如图4所示。实验前先将滑块与斜坡接触面用无水乙醇彻底清洁,均匀涂抹0.5 mm厚去离子水并排除气泡,精准放置滑块后移入-10 ℃恒温箱养护24 h形成连续均匀的冰层黏结层;取出试件后立即完成LDV系统校准,采集10 s静息期背景噪声,随后启动全程自动监测,在室温自然融化条件下连续记录振动信号直至滑块失稳崩塌。基于采集的振动信号可计算得到危岩体演化全过程的风险等级特征值,以此对本文研究建立的崩塌风险评估模型进行定量验证[28-30]。

危岩体崩塌冻融实验全过程共历时389 s,危岩体滑块失稳崩塌时刻为389 s。期间,LDV 采样频率设置为1 000 Hz,单次采样点数设置为1 000。在实际野外监测环境中,危岩体微震信号往往被复杂的背景噪声所淹没。为了贴近真实工程场景并验证降噪算法的鲁棒性,通过提取危岩体监测的静息期片段,并结合FFT进行特征分析,对现场潜在噪声源进行了分类定性。并在原始信号中针对性地施加了复合型人才干扰信号:①高频随机噪声:主要源于传感器热噪声与现场电磁干扰,实验中通过叠加特定信噪比的高斯白噪声进行物理模拟;②低频环境振动:主要源于风载及周边微幅振动,实验中通过引入低频窄带干扰信号进行等效模拟。实验共获得389×1 000个采样点数据,LDV 测得的振动数据是随时间变化的速度值,实验中部分采集结果如图5所示。

由专家组对危岩体失稳风险定量评价指标体系中的八项指标进行重要性排序得出,固有频率(N)>均方根(R)=峰值能量(C)=阻尼(D)>冲击能量(Sv)>波形指标(S)>谱方根幅值(Rs)=谱偏斜度(Ss)。所以,AHP法的评价矩阵,如表5所示。AHP评价矩阵的一致性指数 CR=0.009 1<0.1,表示可以接受该矩阵用于主观权重的计算。

将危岩体崩塌冻融实验监测得到的原始振动信号进行降噪处理,并将原始振动信号与降噪振动信号都进行动力学监测指标提取,结果如图6和图7所示,再进行失稳风险定量评价,振动信号降噪前后的R-D指标赋权情况如表6、表7所示。失稳风险定量评价中风险等级为基于最大关联度准则的评价结果,从图8可以看出,在实验场地中的干扰影响较强,表现最明显的是N危岩体固有频率没测到(N=0)或没测准(N为极小或极大的突变值)。0~250 s内,风险等级特征值和风险等级均出现了很大骤升,一共出现了5次严重误判。风险等级最高到Ⅳ级,风险等级特征值最高达到3.274,与实际情况不符。

在危岩体失稳风险评价中,单一赋权方法存在难以克服的固有局限:AHP法过于依赖专家的经验,极易受到人为认知偏差的干扰,而缺乏对实时数据的响应。如表8所示,当调整专家对指标的主观评价权重时,AHP单一权重的综合变化幅度达16.50%,而博弈组合权重的变化幅度仅为7.50%。这一对比结果显著验证了组合权重具备更优的抗干扰能力。熵值法则极易受到极端值干扰,导致数据波动微弱,反映核心结构损伤的关键指标如固有频率被赋予极其不合理的小权重。但采用博弈组合赋权还能有效规避单一权重的局限性问题,通过物理约束与数据驱动的深度融合,大幅提升了评价权重的科学性与模型抗干扰能力。

图9展示了经SVD降噪并剔除无效固有频率(N=0)后的危岩体失稳风险评价结果。相较于图8,风险等级特征值的变化趋势较为清晰,对危岩体失稳崩塌前的风险变化情况反映十分准确,最终崩塌时的风险等级特征值达3.752。然而,在229 s,风险等级从一级突升至三级,风险等级特征值升至3.172,同时,危岩体固有频率略有抬升。而后,风险等级特征值又下降到一个前期波动范围。此现象的出现,可能是受到现场环境的噪声干扰,还有可能捕捉到了某种损伤累积-局部调整-再累积的物理过程;危岩体固有频率在此刻存在一个先降低后略微升高的现象,按照危岩体崩塌前兆信息中固有频率的变化特征,此现象可能是由危岩体崩塌前兆信息引起。

