Analyzing the influence of non-landslide sample selection on landslide susceptibility: Case studies from Wenchuan, Lixian and Maoxian Counties
-
摘要:
本研究探索了机器学习在评估滑坡易发性中的应用,重点关注非滑坡样本的选择问题。以四川省汶川县、理县和茂县为研究区,选取坡度、坡向、高程、距水系距离、距断层距离、岩性和土地利用7个评价因子,从信息量模型(I)、证据权重模型(WOE)、确定性系数模型(CF)、频率比模型(FR)划分的较低和极低易发区以及缓冲区外(B)和全区(G)随机选取非滑坡样本,构建基于不同非滑坡样本选取方法的支持向量机模型(SVM)并展开易发性评价。结果显示:I-SVM、WOE-SVM、CF-SVM、FR-SVM的ROC曲线下AUC值分别为
0.9804 、0.9726 、0.9368 、0.8451 ,优于B-SVM的0.7869 和G-SVM的0.7389 ,说明采用数学统计模型所选取的非滑坡样本准确性更高,信息量模型是选取非滑坡样本的最优方法,为非滑坡样本的选取提供新思路。Abstract:This research explores the integration of machine learning in assessing landslide susceptibility, scrutinizing the selection of non-landslide samples. Taking the Wenchuan county, Lixian county, and Maoxian county in Sichuan Province as the study areas, seven evaluation factors were considered, including slope, aspect, elevation, distance to the water system, distance to the fault, lithology, and land use. Non-landslide samples were randomly selected from the lower and extremely low susceptibility zones divided by the Information Value model (I), Weight of Evidence model(WOE), Coefficient of Determination model (CF), and Frequency Ratio model(FR), as well as form the buffer zones (B) and the entire region (G). These samples were then analyzed using a Support Vector Machine (SVM) model. The results showed that the AUC values for I-SVM, WOE-SVM, CF-SVM, and FR-SVM were
0.9804 ,0.9726 ,0.9368 , and0.8451 , respectively, hich were superior to the AUC values of B-SVM (0.7869 ) and G-SVM (0.7389 ). This highlight the effectiveness of using mathematical-statistical models for the selection of non-landslide samples, with particular emphasis on the accuracy of the Information Value model. This study offers a novel approach to selecting non-landslide samples, significantly enhancing predictive accuracy in landslide susceptibility assessments. -
0. 引言
近年来,随着国家对天然气管道工程建设的重视力度不断提高,我国的天然气管道工程建设步伐不断加快,目前国家干线管道系统已初具规模,并加速形成“主干互联、区域成网”的全国天然气基础网络[1]。
由于管道线路较长,通常跨越不同地区,沿线地质地貌条件复杂,因此在建设过程中难以避免会穿越不良地质地段,在不稳定因素的影响下极有可能诱发地质灾害,其中滑坡是山区油气管道工程中常见的地质灾害类型[2]。在滑坡作用下,管道容易产生变形甚至破损,导致燃气泄漏,严重威胁沿线民众的正常生活。因此,如何对管道滑坡进行有效的支护并保护管道安全值得关注。
