Analysis on Kinematic Behavior of Potential Large-scale Rockfall in the Tanbu Limestone Open-pit Mine in Guangzhou city, Guangdong province
-
摘要:
广州炭步石灰石矿山经三十余年开采，形成了最高约195 m的台阶式超高边坡。2012～2022年间，矿区发生边坡及危岩体崩塌灾害26起，本次调查发现坡面仍存有16处危岩体。矿山露天边坡存在的崩塌灾害风险，已威胁到矿山的生产活动。开展危岩体崩落行为分析，对制定矿山危岩体崩塌防范措施意义重大。本文以WY3、WY11危岩体为研究对象，采用Rocfall数值模拟软件，设置
1000 Kg重量落石，从同一起点分50次崩落，计算落石的崩落轨迹、弹跳高度、运动动能等行为。结果表明：84%以上落石可达坡脚线，落石弹跳高度为5～15 m，落石最大总动能302.3～399.2 KJ。计算落石崩落轨迹与研究区实际发生落石轨迹相符。Rocfall的崩落行为数值模拟分析成果为矿山危岩体落石危险性分区及防护措施选择提供了有效的数据支撑，本文研究也为大型露天矿山边坡危岩体崩落行为研究提供了具体案例参考。-
关键词:
- 危岩体 /
- 崩落行为 /
- Rocfall数值模拟 /
- 落石轨迹 /
- 危险性分区
Abstract:The Tanbu Limestone Mine in Guangzhou has been in operation for over 30 years, resulting in the formation of a series of terraced slopes, with the highest reaching approximately 195 meters. Between 2012 and 2022, the mining area experienced 26 incidents of slope and dangerous rock body collapses. Recent investigations have identified 16 remaining dangerous rock bodies on these excavated slopes. The risk of slope collapse in this open-pit mine poses a significant threat to ongoing mining operations. Analyzing the collapse behavior of these dangerous rock masses is of great significance for developing effective preventive measures for the collapse of dangerous rock mass in mines. This study focuses on the WY3 and WY11 dangerous rock mass, using Rocfall numerical simulation software. A
1000 kg rockfall was simulated, released from the same starting point 50 times to calculate its fall trajectory, bounce height, kinetic energy, and other related behaviors. The results indicate that over 84% of the falling rocks reached the foot of the slope, with the bounce heights ranging between 5 and 15 meters and total kinetic energy between 302.3 and 399.2 KJ. The simulation results closely matched the actual historical paths observed in the study area. The numerical simulation results of these rockfall behaviors based on the Rocfall software provide valuable data support to support the identification of rockfall risk zones and the selection of appropriate protective measures. This study also offers a specific case reference for the analysis of rockfall behavior of dangerous rock masses in large open-pit mine slopes. -
0. 引 言
每年由于滑坡形成的地质灾害都会给我国造成巨大的人员伤亡和财产损失。根据2023年最新发布的《中国统计年鉴》2022版统计，近3年来我国共发生地质灾害