总的来说,所建立的模型在危岩体崩塌冻融实验中能够定量化地准确反映危岩体崩塌前的风险变化情况,无论基于最大关联度还是风险等级特征值,崩塌时风险等级评价结果均为Ⅳ级。通过降噪前后信号评价结果对比,证明了振动信号降噪对于准确获得基于动力学监测指标的危岩体失稳风险定量评价结果具有积极重要的作用。

3 讨论

3.1 讨论与相关性分析

与基于位移的预警模型相比,采用的动力学监测指标对岩桥损伤具有更高的敏感性,能够在位移变化不明显时捕捉到内部刚度的退化;与传统的静态可拓评价相比,引入的动态关联函数和区间物元,有效解决了评价边界附近的等级突变问题,使得风险等级特征值这一创新指标能够平滑、连续地反映风险演化全过程[31]。动力学监测指标都是可精确测量且意义明确的物理量,其评价体系建立在严谨的信号处理与模态分析理论之上,大幅降低了主观经验的干扰。因此,这套基于8项敏感性动力学监测指标的危岩体失稳风险定量评价模型可以更好地满足危岩体崩塌等脆性破坏的预警需求[32]。

此外,本模型使用的所有动力学监测指标皆采用切线角指标,这种基于振动信号相位特征的分析方法,尤其在微震/声发射监测中具有独特优势。相较于原始动力学监测指标,利用切线角指标监测危岩体动力响应的核心优势在于它直接而敏锐地捕捉了岩体内部破裂事件的突发性和剧烈程度。切线角通过量化振动信号初至波上升沿的陡峭程度(即切线角度),将抽象的波形转化为一个物理意义清晰的指标:角度越大(接近90°),代表破裂发生得越突然、越剧烈,如脆性岩桥断裂或瞬间破坏;角度越小,则反映相对平缓的塑性变形或摩擦滑动。切线角指标完美弥补了对短期突变事件不敏感的不足,使得风险等级特征值可以有效捕捉崩塌灾害分离破坏等前兆事件特征,进而提升现场监测预警的时效性和可靠性。

为进一步验证模型的有效性,对不同劣化机制下的岩体进行了全局相关性分析。如图10所示为6组岩体风险等级特征值与稳定性系数(stability factor,SF)的相关性分析。

由图10可知,尽管不同危岩体的底层物理劣化机制存在显著差异,但都在劣化过程中表现出高度的相关性。6组实验研究数据表明,岩体风险等级特征值与稳定性系数的相关性分别是0.787、0.615、0.706、0.770、0.701、0.891,平均为0.745。值得说明的是,在稳定阶段,随着内部损伤的持续积累,稳定性系数稳步下降,风险特征值在低风险区间保持平稳上升;而当岩体为危岩体时,风险等级特征值则比稳定性系数呈现出高敏感特征。因此,风险等级特征值的引入可以为危岩体崩塌灾害预警预防提供更全面的信息数据支持,特别是危岩体达到临界破坏期间,风险等级特征值对岩体分离破坏前兆事件的识别敏感度会大幅提升,进而为现场工程师更好地实现崩塌灾害的预警预防提供新的数据支持。

3.2 工程应用与未来展望

工程应用实例选取吊嘴危岩体,通过吊嘴危岩体的振动监测数据,可以对其失稳风险进行定量评价,与实地调查结果进行验证。根据风险等级特征值的变化趋势,可进行预警信息发布,提醒来往船只,减少潜在的人员伤亡和经济损失。吊嘴危岩在降雨及三峡库区水位循环涨落等长期劣化作用下,危岩整体具有倾倒式破坏的可能性,且在岩体内部粘结程度不明的情况下,可能发生大体量的坠落式岩体失稳现象。采用吊嘴危岩体B1 微芯桩监测的振动数据,对吊嘴危岩体B1进行失稳风险定量评价。

如图11为吊嘴危岩体 B1 失稳风险定量评价结果。由图11可知,吊嘴危岩体从2024年1月1日—12月30日全年的失稳风险变化趋势。吊嘴危岩体的失稳风险整体呈缓慢上升趋势,虽然2月5日、5月6日和5月27日的风险等级特征值略有升高,但最终降至波动范围为2.065~1.499。基于风险等级特征值进行风险等级评价,可以确定吊嘴危岩体的失稳风险基本处于Ⅱ级中低风险,与实际调研结果相符。