花管微型桩是一种新型压力灌浆式抗滑桩,集中了钢花管桩与微型桩的优点,在20世纪80年代开始在国内外应用并很快在基坑支护、滑坡治理等领域被广泛采用。目前,国内外学者对花管微型桩加固滑坡的承载性能已经开展了部分研究工作,但针对管道—滑坡体系支护性能研究方面还未涉及。潘锋[3]提出了一种注浆钢花管桩加固滑坡的理论计算公式;陈强等[4]通过离心模型试验研究发现注浆钢管桩在控制滑坡土体位移方面的有益作用;Wang等[5]针对钢花管桩微型桩的双注浆技术展开了研究,并通过试验证明了此工艺可以有效提高微型桩承载性能。
螺纹微型桩来源于地基基础工程中使用的螺纹桩,因其利用“螺丝钉比钉子更牢固”的原理[6],使螺纹桩拥有较好的承载性能,但螺纹桩目前只在地基工程中应用较多,还未被作为支挡结构应用在滑坡治理工程中。国内外对其进行的研究多集中在竖向承载性能方面,如Krasiński[7]采用数值模拟方法对螺纹桩承载机理进行了研究,并通过现场载荷试验验证了方法的可靠性;方崇等[8]通过静载试验分析了螺杆桩的竖向承载力传递特性与受力特征;叶阳升等[9]对高速铁路中的螺杆桩复合地基进行了原位测试试验,研究获得了直杆端与螺纹段在不同受力状态下的桩侧摩阻力关系;Malik等[10]进行了螺纹桩与直杆桩承载性能的对比研究,结果证明螺纹桩轴径比为2~4.1的螺旋桩端承载力比类似桩轴径的直杆桩高2~12倍;孟振等[11]通过模型试验手段针对砂土地基中的螺杆桩承载特性展开了研究。
为探究花管微型桩与螺纹微型桩加固管道—滑坡体系下桩体变形特征、桩体两侧土压力的空间分布规律以及在两种不同微型桩加固保护下管道的变形特点及破坏模式,进一步分析对比两种不同微型桩的支护性能,本文以中贵天然气管道K558+700滑坡工程为依托,以千斤顶模拟滑坡水平推力[12],开展7种不同水平加载压力工况下的室内大型推桩模型试验,并对桩顶位移、桩体应变、桩体两侧土压力、天然气管道应变以及管道两侧的土压力进行测试。进一步分析桩体弯矩以及桩体两侧峰值土压力空间分布规律,确定不同微型桩桩体变形特征,并结合管道变形破坏情况,探究两种微型桩在管道滑坡下的承载特性,总结试验成果,为我国管道地段滑坡灾害治理提供理论参考。
1. 工程概况
中贵天然气管道K558+700滑坡治理工程位于甘肃省陇南市成县黄陈镇中湾村。2020年8月12—18日中湾村附近连降暴雨,导致中贵天然气管道K558+700处斜坡发生明显滑动变形,管道滑坡区域现场见图1。共产生2处滑坡及1处滑塌体。其中,中贵天然气管道位于H1滑坡中部,横坡敷设通过,管径1016 mm,管道走向186°,滑坡区管道埋深2.2~4.1 m。H1滑坡纵长约190 m,宽约186 m,滑坡平面面积约2.25×104 m2,滑体平均厚度约8.5 m,滑体总体积约19.13×104 m2,属于中型土质滑坡。该滑坡地表变形强烈,尤其是与管道斜交的乡村水泥道路已完全损毁,受滑坡推挤作用,威胁管道安全运营。
2. 试验设计
2.1 相似设计
本次试验设计以中贵天然气管道K558+700处H1滑坡典型断面为工程原型,参考试验模型箱尺寸,确定试验模型的几何相似比尺为:
$$ {C}_{L}=\frac{{L}_{P}}{{L}_{M}}=30 $$ (1) 式中:CL——几何相似常数;
LP——原型尺寸;
LM——模型尺寸。
根据模型试验中各因素对现象影响的大小,抓住其起主要作用的因素,略去其次要因素的原则。以微型桩几何尺寸(L)、密度(ρ)、重力加速度(g)为主要控制参数,其相似比分别为30∶1、1∶1、1∶1,其余参数相似比可根据Buckinghamπ定理导出,如表1所示。
表 1 相似比设计Table 1. Design of similarity constant物理量 相似比 物理量 相似比 几何尺寸 CL=30 变形模量 $ {{C}}_{{E}}=30 $ 质量密度 $ {{C}}_{{\rho }}=1 $ 摩擦角 ${{C} }_{{\varphi } }=1$ 重度 Cy=1 黏聚力 $ {{C}}_{{C}}=30 $ 应变 $ {{C}}_{{\epsilon }}=1 $ 时间 ${ {C} }_{ {t} }=\sqrt {30}$ 位移 $ {{C}}_{{u}}=30 $ 重力加速度 $ {{C}}_{{g}}=1 $ 2.2 相似材料及配比设计
制作与原型形状完全相同的螺纹桩、花管桩较为困难,因此对其桩体模型进行简化,采用阻氧双色PP-R管材通过注水泥浆模拟桩体,其中花管桩模型为在PP-R管材长度方向上每隔8 cm环绕管道螺旋打孔并采用压力灌注水泥浆模拟;螺纹桩模型为在PP-R管材外径螺旋缠绕塑料软管并灌注水泥浆进行模拟;承台采用硬质木板模拟;天然气管道采用直径20 cm的PVC管模拟。制作完成的模型桩见图2。
滑坡岩土体相似材料较为复杂,在配比过程中不易满足推导得到的相似关系,因此试验选取滑体、滑带及基岩材料时,以最易影响原型滑坡岩土体稳定性的若干参数 (容重、黏聚力、内摩擦角、弹性模量等)为基础,参考其他学者已得到的部分研究成果[13],通过正交配比设计,并经直剪试验和三轴试验检验参数取值的准确合理性,确定使用红粉土、石英砂、水泥、石膏、水的混合物模拟Ⅳ级基岩,具体质量配比为70∶30∶5∶3∶10;滑体采用红粉土、石英砂、水的混合物模拟,具体质量配比为70∶20∶10;滑动带采用石英砂、土、滑石粉、水的混合物模拟,具体质量配比为27∶52∶35∶15。得到的模型材料相关力学参数及其与原型材料的对比见表2。