18782 起，造成400余人死亡，直接经济损失110亿元。其中，滑坡地质灾害共发生11365 起，占地质灾害总数的60.5%[1]，是最常见的灾害类型之一。因此，对滑坡地质灾害进行早期防控，对于减少人员伤亡和经济损失都具有十分重要的实际意义。其中，变形速率作为对滑坡地质灾害预警和防控最主要的依据之一，其预测的准确度和时效性对于滑坡地质灾害的预测和防控起着关键作用。然而，滑坡地质灾害特别是突发型滑坡在其变形过程中，可能会发生与历史变形趋势完全不符的变形趋势[2]，导致现有方法在预测此类问题时产生困难。随着近年来人工智能技术的飞速发展，在线监测与深度学习相结合的超前预测逐渐成为了滑坡地质灾害防控研究的热点[3]。其中，长短时记忆（Long Short Term Memory Network，LSTM）神经网络由于其在处理时序数据上的优势而得到广泛关注[6 − 7]。如李丽敏[8]将滑坡累计位移分解为趋势项与波动项，并用多项式拟合预测趋势项、LSTM网络预测波动项；张明岳[9]预测对比了循环神经网络（Recurrent Neural Network，RNN）和LSTM2种模型在滑坡位移预测时的精度；LI Jiaying[10]采用自回归、LSTM和支持向量机（Support Vector Machines, SVM）建立了综合模型并分析了各模型的权重；唐宇峰[11]采用了一种动态残差修正的LSTM进行了滑坡位移预测。然而，传统LSTM网络难以同时提取从后向前的信息，使其应用受到了一定的限制。相比于传统LSTM网络，TENGTRAIRAT等[12]提出了一种双向长短期记忆（Bi-directional Long Short Term Memory Network，BiLSTM）神经网络算法，该方法采用双向重叠计算的方法，比单向LSTM可以更好的捕捉双向时序特征，因此具有更好的应用前景[13]。在滑坡领域，CUI Wenqi等[14]提出一种基于语义门（Semantic Gate, SG）和双时长短期记忆网络（SG-BiLSTM）的方法，并识别了滑坡体图像；WANG Haojie[15]通过BiLSTM-RNN及卷积神经网络（Convolutional Neural Network, CNN）结合LSTM的方法，生成了基于人工智能的香港滑坡敏感性地图。LIN Zian[16]采用GRA-MIC融合相关计算方法选取了影响滑坡位移的因素，最后采用CNN-BiLSTM模型进行了预测。综上，BiLSTM方法在滑坡领域内已经取得许多成果。然而，对于突发型滑坡灾害，由于其在加速变形过程中的变形速率发展历程可能与历史变形速率历程完全不符，导致了现有方法在预测此类问题时存在精度及效率不足的困难。因此，建立一种动态预测且深层优化的多层耦合算法，在提高预测准确率的同时保证较快的响应速度，对于准确的进行突发型滑坡预警及增加预警后的应急响应时间是具有十分重要的实际意义的。
鉴于此，本文提出一种基于动态串联PSO- BiLSTM的滑坡变形速率预测方法，首先，通过集合经验模态分解（EEMD）将变形速率序列进行分解，得到周期项及趋势项变形速率序列；其次，设置PSO启动阈值，并分别通过多项式拟合及周期项PSO-BiLSTM预测网络，得到趋势项及周期项变形速率预测值，将预测值分别加入趋势项变形速率序列及周期项变形速率序列；再次，以趋势项变形速率序列、周期项变形速率序列及残差变形速率序列为输入，建立总PSO-BiLSTM预测网络，得到总预测变形速率，最后，由总预测变形速率和监测变形速率，相减得到下一循环计算所需的残差变形速率。通过以上方式，提高对变形速率预测的准确率及滑坡预警的响应速度，为增加滑坡预警时间提供一种新的思路。
1. PSO-BiLSTM算法理论基础
1.1 LSTM算法理论基础
LSTM神经网络是对RNN的改进算法，其工作原理见图1[17]。LSTM算法在RNN的基础上引入了单元状态c以及“门”的概念，解决了在RNN中存在的梯度消失和爆炸问题。
LSTM神经网络的基本单元称为细胞，由遗忘门、输入门及输出门构成。其中，遗忘门决定上一时刻的状态St−1保留至当前时刻的信息，其通过一个取值为0～1范围的Sigmoid函数，将输入xt与上一时刻的输出ht−1相联系来决定遗忘的信息，Sigmoid函数取0表示全部遗忘，取1代表全部记忆；输入门的作用是控制当前输入xt保存到状态单元St中的记忆量，其主要结构算法为：
$$ {{\boldsymbol{f}}_t} = \sigma ({{\boldsymbol{W}}_f} \cdot [{{\boldsymbol{h}}_{t - 1}},{{\boldsymbol{x}}_t}] + {{\boldsymbol{b}}_f}) $$ (1) $$ {{\boldsymbol{i}}_t} = \sigma ({{\boldsymbol{W}}_i} \cdot [{{\boldsymbol{h}}_{t - 1}},{{\boldsymbol{x}}_t}] + {{\boldsymbol{b}}_i}) $$ (2) $$ {\bar{\boldsymbol{c}}_t} = \tanh ({{\boldsymbol{W}}_c} \cdot [{{\boldsymbol{h}}_{t - 1}},{{\boldsymbol{x}}_t}] + {{\boldsymbol{b}}_c}) $$ (3) $$ {{\boldsymbol{c}}_t} = {\boldsymbol{f}} \cdot {{\boldsymbol{c}}_{t - 1}} + {{\boldsymbol{i}}_t} \cdot \overline {{{\boldsymbol{c}}_t}} $$ (4) $$ {{\boldsymbol{o}}_t} = \sigma ({{\boldsymbol{W}}_o} \cdot [{{\boldsymbol{h}}_{t - 1}},{{\boldsymbol{x}}_t}] + {{\boldsymbol{b}}_o}) $$ (5) $$ {{\boldsymbol{h}}_t} = {{\boldsymbol{o}}_t} \cdot \tanh ({{\boldsymbol{c}}_t}) $$ (6) 式中：${{\boldsymbol{f}}_t}$、${{\boldsymbol{i}}_t}$、$\overline {{{\boldsymbol{c}}_t}} $、${{\boldsymbol{c}}_t}$、${{\boldsymbol{o}}_t}$、${\boldsymbol{h}}_t$——遗忘门、输入门、当前输 入单元状态、当前时刻单 元状态、输出、最终输出；