聚焦于危岩体崩塌这一高影响、强破坏性地质灾害,建立了一种基于动力学监测指标的危岩体失稳风险定量评价模型,通过危岩体崩塌冻融实验验证了该模型对危岩体失稳风险变化情况的定量化表达和风险评价结果的准确性和有效性。然而,在现场应用过程中,仍存在一些不足。

(1)工程案例的地理覆盖范围不足,当前的现场长期监测主要依托于吊嘴危岩。在未来的研究中,将致力于在更广泛的地理分区开展多场景、跨区域的长期跟踪验证,以进一步丰富模型在复杂地理环境下的泛化能力与工程指导价值。动力学监测指标收集的工程案例不充分。虽然广大科研工作者开展了不同种类危岩体的动力学监测应用案例研究,但大多数危岩未出现崩塌破坏现象,或是在破坏前已经开展了工程治理。未来,通过研究危岩体劣化过程中能量耗散与释放的特征,可以建立详细丰富的动力学监测指标;深度结合结构动力学和健康监测技术,挖掘出更为准确完善、抗噪性更好的动力学监测指标。

(2)对于风险区间的划分是根据时间进行的统一划分,在之后的工作中可以针对不同指标进行不同的划分,从而达到更好的效果。对于危岩体振动监测中可能出现的噪声并没有进行详细的研究和准确的识别,以至于难以保证噪声去除效果。未来,可以针对危岩体振动监测环境中的噪声干扰进行分析分类,根据噪声特征对其进行准确的识别与去除。

(3)传统的LDV只能获取危岩体的一维振动信号,受限于此,对于危岩体劣化过程中的模态分析和模态动力学监测指标的选取也较为局限。针对传统单台LDV一维视线监测的局限性,未来研究将引入多维/多点空间交汇监测技术。相较于传统一维信号,该技术的优势在于:一是可以彻底突破单向物理观测视角的盲区,实现从线位移向三维空间矢量的跨越,精准捕捉危岩体隐蔽的侧向错动与扭转变形;二是能够实现复杂危岩体的三维模态重构,将单一的频率特征维度拓展为全景式的空间振型特征。这一升级将在保持非接触式高安全性的前提下,极大提升预警模型对多重破坏模式的识别敏感度与工程泛化能力。

未来研究可以借助危岩体的多维振动监测技术提升危岩体失稳风险定量评价方法,依托物联网与大数据融合技术,进一步探索构建“空-天-地”立体监测网络以提升系统的工程实用性。具体而言,“空”基遥感层可依托InSAR与高分辨率光学卫星,负责大范围危岩带的宏观形变普查与隐患初筛;在此基础上,“天”基无人机层利用搭载LiDAR的巡检设备,对锁定区域开展中尺度三维航测,提取危岩体的结构面与表观裂隙特征;而“地”基原位传感层则以本文研究提出的LDV非接触式高频监测为核心节点,聚焦高风险单体,实现小尺度下动力学特征与内部刚度退化的连续追踪。最终,通过5G/LoRa等通信链路将上述多尺度异构数据实时汇聚至云端,并以本文构建的改进可拓学评价模型作为核心算法引擎,从而打通从区域宏观普查到单体微观判识的数据壁垒,实现更为全面、精准的全链条综合预警[33-35]。

4 结论

围绕危岩体失稳风险定量评价,基于动力学监测指标构建了评价指标体系;结合奇异值分解降噪与改进可拓理论,采用博弈论组合赋权法得到权重的最优线性组合,建立了危岩体失稳风险预警模型,并通过风险等级特征值对危岩体失稳风险的变化过程实现定量化表达。得到如下主要结论。

(1)构建了动力学监测指标提取-SVD降噪-博弈论赋权-改进可拓评价的全链条定量预警模型。该模型将多域动力学参数与可拓理论深度融合,通过引入动态关联函数,将传统静态的风险等级判定升级为连续的风险等级特征值量化表达,解决了传统方法无法清晰刻画岩体内部损伤时变过程的难题。

(2) 针对现场强噪声环境,优化了SVD降噪的参数(保留90%奇异值),并通过冻融实验验证了其在消除误报方面的关键作用,可减少5次严重误判;同时,引入博弈论组合赋权法,经敏感性分析证实,相较于单一AHP法(变化幅度16.5%),该赋权方法变化幅度仅7.5%,抗干扰能力更强,为主客观权重的科学融合提供了新方案。