表 2 模型材料与原型材料相关物理性质参数Table 2. Physical property parameters related to model material and prototype material物理力学参数 重度/(kN·m−3) 内摩擦角/(°) 黏聚力/kPa 弹性模量/MPa 滑体 原型 19.0 30.0 40.0 / 模型 19.0 30.5 1.2 / 滑带 原型 18.5 25.0 30.0 / 模型 18.0 25.0 1.0 / 基岩 原型 27.0 / / 5000 模型 26.7 / / 160 2.3 模型设计
根据相似设计,试验使用的模型箱尺寸为 4 m×2 m×2 m(长×宽×高),箱体两侧由钢板及有机玻璃组成,箱体内填筑土体,从上往下分三层:滑体、滑带及基岩层。箱体内共布置4组微型桩群模型,其中左侧2组为花管桩,右侧2组为螺纹桩;桩后滑体内埋置有天然气管道模型。箱体后侧设置有反力墙,反力墙上安装有液压千斤顶,千斤顶通过作用在承压板上从而给滑坡模型施加水平推力。模型整体示意图如图3。
微型桩群桩模型单桩布置形式为5行×3列,共布置4组微型群桩,以模型箱中线为分界线分为左右两侧,左侧2组为花管桩,右侧2组为螺纹桩;单桩桩体模型长160 cm,直径2.5 cm。微型桩群桩埋深160 cm,从桩顶到桩底依次穿过滑体、滑带与基岩层,其中滑体层厚75 cm,滑体坡面角40°,滑带厚度5 cm,基岩层厚100 cm;天然气管道布置在桩前滑体中,距离桩体20 cm,埋深40 cm。桩顶采用承台方式将群桩连接为整体,单桩中心间距为7 cm,承台长38 cm,宽24 cm,厚2 cm,如图4所示。
2.4 传感器布设位置及监测设备
试验数据采用DH3816N静态应变测试系统采集,该系统具有60个采集通道,可同时采集应变、土压力等测试数据。
2.4.1 百分表与应变片布设位置
选取模型箱体中间两组微型桩群桩作为研究对象,在桩顶承台设置百分表测试桩顶位移,并在群桩中选取不同位置的典型单桩作为应变测试桩粘贴应变片,百分表设置位置及测试单桩的位置如图5所示。
测试单桩为2#花管桩及3#螺纹桩群桩中的第二列单桩,并对其进行编号,从桩后到桩前依次为1、2、3号测试单桩,每一测试单桩在桩体两侧沿桩体深度间隔一定距离粘贴应变片,每根测试桩体上共粘贴2×6=12个应变片,所有测试桩体共布设12×6=72个应变片,具体布设位置如图6所示(以1号测试单桩为例,其余测试桩相同)。
天然气管道山侧与河侧对称粘贴3组应变片,一组位于花管桩侧中部,一组位于螺纹桩侧中部,以监测在两种不同微型桩群桩支护作用下天然气管道的变形并作为对比,进一步优化天然气管道滑坡的支护方案设计;另一组粘贴在天然气管道接口处,以监测管道接口处的变形,进一步研究在滑坡作用下天然气管道接口处的处理方法。天然气管道应变片布设位置见图7。
2.4.2 土压力布设位置
为了研究花管微型桩与螺纹微型桩支护下桩周土压力空间分布规律,在2#群桩与3#群桩前后沿桩体深度间隔一定距离对称布置土压力盒,布设位置如图8,共布设6×2×2=24个土压力盒,以监测在滑坡水平推力作用下两种微型桩群桩前后不同深度位置土压力的变化,以进一步分析两种不同桩体变形特征。
在天然气管道前后两侧对称布设土压力盒,布设位置分别位于花管桩支护侧、螺纹桩支护侧及管道接口附近,共布设3×2=6个土压力盒,以监测天然气管道附近土体的应力变化。具体布设位置如图9。
2.5 加载工况设计
试验采用油压千斤顶施加水平荷载模拟滑坡推力,加载方法为慢速维持加载法分级加载[14],初始加载压力为1 MPa,每级加载压力增加0.5 MPa,试验一共设置7组加载工况。每级加载后观察桩顶百分表读数稳定后进行下级加载,具体加载工况见表3。
表 3 各级加载工况Q值Table 3. Q values of loading conditions at all levels工况 加载压力/MPa 工况 加载压力/MPa 1 1.0 5 3.0 2 1.5 6 3.5 3 2.0 7 4.0 4 2.5 − − 3. 试验结果分析
3.1 桩顶水平位移
由图10荷载下桩顶水平位移数据分析可知,在各级水平荷载作用下,螺纹桩侧3#与4#群桩顶水平位移明显大于花管桩侧1#与2#群桩,在4 MPa加载压力作用下螺纹桩侧位移量为花管桩侧位移量的两倍之多,说明在相同水平推力荷载下花管桩抗滑承载力更强;在2 MPa以下水平荷载作用下桩顶位移变化微弱,2~3 MPa时桩顶位移开始有小幅度增长,当荷载达到3 MPa时,桩顶位移变化量出现转折,增长幅度明显加大。根据桩顶位移容许值为30~50 mm,以1.67 mm(相当于原型的50 mm)为作为试验模型桩顶位移容许值,螺纹桩侧桩顶位移量在水平荷载为2.5 MPa达到容许值,花管桩侧桩顶位移量在水平荷载为3 MPa达到容许值,表明在本次试验条件下花管微型桩的加固效果优于螺纹微型桩。
3.2 微型桩群桩两侧土压力分析