${W_f}$、${W_i}$、${W_c}$、${W_o}$——遗忘门、输入门、当前输入 单元和输出的权重矩阵，
${{\boldsymbol{b}}_f}$、${{\boldsymbol{b}}_i}$、${{\boldsymbol{b}}_c}$、${{\boldsymbol{b}}_o}$——遗忘门、输入门、当前输入单 元和输出的的偏置项；
$[{{\boldsymbol{h}}_{t - 1}},{{\boldsymbol{x}}_t}]$——2个向量连接为一个更长向量；
$\sigma $——Sigmoid函数；
$\tanh $——将实数映射到$[{{ - }}1,1]$的双正切函数[18]。
1.2 BiLSTM算法理论基础
BiLSTM网络是在LSTM网络基础上发展起来的，其可在不增加数据量的前提下学习序列数据和时间步长之间的双向依赖关系[12]。BiLSTM和单向LSTM最大的区别在于，前者可以同时保存过去和未来的信息，而后者只保存过去的信息，如图2所示：
1.3 PSO-BiLSTM算法
PSO常用来求解最优化问题，其基本思路是将待求解问题的解描述为粒子，每个粒子在N维解空间中可以不断寻求，其粒子极值${P_{best}}$代表粒子所经过位置中的最优解，而粒子群中最好的粒子位置定义为${G_{best}}$[19]。每一个粒子都会在循环中追踪${P_{best}}$和${G_{best}}$从而进行位置更新，并通过计算适应度重新获取$ {P_{best}} $和${G_{best}}$，从而不断逼近最优解。对某一个粒子$i$，其速度和位置更新方法如下：
$$ \begin{split} V_{id}^{k + 1} = &\omega V_{id}^k + {c_1}{r_1}(P_{id}^k - X_{id}^k) + {c_2}{r_2}(P_{gd}^k -X_{id}^k)X_{id}^{k + 1} = \\ &X_{id}^k + V_{id}^{k + 1} \end{split} $$ 式中：$\omega $——惯性权重；$d = 1,2, \cdots ,D$；$i = 1,2, \cdots ,n$；
$D$——空间的维数；
$n$——粒子的个数；
${V_{id}}$和${X_{id}}$——粒子的速度和位置；
$k$——当前迭代次数；
${V_{id}}$——粒子的速度；
${c_1}$和${c_2}$——学习因子；
${r_1}$和${r_2}$——$\left[ {0,1} \right]$之间的随机数；
${p_i}$和${p_g}$——粒子$i$最佳位置和全部粒子的最佳位置。
基于以上理论，基于PSO优化的BiLSTM网络训练流程可表示为：
2. 动态串联PSO-BiLSTM算法
2.1 动态串联BI-LSTM算法基本原理
滑坡体在随着时间的演变过程中，其滑坡变形速率趋势会呈现出“稳定型”、“渐变型”、“突发型”等不同的变化趋势。对于突发型滑坡，其从变形速率突变到产生滑坡的时间非常短（如图4所示），现有方法在解决突变型滑坡位移预测时存在明显的精度不足、效率低下等困难，如下所述：
（1）传统BiLSTM网络仅通过已有监测数据一次性建立和验证网络，并将该网络作为后续预测的依据，即“静态网络”。这种网络训练完成后不再更新，当变形速率发展趋势与前期变形速率趋势发生较大变化时，难以适应新趋势的发展，无法对变形速率进行有效预测；（2）“动态网络”，即在每一次得到新的监测数据后对网络进行更新，可使网络具备更新后的变形速率信息，相比于静态网络可以显著提高预测精度。然而，一方面，动态BiLSTM网络预测的准确率与经验设定的网络参数有关，参数不当会严重影响其预测精度；另一方面，在变形速率产生突变时，其突变后的数据量少、突变速率变化快，动态网络的方法在预测时仍存在严重的滞后性；（3）PSO优化可以对BiLSTM参数进行寻优从而提高准确率，但会大大增加计算成本，导致过长的预测时间而不利于工程的实际应用。
基于以上现状，本文建立了一种基于动态串联PSO-BiLSTM的滑坡变形速率预测方法。首先，设置每一次要分析的变形速率数据量N，通过“动态滑窗”方式截取待分析数据（“动态滑窗”指每获取最新一轮时序数据，将序列中最早的一轮时序数据去除，从而保持总数据量始终不变，达到减小待分析数据量和历史数据的影响的目的），并通过集合经验模态分解（EEMD）将变形速率序列进行分解，得到周期项及趋势项变形速率序列；其次，分别通过多项式拟合及周期项PSO-BiLSTM预测网络，得到趋势项及周期项变形速率预测值，并将预测值分别加入趋势项变形速率序列及周期项变形速率序列；再次，以趋势项变形速率序列、周期项变形速率序列及残差变形速率序列为输入，建立总PSO-BiLSTM预测网络，得到总预测变形速率；最后，由总预测变形速率和监测变形速率，相减得到下一循环建立总PSO-BiLSTM所需的残差变形速率。需要指出的是：（1）为提升预测效率，为PSO-BiLSTM网络仅当某一次预测的周期项残差率$C1(i) > C$（$C$为PSO启动阈值）时PSO才会启动，否则直接进行BiLSTM网络预测；（2）残差变形速率由下一循环监测的实际数据与当前循环的总预测变形速率之差求得，而当计算循环数i≤S（S为串联PSO-BiLSTM启动阈值）时总预测变形速率=趋势项变形速率预测值+周期项变形速率预测值，当i>S时总预测变形速率为串联PSO-BiLSTM网络求得。其流程图如图5所示：