(3)结合实验与现场案例验证了模型的可靠性。在危岩体冻融破坏实验中,经SVD降噪处理有效消除了未降噪信号导致的5次严重误判,将崩塌临界时刻的风险等级特征值精准锁定在高风险区间,清晰还原了失稳前兆的非线性突变轨迹;在吊嘴危岩现场应用中,模型准确捕捉了岩体风险的缓慢上升趋势,评判结果(Ⅱ级中低风险)与实地勘察结论高度吻合,证明了模型在真实环境下的适用性。

(4)揭示了危岩体劣化过程中的动力学响应规律,构建了相应的动态风险评价模型。相较于传统静态评价模型,本研究有效克服了单一赋权局限与刚性边界问题,实现了从动力学响应到风险等级的动态映射,进一步完善了危岩体风险定量评价理论体系,为复杂地质条件下的灾害超前预警与防治工程管控提供了坚实的理论依据与技术支撑。

参考文献

[1]

Gischig V, Preisig G, Eberhardt E. Numerical investigation of seismically induced rock mass fatigue as a mechanism contributing to the progressive failure of deep-seated landslides[J]. Rock Mechanics and Rock Engineering, 2016, 49(6): 2457-2478.

[2]

Kaiser P K, Kim B. Characterization of strength of intact brittle rock considering confinement-dependent failure processes[J]. Rock Mechanics and Rock Engineering, 2015, 48(1): 107-119.

[3]

Strom A L, Korup O. Extremely large rockslides and rock avalanches in the Tien Shan Mountains, Kyrgyzstan[J]. Landslides, 2006, 3(2): 125-136.

[4]

张晓勇, 谢谟文, 张磊, 等. 基于固有频率的坠落危岩体稳定系数计算模型研究[J]. 岩石力学与工程学报, 2023, 42(3): 585-593.

[5]

Zhang Xiaoyong, Xie Mowen, Zhang Lei, et al. Study on calculation model of stability coefficient of falling dangerous rock mass based on natural frequency[J]. Chinese Journal of Rock Mechanics and Engineering, 2023, 42(3): 585-593.

[6]

Crosta G B, Agliardi F. Failure forecast for large rock slides by surface displacement measurements[J]. Canadian Geotechnical Journal, 2003, 40(1): 176-191.

[7]

Hoek E, Brown E T. Practical estimates of rock mass strength[J]. International Journal of Rock Mechanics and Mining Sciences, 1997, 34(8): 1165-1186.

[8]

张全, 黄波林, 郑嘉豪, 等. 柱状危岩体压溃式崩塌产生涌浪预测分析[J]. 岩土力学, 2021, 42(10): 2845-2854.

[9]

Zhang Quan, Huang Bolin, Zheng Jiahao, et al. Prediction and analysis of surge generated by crushing failure collapse of columnar dangerous rock mass[J]. Rock and Soil Mechanics, 2021, 42(10): 2845-2854.

[10]

徐则民, 黄润秋, 范柱国. 滑坡灾害孕育—激发过程中的水-岩相互作用[J]. 自然灾害学报, 2005, 14(1): 1-9.

[11]

Xu Zemin, Huang Runqiu, Fan Zhuguo. Water-rock interaction in process of landslide preparing and triggering[J]. Journal of Natural Disasters, 2005, 14(1): 1-9.

[12]

贺可强, 郭璐. 水库滑坡位移与水动力耦合预测参数及其评价方法研究[J]. 水利学报, 2017, 48(5): 516-525.

[13]

He Keqiang, Guo Lu. Research on the prediction parameter and evaluation method of displacement coupled with water dynamics of the reservoir landslides[J]. Journal of Hydraulic Engineering, 2017, 48(5): 516-525.

[14]

Cogan J, Gratchev I. A study on the effect of rainfall and slope characteristics on landslide initiation by means of flume tests[J]. Landslides, 2019, 16(12): 2369-2379.

[15]

霍磊晨, 杜岩, 谢谟文, 等. 基于多层次动力学指标的危岩体识别方法[J]. 岩石力学与工程学报, 2022, 41(S2): 3124-3131.

[16]

Huo Leichen, Du Yan, Xie Mowen, et al. Unstable rock mass identification method based on multi-level dynamic parameters[J] Chinese Journal of Rock Mechanics and Engineering, 2022, 41(S2): 3124-3131.

[17]

杜岩, 吕梦镓, 王麒凯, 等. 基于RLE与SF的蠕滑型滑坡失稳风险评价[J]. 中国安全科学学报, 2025, 35(S2): 43-49.