3.2.1 桩体两侧土压力变化时程特性
根据图11可以看出,除个别测点外,在加载时段微型桩山侧土压力变化呈阶梯状上升,反映了随着加压荷载的增大,微型桩靠山侧土体应力在不断增加,并且有明显分级现象。
对比两侧不同桩体类型的土压力变化可知,花管桩侧不同埋深的土压力值普遍高于螺纹桩侧,花管桩侧在TH2测点达到最大值为46.09 kPa,相比螺纹侧在TL2测点达到的最大值20.54 kPa,花管桩侧土体最大应力高出螺纹桩侧两倍以上,结合螺纹桩桩顶最大位移与花管桩桩顶位移比值为2.4,说明花管桩侧土体受挤压程度大,分析为土拱效应[15]导致,在花管微型桩支护作用下桩后土体应力得不到有效释放,进一步表明花管桩的抗弯刚度高于螺纹桩。
由图11不同测点深度的土压力变化曲线可以看出,螺纹微型桩与花管微型桩的中上部位置土压力值最大,桩顶次之,桩底一般较小。
由图12,河侧螺纹桩测点4因土压力盒出现故障导致采集数据失真,故不作为分析对象。由图12可知,桩体河侧土压力变化趋势与山侧几乎保持一致,在加载阶段都有明显的上升趋势且各级加载土压力有明显的上升幅度加大的现象,卸载阶段开始下降并最终稳定在零值附近。
两侧桩体都在测点3(滑带附近位置)的最大级加载阶段达到峰值土压力,且螺纹桩侧峰值土压力(38.81 kPa)大于花管桩侧峰值土压力(32.57 kPa),高出比值约120%,对比山侧峰值土压力,花管桩河侧峰值土压力比山侧减少41%,螺纹桩河侧峰值土压力增加89%,由于抗滑桩承担并抵消了一部分滑坡推力,桩体河侧的土压力明显小于山侧,但花管桩两侧土压力差值明显大于螺纹桩两侧土压力差值,表明花管桩在承担滑坡推力作用方面发挥了良好的效果。
3.2.2 桩体两侧峰值土压力分析
提取桩体两侧各测点在各级加压荷载下土压力的峰值土压力进行单独分析,如图13绘制沿桩身深度不同位置随荷载改变的峰值土压力变化曲线分布图,峰值土压力基本随加压荷载的增大而增大,花管桩侧在4 MPa荷载下0.4 m桩深位置达到最大值46.09 kPa,螺纹桩侧在4 MPa荷载下0.4 m桩深位置达到最大值20.54 kPa。
花管桩侧峰值土压力沿桩深分布图大体呈“S”曲线形,且在各级荷载下分布规律保持一致,桩体中上部(位于滑带与桩顶中部)土压力值最大,在滑带附近土压力值有所减小,又在桩体中下部(位于滑带与桩底中部)有小幅度增大,往桩底位置开始减小。螺纹桩侧峰值土压力沿桩深分布图大体呈双“S”曲线形,同样在桩体中上部位置土压力值最大,滑带附近减小,桩体中下部土压力值最小,桩底土压力值开始增大。总的来说,花管桩侧土压力分布规律为桩中>桩顶>桩底,螺纹桩侧土压力分布规律为桩中>桩底>桩顶。
滑面以上的土压力由推力荷载的传递引起,滑面以下的土压力主要由微型桩群的变形引起[16]。根据上述土压力分布规律,由此说明,花管桩在滑面以上桩中上部位置所受的推力荷载最大,滑面以下桩体中下部位置变形最大;螺纹桩在滑面以上桩中上部位置所受的推力荷载最大,滑面以下桩底位置变形最大。
根据图14可知,花管桩侧在4 MPa荷载下0.65 m桩深位置达到最大值32.57 kPa,螺纹桩侧在4 MPa荷载下0.65 m桩深位置达到最大值38.81 kPa。
花管桩河侧峰值土压力分布形式与山侧分布形式大体呈现相似,土压力大小分布规律仍为桩中>桩顶>桩底,但土压力最大值出现位置下移到滑面附近,说明在花管微型桩支护作用下推力荷载在土体的分布形式发生了改变,由于花管桩刚度大于桩周土体,土体应力传递到桩体上产生应力集中,桩后土体应力重分布,最大水平应力作用点下移。螺纹桩侧河侧峰值土压力相比山侧分布形式产生了较大差异,土压力大小分布规律变为桩中>桩顶>桩底,桩底的土压力相比山侧有很大幅度减小。与花管桩侧类似,由于桩前土体应力重分布,土压力最大值出现位置下移到滑面附近且比山侧土压力最大值高出89%,说明螺纹微型桩并没有有效承担推力荷载,变形较大,在推力荷载作用桩前土体应力仍较大。
3.3 桩身弯矩分析
选取花管微型桩1号测试单桩与螺纹微型桩1号测试单桩作为研究对象,根据桩身两侧应变数据可由以下公式计算测点弯矩值[17]:
$$ M = \frac{{EI({\varepsilon _1} - {\varepsilon _2})}}{d} $$ (2) 式中:M——测试截面的弯矩/(kN·m);
E——桩身材料的弹性模量/MPa;
I——测试界面的惯性矩/m4;
ε1——微型桩后的桩身应变;
ε2——微型桩前的桩身应变;
d——桩身直径/m。
图15—16为两种桩体各截面测点在分级加压荷载下的弯矩分布图,图中弯矩正值表示桩后侧受拉。
从图15可以看出,在1~3.5 MPa加压荷载下,弯矩分布特征几乎保持一致,花管桩桩身弯矩沿深度方向呈“M”形分布,桩顶与桩底弯矩值较小,桩身中上部与中下部出现较大的负弯矩,桩身离模拟滑面以上5 cm位置处产生最大正弯矩;在4 MPa加载压力作用下,弯矩分布曲线有所偏移,桩身中上部位置负弯矩极具增大,最大正弯矩位置下移到桩中位置(模拟滑面处)且桩身正弯矩长度范围增大到0.5 m,滑面以下负弯矩最大值减小,且在桩底出现正弯矩。说明在1~3.5 MPa推力荷载下,花管桩桩体变形特征一致,桩后桩身中上部与中下部位置受压变形,桩后桩身离模拟滑面0~10 cm段受拉变形;在4 MPa推力荷载下,桩身弯曲变形加剧,在桩深0.4 m 处出现最大负弯矩−71.96 kN·m,在桩深0.8 m处(模拟滑面位置)出现最大正弯矩16.47 kN·m。花管桩设计时对桩身变形较大处可开展进一步的优化工作。