![]()
图 5 动态串联PSO-BiLSTM算法预测流程Figure 5. Dynamic Serial PSO-BiLSTM Algorithm Prediction process通过以上方式，在动态训练网络的基础上，考虑了不同历史时刻条件下动态网络速率预测的误差，实现了不同动态网络之间的学习，且仅当预测误差过大时才启动PSO优化，因此可在提高预测准确率的前提下保证较高的计算效率。
2.2 模型性能指标
为全面评价该滑坡变形速率预测模型精度，采用平均绝对误差（Mean Absolute Error, MAE）、绝对百分比误差（Mean Absolute Percentage Error，MAPE）、均方根误差（Root Mean Square Error, RMSE）及拟合优度R2来作为模型性能指标，如下[20]：
$$ {MAE} = \frac{1}{n}\sum\limits_{i = 1}^n {\left| {{C_i} - {{\hat{C}_i}}} \right|} $$ (7) $$ {MAPE} = \frac{1}{n}\sum\limits_{i = 1}^n {\left| {\frac{{{C_i} - {\hat{C}_i}} }{{{C_i}}}} \right|} \times 100\% $$ (8) $$ \mathrm{RMSE}=\sqrt{\frac{{\displaystyle \sum _{i=1}^{n}({C}_{i}-\hat{{C}_{i}}{)}^{2}}}{n}} $$ (9) $$ {\mathrm{R}}^{2}=1-\sqrt{\frac{{\displaystyle \sum _{i=1}^{n}({C}_{i}-\hat{{C}_{i}}{)}^{2}}}{{\displaystyle \sum _{i=1}^{n}{C}_{i}{}^{2}}}} $$ (10) 式中：${C_i}$——实测值；
$ {{\hat{C}_i}} $——预测值；
$n$——样本数量。
3. 工程实例
3.1 滑坡变形速率实测及预处理
以四川省某滑坡体实测变形速率为例。自2020年3月14日至2020年9月17日间对该案例进行了地表裂缝监测及降雨量监测（如图6），其中每小时一组数据，共得到了
11776 组滑坡变形速率监测数据。![]()
图 6 滑坡隐患点监测预警设备Figure 6. landslide hazard point monitoring and early warning equipment该滑坡体在前期监测中变形一直相对稳定，自9月13日12时起，该滑坡隐患点在连日降雨影响下，其变形速率有明显突变迹象。如图7所示为9月13日前500小时内变形速率变化情况。
由图7所示， 该滑坡体在前期一直处于稳定状态，仅在突变前极短时间内变形速率发生了突变。由于本文的研究目的主要是针对变形速率产生突变情况下的预测研究，前期稳定期的变形速率对文章研究意义不大。因此仅选取了2020年9月12日17时～2020年9月14日6时间的50个小时为例进行探讨分析。
在实际工程中，存在变形速率的发展不是单向放大过程的情况，而是在某些时刻内会存在阶梯性的变化，这给变形速率的预测带来了困难。在本文中，采用“相邻极大值”方法来对数据进行预处理，即每一个时刻t的变形速率${v_t} = \max ({v_{t - 1}},{v_t},{v_{t + 1}})$，从而平滑变形速率曲线，有利于进一步进行变形速率预测。相比于常用的“相邻平均”的方法，极大值法关注最大变形速率，因此在实际工程中是偏于安全的，如图8所示。
从图8可以看出，该滑坡体的变形速率在20 h之后呈快速增加的趋势，其变化形态与历史趋势有着较大的差异，即产生了“突变”。
3.2 模型建立与参数选取
为验证本文方法的优势，分别采用动态BiLSTM网络（类型Ι）、动态PSO-BLSTM网络（类型Ⅱ）、文中提出的动态串联PSO-BiLSTM网络在PSO启动残差率C=0（类型Ⅲ）和C=0.1下（类型IV）4种情况进行预测分析。每类BiLSTM网络的输出均为1维。其中，动态BiLSTM的BiLSTM层节点数选取为50，正则化系数为0，初始学习率为0.2；PSO优化的参数为BiLSTM层节点数、初始学习率和正则化系数；PSO启动残差率C取0.1，动态滑窗截取数据为30，预测数据量为20。
3.3 预测结果及指标评价
4种类型算法均进行了3次预测，取计算结果的平均值。图9为四种方法变形速率预测结果与实测结果20轮预测对比。
![]()
图 9 20小时变形速率预测结果对比Figure 9. Comparison of deformation rate prediction results for 20 hours其中，为获取总PSO-BiLSTM网络所需的残差变形速率，在前10个预测循环中仅采用周期项PSO-BiLSTM网络进行预测，而最后10项采用动态串联PSO-BiLSTM网络进行预测。因此，以下仅选择最后10次数据进行对比分析，如图10所示。
![]()
图 10 小时变形速率预测结果对比Figure 10. Comparison of deformation rate prediction results for 10 hours为进一步对比预测结果，采用MAE、MAPE、RMSE及R2共4种评价指标评价位移预测结果，表1为各模型位移预测结果的评价结果。
表 1 预测结果评价Table 1. Evaluation of prediction results预测