[18]

Du Yan, Lü Mengjia, Wang Qikai, et al. Instability risk evaluation of creep landslide based on RLE and SF[J]. China Safety Science Journal, 2025, 35(S2): 43-49.

[19]

Sarkar S, Pandit K, Dahiya N, et al. Quantified landslide hazard assessment based on finite element slope stability analysis for Uttarkashi-Gangnani Highway in Indian Himalayas[J]. Natural Hazards, 2021, 106(3): 1895-1914.

[20]

王威, 王水林, 汤华, 等. 基于三维GIS的滑坡灾害监测预警系统及应用[J]. 岩土力学, 2009, 30(11): 3379-3385.

[21]

Wang Wei, Wang Shuilin, Tang Hua, et al. Application of 3D GIS to monitoring and forecast system of landslide hazard[J]. Rock and Soil Mechanics, 2009, 30(11): 3379-3385.

[22]

李洪梁, 苗朝, 田尤. 露天煤矿边坡雷达变形监测预警与风险管控[J]. 科学技术与工程, 2025, 25(6): 2293-2300.

[23]

Li Hongliang, Miao Chao, Tian You. Radar deformation monitoring early warning and risk control of open-pit coal mine slope[J]. Science Technology and Engineering, 2025, 25(6): 2293-2300.

[24]

杜岩, 李仁健, 谢谟文, 等. 塑性与脆性破坏地质灾害机理分异及数据同化预警范式[J/OL]. 中国矿业大学学报, (2026-01-19)[2026-03-19]. DOI: 10.13247/j.cnki.jcumt.20250375.

[25]

Du Yan, Li Renjian, Xie Mowen, et al. Mechanism differentiation of plastic and brittle failure geological disasters and data assimilation early warning paradigm[J/OL]. Journal of China University of Mining & Technology, (2026-01-19)[2026-03-19]. DOI: 10.13247/j.cnki.jcumt.20250375.

[26]

程刚, 王振雪, 李刚强, 等. 滑坡一体化全维度监测预警技术进展与展望[J]. 中国安全科学学报, 2023, 33(1): 105-114.

[27]

Cheng Gang, Wang Zhenxue, Li Gangqiang, et al. Progress and prospect of integrated full-dimensional monitoring and early warning technology for landslides[J]. China Safety Science Journal, 2023, 33(1): 105-114.

[28]

Chen X, Sun S. Resonance detection method and realization of bearing fault signal based on Kalman filter and spectrum analysis[J]. Applied Sciences, 2023, 13(3): 1472.

[29]

周进群, 胡忠华, 孙晓洁. 改进小波阈值算法在信号处理中的研究[J]. 智能计算机与应用, 2025, 15(2): 91-95.

[30]

Zhou Jinqun, Hu Zhonghua, Sun Xiaojie. Research on improved wavelet threshold algorithm in signal processing[J]. Intelligent Computer and Applications, 2025, 15(2): 91-95.

[31]

Wang Z, Ren Y, Deng C. et al. Beamforming: a spatial de-noising approach for civil structural health monitoring[J]. Advances in Bridge Engineering, 2023, 4(1): 30.

[32]

张晓涛, 李伟光. 基于奇异值和奇异向量的振动信号降噪方法[J]. 振动、测试与诊断, 2018, 38(3): 553-558.

[33]

Zhang Xiaotao, Li Weiguang. Noise reduction method of vibration signal based on singular value and singular vector[J]. Journal of Vibration, Measurement & Diagnosis, 2018, 38(3): 553-558.

[34]

杜岩, 白云飞, 张晓勇, 等. 基于多种风险因素的矸石山边坡风险评价[J]. 工程力学, 2022, 39(10): 249-256.

[35]

Du Yan, Bai Yunfei, Zhang Xiaoyong, et al. Risk assessment of coal gangue slope based on multiple risk factors[J]. Engineering Mechanics, 2022, 39(10): 249-256.

[36]

许强, 曾裕平, 钱江澎, 等. 一种改进的切线角及对应的滑坡预警判据[J]. 地质通报, 2009, 28(4): 501-505.

[37]

Xu Qiang, Zeng Yuping, Qian Jiangpeng, et al. Study on an improved tangential angle and the corresponding landslide prewarning criteria[J]. Geological Bulletin of China, 2009, 28(4): 501-505.

[38]

张晓勇, 谢谟文, 张磊, 等. 基于固有频率的错断式坠落危岩体稳定系数计算模型[J]. 工程力学, 2024, 41(4): 1-10.