由图16可知,螺纹桩桩身弯矩分布沿深度方向呈“S”形,桩体正负弯矩位置在模拟滑面附近大致呈旋转对称分布,滑面以上大部分区段为负弯矩,滑面以下为正弯矩;螺纹桩在桩深0.4处出现最大负弯矩−64.44 kN·m,在桩深0.9m处(模拟滑面以下10 cm)出现最大正弯矩65.85 kN·m,相比花管桩,最大负弯矩相差不大,最大正弯矩高出近4倍,表明在相同推力荷载工况下,螺纹微型桩变形程度大于花管微型桩。
3.4 管道受力变形特征分析
3.4.1 管道两侧土压力变化规律及分布特性
为了研究天然气管道在两种不同微型桩支护作用下的变形特征,通过埋设土压力盒监测管道两侧土体应力变化,图17为管道山侧与河侧各测点的土压力变化时程曲线。其中TG1/TG1'测点位于花管桩支护侧,TG3/TG3'测点位于螺纹桩支护侧,TG2/TG2'测点位于管道接口位置两侧。
根据图17可以看出,管道山侧与河侧各测点土压力在加载阶段都有明显的随时间增大的趋势。山侧各测点变化趋势大致相同,在初期加载土压力值增长表现平稳,而在后期加载阶段土压力出现跳跃式增长,并在最后加载阶段达到峰值,位于螺纹桩支护侧的TG3测点峰值土压力达22.99 kPa,为花管桩支护侧的1.73倍;结合图18各级荷载下管道山侧峰值土压力分布曲线可知,管道山侧峰值土压力随荷载的增大而增大,并且螺纹桩支护侧峰值土压力整体大于花管桩支护侧及管中接口位置。说明花管桩在推力荷载下承载力表现优于螺纹桩,减小了传递到管道的滑坡推力,而螺纹桩在较大推力荷载下由于抗弯性能不足,变形严重,破坏后不能有效承担并抵消滑坡推力,传递到桩前管道的应力较大,从而导致管道易产生变形破坏。
由图17,管道河侧土压力变化趋势与山侧存在较大差异,在加载阶段整体呈波动性增长,测点最大峰值土压力在螺纹桩支护侧为12.29 kPa,最小峰值土压力在花管桩支护侧为1.54 kPa,比值7.98∶1。结合图19管道河侧峰值土压力分布曲线,在分级推力荷载作用下,峰值土压力规律表现为:花管桩支护侧<管中接口位置<螺纹桩支护侧。
3.4.2 管道弯矩分析
由图20分级荷载管道弯矩分布图可以看出,在较小推力荷载作用下(1~3 MPa),管道接口附近弯矩值整体较小,花管桩支护侧呈现负弯矩,螺纹桩支护侧呈现正弯矩,绝对值大小相差不大,说明在较小推力荷载下,管道变形程度较小;在较大推力荷载作用下(3.5~4 MPa),管道接口处弯矩急剧增大,最大值达−317.75 kN·m,说明在较大推力荷载下管道接口位置变形严重甚至破坏,在设计滑坡区管道工程时应注意管道接口位置的加固;另一方面,对比花管桩支护侧与螺纹桩支护侧管道弯矩可知,弯矩分布曲线明显向螺纹桩侧偏移,并整体大于花管桩支护侧,说明在本试验条件下花管微型桩支护作用下天然气管道的变形程度低于螺纹微型桩支护,在滑坡推力作用下 ,花管微型桩对管道的保护效益更突出,花管桩更适用于作为管道滑坡区域的支挡结构。
4. 结论
(1)花管微型桩山侧及河侧峰值土压力沿桩深分布形式基本相似,大体呈“S”曲线形,桩后土体土拱效应明显,且在各级荷载下分布形式大致保持一致,总体来说花管桩侧土压力分布规律为桩中>桩顶>桩底,滑带附近的桩体周围土压力较大,在抗滑桩设计工作中应重点考虑优化。
(2)螺纹桩山侧峰值土压力沿桩深分布图大体呈双“S”曲线形,河侧峰值土压力相比山侧分布形式产生了较大差异,桩底的土压力相比山侧减小很大幅度;随外部荷载的增加桩周土压力增加幅度较大,表明螺纹微型桩在横向承载性能方面有所欠缺。
(3)花管桩桩身弯矩沿深度方向呈“M”形分布,桩身离模拟滑面以上5 cm位置处产生最大正弯矩;螺纹桩桩身弯矩分布沿深度方向呈“S”形,桩体正负弯矩位置在模拟滑面附近大致呈旋转对称分布,滑面以上大部分区段为负弯矩,滑面以下为正弯矩;在相同推力荷载工况下,螺纹微型桩变形程度大于花管微型桩。
(4)在滑坡作用下花管微型桩可以有效减小传递到管道的坡体应力,在一定程度上预防管道受力破坏;而螺纹桩在较大推力荷载下抗弯性能不足,变形严重,破坏后不能有效承担滑坡推力,传递到桩前管道的应力较大,从而导致管道变形程度更为强烈;在本试验条件下,花管微型桩对管道的保护效益突出,更适用于作为管道-滑坡区域的支挡结构。
-
表 1 基于不同非滑坡样本选取方法的SVM模型
Table 1 SVM model based on different non-landslide sample selection methods
模型名称 非滑坡样本选取方法:基于数学统计模型(4种) 非滑坡样本选取方法:常规(2种) I-SVM WOE-SVM CF-SVM FR-SVM B-SVM G-SVM 模型编号 1 2 3 4 5 6 命名规则 前面字母代表着选取非滑坡样本的方法,后面字母代表着所使用的SVM模型 非滑坡样本
选取区域信息量模型划分的
较低、极低易发区证据权模型划分的