类型位移评价指标 计算时间 MAE MAPE/% RMSE R2 s 类型Ⅰ 0.43 8.45 0.70 0.96 24.89 类型Ⅱ 0.36 7.07 0.61 0.97 294.50 类型Ⅲ 0.30 5.82 0.51 0.98 1861.87 类型Ⅳ 0.28 5.41 0.57 0.98 380.22 其中，MAE为绝对误差的大小，MAPE为预测值与实测值的平均偏离程度，其越接近0表示效果越好；RMSE为预测值与真实值之间的偏差，越接近0表示预测值与真实值越吻合，R2越接近1说明预测越准确。
从图6及表1可以看出：（1）动态BiLSTM网络（类型Ⅰ）的绝对误差和平均偏离程度、偏差均为最大，且拟合优度R2最小，说明此时类型Ⅰ在四种类型中效果最差，但由于未采用PSO优化算法，此时拥有最佳的计算效率；（2）加入PSO算法后（类型Ⅱ），其MAE、MAPE和RMSE值相比类型Ⅰ均有明显的下降，且拟合优度上升，说明PSO优化算法对预测结果有明显的提升；（3）当加入串联算法后（类型Ⅲ和类型Ⅳ），其MAE、MAPE和RMSE值进一步下降，而拟合优度进一步提升，说明串联算法对预测精度有进一步提升；（4）类型Ⅲ与类型Ⅳ的各评价指标差距较小且各有优劣，但类型Ⅳ相比与类型Ⅲ计算效率大大提升，这对于滑坡变形速率的快速预测具有重要的实用价值。
4. 结论
1）传统动态BiLSTM算法在进行滑坡变形速率预测时具有较高的计算效率，但在面临滑坡变形速率快速变化的情况时预测精度偏低；而相对于传统动态BiLSTM算法，PSO-BiLSTM优化算法对突发型滑坡变形速率预测结果有明显的提升。
2）动态串联PSO-BiLSTM算法可以有效的提高突发型滑坡变形速率的预测准确率，但由于PSO优化计算时间过长，不利于工程应用；加入PSO启动机制后，其MAE、MAPE、RMSE、R2分别为0.28、5.41%、0.57、0.98，计算时间为380.22s，在具有较高的精度的同时保证了计算效率，对于滑坡预测的快速相应、提高工程实用价值都有重要的意义。
-
![]()
图 1 研究区地形地质与危岩体分布图
Figure 1. Topographic geology and distribution map of dangerous rock masses in the study area
![]()
图 2 边坡危岩发育形态照片
Figure 2. Photographs of development of dangerous rock mass on the slope
![]()
图 3 边坡危岩体赤平投影分析结构图
Figure 3. Stereographic Projection Analysis of Dangerous Rock Mass Structures on the Slope
![]()
图 5 WY11危岩体工程地质剖面图
Figure 5. WY11 Engineering geological profile of the dangerous rock masses
表 1 危岩体稳定性计算评价表
Table 1 Evaluation table for stability calculation of dangerous rock masses
危岩体编号 破坏模式 防治工程等级 工况 稳定性系数Fs 稳定性评价 WY3 倾倒式 Ⅰ 天然 1.36 基本稳定 暴雨 0.98 不稳定 WY11 滑移式 Ⅰ 天然 1.27 基本稳定 暴雨 0.91 不稳定 
下载: 导出CSV
表 2 危岩体失稳危险性分级标准表
Table 2 Standard table of instability risk classification for dangerous rock masses
危险性
分区级别地质环境
条件复杂
性程度落石灾
害危险
性程度落石点
密度落石点
规模地质灾害危害程度 受威胁对象 潜在经济
损失（万元）设备、道路或建筑物 人数（人） 危险性大区 复杂～中等 大 大～中等 大～中等 主要设备作业区、矿区主要交通道路、
办公楼、厂房＞30 ＞500 危险性中等区 中等～简单 中等～小 大～中等 大～中等 一般设备区、矿区一般道路、附属建筑物 ＞3～≤30 ＞100～≤500 危险性小区 简单 小 小 小 无重要设备及其它建筑物 ≤3 ≤100
下载: 导出CSV
-
[1] 冉涛,文宝萍,苏昌,等. 湖北五峰赵家岩崩塌形成机理分析[J]. 水文地质工程地质,2012,39(6):114 − 118. [RAN Tao,WEN Baoping,SU Chang,et al. Analysis of the formation mechanism of the Zhaojiayan rock fall in Wufeng County,Hubei Province[J]. Hydrogeology & Engineering Geology,2012,39(6):114 − 118. (in Chinese with English abstract)] RAN Tao, WEN Baoping, SU Chang, et al. Analysis of the formation mechanism of the Zhaojiayan rock fall in Wufeng County, Hubei Province［J］. Hydrogeology & Engineering Geology, 2012, 39（6）: 114 − 118. （in Chinese with English abstract）