[39]

Zhang Xiaoyong, Xie Mowen, Zhang Lei, et al. Calculation model of stability coefficient for shear-falling unstable rock based on natural frequency[J]. Engineering Mechanics, 2024, 41(4): 1-10.

[40]

张全胜, 杨更社, 任建喜. 岩石损伤变量及本构方程的新探讨[J]. 岩石力学与工程学报, 2003, 22(1): 30-34.

[41]

Zhang Quansheng, Yang Gengshe, Ren Jianxi. A new study on damage variable and constitutive equation of rock[J]. Chinese Journal of Rock Mechanics and Engineering, 2003, 22(1): 30-34.

[42]

吴波, 李雅婷, 徐世祥, 等. 基于博弈论组合赋权-灰关联投影法的山岭隧道突涌水风险评价[J]. 科学技术与工程, 2024, 24(25): 10946-10955.

[43]

Wu Bo, Li Yating, Xu Shixiang, et al. Risk evaluation of water inrush in mountain tunnel based on game theory combination weighting and grey relation projection method[J]. Science Technology and Engineering, 2024, 24(25): 10946-10955.

[44]

胡建华, 尚俊龙, 周科平. 岩爆烈度预测的改进物元可拓模型与实例分析[J]. 中国有色金属学报, 2013, 23(2): 495-502.

[45]

Hu Jianhua, Shang Junlong, Zhou Keping. Improved matterelement extension model and its application to prediction of rockburst intensity[J]. The Chinese Journal of Nonferrous Metals, 2013, 23(2): 495-502.

[46]

Kuang J, Ge L, Ng A H M. Monitoring slope stabilization of a reactivated landslide in the Three Gorges Reservoir Region (China) with multi-source satellite SAR and optical datasets[J]. Landslides, 2024, 21(9): 2227-2247.

[47]

Wen B, Aydin A, Duzngoren-Aydin N S, et al. Residual strength of slip zones of large landslides in the Three Gorges area, China[J]. Engineering Geology, 2007, 93(3-4): 82-98.

[48]

王俊, 黄润秋, 聂闻, 等. 基于无限边坡算法的降雨型滑坡预警系统的模型试验研究[J]. 岩土力学, 2014, 35(12): 3505-3510.

[49]

Wang Jun, Huang Runqiu, Nie Wen, et al. Experimental study of early warning system model of landslide induced by rainfall based on infinite slope method[J]. Rock and Soil Mechanics, 2014, 35(12): 3505-3510.

[50]

Zhang G, Lin Y, Jiang W. Key technologies of earthquake early warning system for China's high-speed railway[J]. Railway Sciences, 2024, 3(2): 239-262.

[51]

Bortolozo C A, Pampuch L A, Andrade M R M, et al. ARHCS (automatic rainfall half-life cluster system): a landslides early warning system (LEWS) using cluster analysis and automatic threshold definition[J]. International Journal of Geosciences, 2024, 15(1): 54-69.

[52]

毛伊敏, 张茂省, 程秀娟, 等. 基于不确定贝叶斯分类技术的滑坡危险性评价[J]. 中国矿业大学学报, 2015, 44(4): 769-774.

[53]

Mao Yimin, Zhang Maosheng, Cheng Xiujuan, et al. Landslide hazards assessment based on uncertain Bayesian classification method[J]. Journal of China University of Mining and Technology, 2015, 44(4): 769-774.

[54]

Xie M, Du Y, Jiang Y, et al. Editorial: rock landslide risk assessment, stability analysis and monitoring for the development of early warning systems and reinforcement measures[J]. Frontiers in Earth Science, 2022, 10: 1118991.

[55]

曹洪洋, 任晓莹, 李志强. 基于GIS的分形理论和信息量法的区域滑坡易发性评价[J]. 中国安全科学学报, 2025, 35(1): 178-185.

[56]

Cao Hongyang, Ren Xiaoying, Li Zhiqiang. Assessment of regional landslide susceptibility based on fractal theory and information amount method of GIS[J]. China Safety Science Journal, 2025, 35(1): 178-185.

基金资助

省部共建矿山岩层智能控制与绿色开采国家重点实验室培育基地开放基金(SICGM202503)

高原山地环境下设施破坏机制与防护重庆市重点实验室开放基金(LQ24KFJJ09)

PDF (9463KB)

0

访问

0

被引

详细

导航
相关文章

/

〈 〉