较低、极低易发区确定性系数模型划分的
较低、极低易发区频率比模型划分的
较低、极低易发区将距滑坡点1 km以内地区设为
缓冲区,从缓冲区外随机选取整个
研究区表 2 不同模型的最优参数
Table 2 Optimal parameters for different models
参数 I-SVM WOE-SVM CF-SVM FR-SVM B-SVM G-SVM Gamma 0.01 0.01 0.02 0.1 0.01 0.02 C 160 180 8 2 40 1 表 3 易发性分级面积及滑坡面积占比
Table 3 Classification area of susceptibility and proportion of landslide area
易发性分级 极低 较低 中等 较高 极高 易发性
分级面积/km2I-SVM 2696.75 2244.36 2006.25 2189.49 3120.79 WOE-SVM 3058.40 2250.93 1869.58 1984.89 3093.82 CF-SVM 3190.05 1975.34 1817.33 2060.21 3214.70 FR-SVM 2780.17 2293.44 2265.99 2454.95 2463.09 B-SVM 2647.25 3111.23 3095.24 2299.57 1104.34 G-SVM 1381.98 3186.95 3089.52 2652.01 1947.17 滑坡面积
占比/%I-SVM 0.11 0.59 4.06 13.15 82.10 WOE-SVM 1.03 1.19 4.98 20.78 72.01 CF-SVM 0.10 5.41 4.75 19.55 70.19 FR-SVM 0.21 2.56 15.66 10.94 70.64 B-SVM 1.58 5.85 18.14 42.98 31.45 G-SVM 3.31 11.46 25.82 13.97 45.44 -
[1] XIA Ding,TANG Huiming,SUN Sixuan,et al. Landslide susceptibility mapping based on the germinal center optimization algorithm and support vector classification[J]. Remote Sensing,2022,14(11):2707. DOI: 10.3390/rs14112707
[2] 郭飞,王秀娟,陈玺,等. 基于不同模型的赣南地区小型削方滑坡易发性评价对比分析[J]. 中国地质灾害与防治学报,2022,33(6):125 − 133. [GUO Fei,WANG Xiujuan,CHEN Xi,et al. Comparative analyses on susceptibility of cutting slope landslides in southern Jiangxi using different models[J]. The Chinese Journal of Geological Hazard and Control,2022,33(6):125 − 133. (in Chinese with English abstract)] GUO Fei, WANG Xiujuan, CHEN Xi, et al. Comparative analyses on susceptibility of cutting slope landslides in southern Jiangxi using different models[J]. The Chinese Journal of Geological Hazard and Control, 2022, 33(6): 125 − 133. (in Chinese with English abstract)
[3] DENG Hui,WU Xiantan,ZHANG Wenjiang,et al. Slope-unit scale landslide susceptibility mapping based on the random forest model in deep valley areas[J]. Remote Sensing,2022,14(17):4245. DOI: 10.3390/rs14174245
[4] QUAN Hechun,JIN Guangri,DESTECH PUBLICAT I. Landslide susceptibility mapping in Changbai Mountain Area using GIS and artificial neural network(ANN); proceedings of the international conference on GIS and resource management (ICGRM),Guangzhou,PEOPLES R CHINA,F Jan 03-05,2014[C]. 2014.