[2] 王琦,胡亚净,宋伟利,等. 岩溶山区危岩稳定性分析及危害性预测——以贵州松桃县长冲危岩体为例[J]. 中国地质灾害与防治学报,2023,34(1):75 − 84. [WANG Qi,HU Yajing,SONG Weili,et al. Stability analysis and hazard prediction of dangerous rock masses in karst mountainous area:A case study of Changchong dangerous rock mass in Songtao County,Guizhou Province[J]. The Chinese Journal of Geological Hazard and Control,2019,30(3):6 − 11. (in Chinese with English abstract)] WANG Qi, HU Yajing, SONG Weili, et al. Stability analysis and hazard prediction of dangerous rock masses in karst mountainous area: A case study of Changchong dangerous rock mass in Songtao County, Guizhou Province［J］. The Chinese Journal of Geological Hazard and Control, 2019, 30（3）: 6 − 11. （in Chinese with English abstract）
[3] 曾启强,王立朝,刘伟等. 广州地区岩质边坡崩塌影响范围计算方法初探[J]. 水文地质工程地质,2023,50(5):159 − 168. [ZENG Qiqiang,WANG Lichao,LIU Wei,et al. Calculation methods of the collapse influence range of a simple rock slope in the Guangzhou area[J]. Hydrogeology & Engineering Geology,2023,50(5):159 − 168. (in Chinese with English abstract)] ZENG Qiqiang, WANG Lichao, LIU Wei, et al. Calculation methods of the collapse influence range of a simple rock slope in the Guangzhou area［J］. Hydrogeology & Engineering Geology, 2023, 50（5）: 159 − 168. （in Chinese with English abstract）
[4] 许强,黄润秋,殷跃平,等. 2009年6·5重庆武隆鸡尾山崩滑灾害基本特征与成因机理初步研究[J]. 工程地质学报,2009,17(4):433 − 444. [XU Qiang,HUANG Runqiu,YIN Yueping,et al. The jiweishan landslide of June 5,2009 in Wulong,Chongqing:characteristics and failure mechanism[J]. Journal of Engineering Geology,2009,17(4):433 − 444. (in Chinese)] XU Qiang, HUANG Runqiu, YIN Yueping, et al. The jiweishan landslide of June 5, 2009 in Wulong, Chongqing: characteristics and failure mechanism［J］. Journal of Engineering Geology, 2009, 17（4）: 433 − 444. （in Chinese）
[5] 陈泰江,向欣,章广成. 落石冲击棚洞结构冲切特性研究[J]. 工程地质学报,2023,31(1):199 − 206. [CHEN Taijiang,XIANG Xin,ZHANG Guangcheng. Hertz theory based study on punching characteristics of rockfall impacting on shed-tunnel structure[J]. Journal of Engineering Geology,2023,31(1):199 − 206. (in Chinese)] CHEN Taijiang, XIANG Xin, ZHANG Guangcheng. Hertz theory based study on punching characteristics of rockfall impacting on shed-tunnel structure［J］. Journal of Engineering Geology, 2023, 31（1）: 199 − 206. （in Chinese）
[6] 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,2022,41Supp.2(增刊2):3124 − 3131. [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,2022,41Supp.2(增刊2):3124 − 3131. (in Chinese with English abstract)] 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, 41Supp.2（增刊2）: 3124 − 3131. （in Chinese with English abstract）
[7] 孙敬辉,石豫川. 重庆甑子岩崩塌落石动力学特征及危险性分区[J]. 中国地质灾害与防治学报,2019,30(3):6 − 11. [SUN Jinghui,SHI Yuchuan. Dynamics and hazard zoning of collapse and rockfall in Zengziyan,Chongqing[J]. The Chinese Journal of Geological Hazard and Control,2019,30(3):6 − 11. (in Chinese with English abstract)] SUN Jinghui, SHI Yuchuan. Dynamics and hazard zoning of collapse and rockfall in Zengziyan, Chongqing［J］. The Chinese Journal of Geological Hazard and Control, 2019, 30（3）: 6 − 11. （in Chinese with English abstract）
[8] 何宇航,裴向军,梁靖,等. 基于Rockfall的危岩体危险范围预测及风险评价——以九寨沟景区悬沟危岩体为例[J]. 中国地质灾害与防治学报,2020,31(4):24 − 33. [HE Yuhang,PEI Xiangjun,LIANG Jing,et al. Risk assessment and range prediction of dangerous rockmass based on rockfall:A case study of the Xuangou Collapse[J]. The Chinese Journal of Geological Hazard and Control,2020,31(4):24 − 33. (in Chinese with English abstract)] HE Yuhang, PEI Xiangjun, LIANG Jing, et al. Risk assessment and range prediction of dangerous rockmass based on rockfall: A case study of the Xuangou Collapse［J］. The Chinese Journal of Geological Hazard and Control, 2020, 31（4）: 24 − 33. （in Chinese with English abstract）
[9] 许强,陈伟. 单体危岩崩塌灾害风险评价方法——以四川省丹巴县危岩崩塌体为例[J]. 地质通报,2009,28(8):1039 − 1046. [XU Qiang,CHEN Wei. Risk assessment method for single rockfall geo-disaster:a case study on the rockfall in Danba County,Sichuan,China[J]. Geological Bulletin of China,2009,28(8):1039 − 1046. (in Chinese with English abstract)] XU Qiang, CHEN Wei. Risk assessment method for single rockfall geo-disaster: a case study on the rockfall in Danba County, Sichuan, China［J］. Geological Bulletin of China, 2009, 28（8）: 1039 − 1046. （in Chinese with English abstract）
[10] SHI Chong,YANG Bo,ZHANG Yiping,et al. Application of discrete-element numerical simulation for calculating the stability of dangerous rock mass:a case study[J]. International Journal of Geomechanics,2020,20(12):■ − ■.
[11] SENGANI F,MULENGA F. An improved hazard assessment chart for rock falls in near vertical blocky rock environments[J]. Environmental Earth Sciences,2021,80(18):647. DOI: 10.1007/s12665-021-09950-7
[12] ERFEN H S,MUSTA B. Rock Endpoints and Barriers Estimation of Slope Failure in Pinousuk Gravel Slopes using Rocfall Simulation[J]. IOP Conference Series:Earth and Environmental Science,2022,1103(1):012033. DOI: 10.1088/1755-1315/1103/1/012033
[13] BOURGEOIS J,WARREN S,ARMSTRONG J. Utilization of statistical analysis to identify influential slope parameters associated with rockfall at open pit mines[J]. Mining,Metallurgy & Exploration,2023,40(4):1101 − 1112.