[5] KAVZOGLU T,SAHIN E K,COLKESEN I. Landslide susceptibility mapping using GIS-based multi-criteria decision analysis,support vector machines,and logistic regression[J]. Landslides,2014,11(3):425 − 439. DOI: 10.1007/s10346-013-0391-7
[6] DOU Jie,YUNUS A P,BUI D T,et al. Assessment of advanced random forest and decision tree algorithms for modeling rainfall-induced landslide susceptibility in the Izu-Oshima Volcanic Island,Japan[J]. The Science of the Total Environment,2019,662:332 − 346. DOI: 10.1016/j.scitotenv.2019.01.221
[7] 陈飞,蔡超,李小双,等. 基于信息量与神经网络模型的滑坡易发性评价[J]. 岩石力学与工程学报,2020,39(增刊1):2859 − 2870. [CHEN Fei,CAI Chao,LI Xiaoshuang,et al. Evaluation of landslide susceptibility based on information quantity and neural network model[J]. Chinese Journal of Rock Mechanics and Engineering,2020,39(Sup 1):2859 − 2870. (in Chinese)] CHEN Fei, CAI Chao, LI Xiaoshuang, et al. Evaluation of landslide susceptibility based on information quantity and neural network model[J]. Chinese Journal of Rock Mechanics and Engineering, 2020, 39(Sup 1): 2859 − 2870. (in Chinese)
[8] 周晓亭,黄发明,吴伟成,等. 基于耦合信息量法选择负样本的区域滑坡易发性预测[J]. 工程科学与技术,2022,54(3):25 − 35. [ZHOU Xiaoting,HUANG Faming,WU Weicheng,et al. Regional landslide susceptibility prediction based on negative sample selected by coupling information value method[J]. Advanced Engineering Sciences,2022,54(3):25 − 35. (in Chinese with English abstract)] ZHOU Xiaoting, HUANG Faming, WU Weicheng, et al. Regional landslide susceptibility prediction based on negative sample selected by coupling information value method[J]. Advanced Engineering Sciences, 2022, 54(3): 25 − 35. (in Chinese with English abstract)
[9] 陈芯宇,师芸,温永啸,等. 基于确定性系数与支持向量机的滑坡易发性评价[J]. 科学技术与工程,2023,23(2):518 − 527. [CHEN Xinyu,SHI Yun,WEN Yongxiao,et al. Landslide susceptibility evaluation based on certainty factor and support vector machines[J]. Science Technology and Engineering,2023,23(2):518 − 527. (in Chinese with English abstract)] DOI: 10.3969/j.issn.1671-1815.2023.02.012 CHEN Xinyu, SHI Yun, WEN Yongxiao, et al. Landslide susceptibility evaluation based on certainty factor and support vector machines[J]. Science Technology and Engineering, 2023, 23(2): 518 − 527. (in Chinese with English abstract) DOI: 10.3969/j.issn.1671-1815.2023.02.012
[10] LIU Jiping,LIN Rongfu,XU Shenghua,et al. Landslide susceptibility evaluation based on optimized support vector machine[J]. Proceedings of the ICA,2021,4:1 − 4.
[11] 周天伦,曾超,范晨,等. 基于快速聚类-信息量模型的汶川及周边两县滑坡易发性评价[J]. 中国地质灾害与防治学报,2021,32(5):137 − 150. [ZHOU Tianlun,ZENG Chao,FAN Chen,et al. Landslide susceptibility assessment based on K-means cluster information model in Wenchuan and two neighboring counties,China[J]. The Chinese Journal of Geological Hazard and Control,2021,32(5):137 − 150. (in Chinese with English abstract)] ZHOU Tianlun, ZENG Chao, FAN Chen, et al. Landslide susceptibility assessment based on K-means cluster information model in Wenchuan and two neighboring counties, China[J]. The Chinese Journal of Geological Hazard and Control, 2021, 32(5): 137 − 150. (in Chinese with English abstract)
[12] 熊小辉,汪长林,白永健,等. 基于不同耦合模型的县域滑坡易发性评价对比分析——以四川普格县为例[J]. 中国地质灾害与防治学报,2022,33(4):114 − 124. [XIONG Xiaohui,WANG Changlin,BAI Yongjian,et al. Comparison of landslide susceptibility assessment based on multiple hybrid models at county level:A case study for Puge County,Sichuan Province[J]. The Chinese Journal of Geological Hazard and Control,2022,33(4):114 − 124. (in Chinese with English abstract)] XIONG Xiaohui, WANG Changlin, BAI Yongjian, et al. Comparison of landslide susceptibility assessment based on multiple hybrid models at county level: A case study for Puge County, Sichuan Province[J]. The Chinese Journal of Geological Hazard and Control, 2022, 33(4): 114 − 124. (in Chinese with English abstract)
[13] NEUHÄUSER B,DAMM B,TERHORST B. GIS-based assessment of landslide susceptibility on the base of the Weights-of-Evidence model[J]. Landslides,2012,9(4):511 − 528. DOI: 10.1007/s10346-011-0305-5
[14] 陈建国,钟连祥. 基于CF-AHP耦合模型的高速公路沿线崩塌地质灾害易发性评价——以蓉遵高速公路土城——旺隆段为例[J]. 中国地质灾害与防治学报,2023,34(6):105 − 115. [CHEN Jianguo,ZHONG Lianxiang. Assessment of rockfall susceptibility along the expressway based on the CF-AHP coupling model:A case study of the Tucheng-Wanglong section of the Rongzun expressway[J]. The Chinese Journal of Geological Hazard and Control,2023,34(6):105 − 115. (in Chinese with English abstract)] CHEN Jianguo, ZHONG Lianxiang. Assessment of rockfall susceptibility along the expressway based on the CF-AHP coupling model: A case study of the Tucheng-Wanglong section of the Rongzun expressway[J]. The Chinese Journal of Geological Hazard and Control, 2023, 34(6): 105 − 115. (in Chinese with English abstract)
[15] BERHANE G,KEBEDE M,ALFARAH N,et al. Landslide susceptibility zonation mapping using GIS-based frequency ratio model with multi-class spatial data-sets in the Adwa-Adigrat Mountain chains,northern Ethiopia[J]. Journal of African Earth Sciences,2020,164:103795. DOI: 10.1016/j.jafrearsci.2020.103795
[16] 周萍,邓辉,张文江,等. 基于信息量模型和机器学习方法的滑坡易发性评价研究——以四川理县为例[J]. 地理科学,2022,42(9):1665 − 1675. [ZHOU Ping,DENG Hui,ZHANG Wenjiang,et al. Landslide susceptibility evaluation based on information value model and machine learning method:A case study of Lixian County,Sichuan Province[J]. Scientia Geographica Sinica,2022,42(9):1665 − 1675. (in Chinese with English abstract)] ZHOU Ping, DENG Hui, ZHANG Wenjiang, et al. Landslide susceptibility evaluation based on information value model and machine learning method: A case study of Lixian County, Sichuan Province[J]. Scientia Geographica Sinica, 2022, 42(9): 1665 − 1675. (in Chinese with English abstract)
[17] 付智勇,李典庆,王顺,等. 基于多时空滑坡编录和TrAdaBoost迁移学习的滑坡易发性评价[J]. 地球科学,2023,48(5):1935 − 1947. [FU Zhiyong,LI Dianqing,WANG Shun,et al. Landslide susceptibility assessment based on multitemporal landslide inventories and TrAdaBoost transfer learning[J]. Earth Science,2023,48(5):1935 − 1947. (in Chinese with English abstract)] FU Zhiyong, LI Dianqing, WANG Shun, et al. Landslide susceptibility assessment based on multitemporal landslide inventories and TrAdaBoost transfer learning[J]. Earth Science, 2023, 48(5): 1935 − 1947. (in Chinese with English abstract)
[18] WANG Xiao,LI Shaoda,LIU Hanhu,et al. Landslide susceptibility assessment in Wenchuan County after the 5•12 magnitude earthquake[J]. Bulletin of Engineering Geology and the Environment,2021,80(7):5369 − 5390. DOI: 10.1007/s10064-021-02280-9
[19] 贾雨霏,魏文豪,陈稳,等. 基于SOM-I-SVM耦合模型的滑坡易发性评价[J]. 水文地质工程地质,2023,50(3):125 − 137. [JIA Yufei,WEI Wenhao,CHEN Wen,et al. Landslide susceptibility assessment based on the SOM-I-SVM model[J]. Hydrogeology & Engineering Geology,2023,50(3):125 − 137. (in Chinese with English abstract)] JIA Yufei, WEI Wenhao, CHEN Wen, et al. Landslide susceptibility assessment based on the SOM-I-SVM model[J]. Hydrogeology & Engineering Geology, 2023, 50(3): 125 − 137. (in Chinese with English abstract)
[20] 姚皖路,赵俊三,李坤. 基于信息增益比-支持向量机的泥石流易发性评价[J]. 城市勘测,2023(5):181 − 186. [YAO Wanlu,ZHAO Junsan,LI Kun. Assessment of debris flow susceptibility based on information gain ratio-support vector machine[J]. Urban Geotechnical Investigation & Surveying,2023(5):181 − 186. (in Chinese with English abstract)] DOI: 10.3969/j.issn.1672-8262.2023.05.040 YAO Wanlu, ZHAO Junsan, LI Kun. Assessment of debris flow susceptibility based on information gain ratio-support vector machine[J]. Urban Geotechnical Investigation & Surveying, 2023(5): 181 − 186. (in Chinese with English abstract) DOI: 10.3969/j.issn.1672-8262.2023.05.040
[21] HUANG Wubiao,DING Mingtao,LI Zhenhong,et al. An efficient user-friendly integration tool for landslide susceptibility mapping based on support vector machines:SVM-LSM toolbox[J]. Remote Sensing,2022,14(14):3408. DOI: 10.3390/rs14143408