[14] 张雄伟,杨泽,周晓超,等. 青麦地大型石灰岩露天矿高陡边坡结构面特征及其对边坡稳定性的影响[J]. 贵州大学学报(自然科学版),2022,39(2):66 − 72. [ZHANG Xiongwei,YANG Ze,ZHOU Xiaochao,et al. Structural Plane Characteristics of High-steep Slope and its Influence on Slope Stability in Qingmaidi Large Limestone Open-pit Mine[J]. Journal of Guizhou University(Natural Sciences),2022,39(2):66 − 72. (in Chinese with English abstract)] ZHANG Xiongwei, YANG Ze, ZHOU Xiaochao, et al. Structural Plane Characteristics of High-steep Slope and its Influence on Slope Stability in Qingmaidi Large Limestone Open-pit Mine［J］. Journal of Guizhou University（Natural Sciences）, 2022, 39（2）: 66 − 72. （in Chinese with English abstract）
[15] 毛元静,李瑶,和大钊,等. 露采矿山台阶边坡结构面特性与破坏机制分析[J]. 中国地质灾害与防治学报,2017,28(3):39 − 45. [MAO Yuanjing,LI Yao,HE Dazhao,et al. Structural planes characteristics and failure mechanism for open-pit mining bench slope[J]. The Chinese Journal of Geological Hazard and Control,2017,28(3):39 − 45. (in Chinese)] MAO Yuanjing, LI Yao, HE Dazhao, et al. Structural planes characteristics and failure mechanism for open-pit mining bench slope［J］. The Chinese Journal of Geological Hazard and Control, 2017, 28（3）: 39 − 45. （in Chinese）
[16] 王万禄,王黎蝶,侯克鹏,等. 岩体结构面调查及对采场稳定性的影响分析[J]. 现代矿业,2022,640:111 − 118. [WANG Wanlu1,WANG Lidie,HOU Kepeng,et al. Investigation of Rock Mass Structural Plane and It's Influence on Stope Stability[J]. MODERN MINING,2022,640:111 − 118. (in Chinese with English abstract)] DOI: 10.3969/j.issn.1674-6082.2022.02.029 WANG Wanlu1, WANG Lidie, HOU Kepeng, et al. Investigation of Rock Mass Structural Plane and It's Influence on Stope Stability［J］. MODERN MINING, 2022, 640: 111 − 118. （in Chinese with English abstract） DOI: 10.3969/j.issn.1674-6082.2022.02.029
[17] 傅少君,陈乾锐,祝桥桥,等. 边坡滚石运动影响因素浅析[J]. 武汉大学学报(工学版),2009,42(6):795 − 798. [FU Shaojun,CHEN Qianrui,ZHU Qiaoqiao,et al. On factors influencing kinematical properties of rockfall slopes[J]. Engineering Journal of Wuhan University,2009,42(6):795 − 798. (in Chinese)] FU Shaojun, CHEN Qianrui, ZHU Qiaoqiao, et al. On factors influencing kinematical properties of rockfall slopes［J］. Engineering Journal of Wuhan University, 2009, 42（6）: 795 − 798. （in Chinese）
[18] 陈宇龙. 滚石运动过程中关键参数的影响分析[J]. 岩土工程学报,2013,35Supp.2(增刊2):190 − 196. [CHEN Yulong. Influence of key factors on trajectories of rockfalls[J]. Chinese Journal of Geotechnical Engineering,2013,35Supp.2(增刊2):190 − 196. (in Chinese with English abstract)] CHEN Yulong. Influence of key factors on trajectories of rockfalls［J］. Chinese Journal of Geotechnical Engineering, 2013, 35Supp.2（增刊2）: 190 − 196. （in Chinese with English abstract）
[19] 黄润秋,刘卫华. 平台对滚石停积作用试验研究[J]. 岩石力学与工程学报,2009,28(3):516 − 524. [HUANG Runqiu,LIU Weihua. Platform resistent test on rolling rock blocks[J]. Chinese Journal of Rock Mechanics and Engineering,2009,28(3):516 − 524. (in Chinese)] HUANG Runqiu, LIU Weihua. Platform resistent test on rolling rock blocks［J］. Chinese Journal of Rock Mechanics and Engineering, 2009, 28（3）: 516 − 524. （in Chinese）
计量
- 文章访问数: 38
- HTML全文浏览量: 8
- PDF下载量: 18
邮件订阅
RSS