Research on landslide deformation rate prediction method based on dynamic serial PSO-BiLSTM
-
摘要:
针对现有突发型滑坡变形速率预测方法存在诸如精度不足、计算效率低等问题，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，采用动态滑窗方式截取滑坡变形速率，并通过集合经验模态分解（EEMD）对截取的变形速率序列进行分解，得到趋势项及周期项；其次，分别通过多项式拟合和周期项PSO-BiLSTM网络得到趋势项和周期项的变形速率预测序列；再次，经过一系列循环得到残差变形速率序列后，结合趋势项及周期项变形速率预测序列，建立总PSO-BiLSTM预测网络，得到总预测变形速率；最后，以四川省某滑坡监测为例对方法进行了验证，结果表明：基于动态串联PSO-BiLSTM算法的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。
-
关键词:
- PSO /
- 双向长短时记忆(BiLSTM)神经网络 /
- EEMD /
- 变形速率预测
Abstract:This paper proposed a method for predicting landslide deformation rates using a dynamic serial PSO-BiLSTM approach, aiming to overcome the limitation such as insufficient accuracy and low computational efficiency found in existing methods. Initially, the deformation rate of landslides is captured through a dynamic sliding window technique, and the resulting sequence is decomposed using Ensemble Empirical Mode Decomposition (EEMD) to extract trend and periodic components. Subsequently, the deformation rate prediction sequences of trend and periodic components were obtained through polynomial fitting and a periodic component of PSO-BiLSTM network, respectively. After several cycles that produce residual deformation rate sequences, these are integrated with the initial prediction sequences to establish a comprehensive PSO-BiLSTM prediction network that yields the total predicted deformation rate. The method was validated with a landslide monitoring case in Sichuan Province, achieving a MAE of 0.28, a MAPE of 5.41%, an RMSE of 0.57, and an R2 of 0.98, with a computation time of 380.22 seconds, thus ensuring high accuracy and computational efficiency.
-
0. 引 言
近年来，中国建设开发了数十座软岩露天煤矿，在开采过程中采场及排土场均发生过一定规模的滑坡，对于采场底帮顺倾软岩边坡与顺倾软基底内排土场边坡滑坡灾害尤为严重。滑坡灾害直接影响剥采排工程的发展，造成人员伤害和设备损毁及地貌景观破坏，严重制约着露天矿的安全高效生产[1-2]，边坡稳定性治理问题已成为边坡工程领域亟待解决的难题之一。
目前国内外学者们应用不同理论对其展开大量有意义的研究，成果丰硕。王东等[3]综合运用极限平衡法及数值模拟法，分析了不同压帮高度下边坡稳定性变化规律，提出了逆倾软岩边坡变形的治理措施；刘子春等[4]以扎尼河露天矿为背景，通过分析扩帮、内排压角等治理措施的基础上，提出了一种条带式开采技术的边坡治理方案；陈毓等[5]采用ANSYS对黑山露天矿内排土场边坡稳定性和破坏机理进行了分析，揭示了内排土场滑坡模式为“坐落滑移式”滑动，运用削坡治理技术来保证内排土场稳定性；唐文亮等[6]系统分析了露天矿内排土场滑坡影响因素，提出了预留煤柱的滑坡治理方法；李伟[7]揭示了阴湾排土场边坡变形破坏机理并结合数值模拟法和极限平衡法，分析了内排不同压脚方案下边坡稳定性，提出了阴湾排土场滑坡治理措施；王刚等[8]基于有限元数值模拟法和极限平衡法，分析了边坡破坏机理并对边坡进行了稳定性计算，提出了削坡减载的治理措施。软岩露天煤矿采场边坡稳定性治理最经济有效的方式是内排追踪压帮，内排土场稳定是前提，但现有方法均是单一针对采场或排土场边坡稳定性分析和治理，未能同时兼顾采场与内排土场边坡的稳定性，对工程实际的指导性不强。
本文以贺斯格乌拉南露天煤矿首采区南帮为工程背景，在兼顾采场与内排土场边坡稳定性的基础上，提出了露天煤矿顺倾软岩边坡内排追踪压帮治理工程，为深入研究顺倾软岩露天煤矿边坡稳定性治理方法提供新的参考。
1. 边坡工程地质条件分析
贺斯格乌拉南露天煤矿设计生产能力为15 Mt/a，首采区南帮地层自上而下主要发育第四系、2煤组、2煤组与3煤组间夹石、3煤组、3煤组底板和盆地基底火山岩，含煤岩系主要以泥岩为主，全区可采的有2-1、3-1煤层，第四系以粉砂质黏土为主，局部夹黄-浅灰色细砂及含砾粗砂层，岩性较差，首采区土层赋存较薄，且其地层中多赋存软弱夹层，主要以3-1、3-4煤底板弱层主，属于典型的顺倾软岩边坡，岩土体物理力学指标如表1所示，典型工程地质剖面如图1所示。
表 1 岩土体物理力学指标Table 1. Physical and mechanical parameters of rock mass岩体名称 内摩擦角/（°） 黏聚力/kPa 容重/（kN·m−3） 弹性模量/MPa 泊松比 砂岩 26.00 65 19.6 35 0.42 粉质黏土 14.06 22 19.8 46 0.38 煤 29.00 85 12.1 40 0.35 泥岩 20.00 40 19.4 75 0.36 排弃物 14.49 20 19.0 60 0.40 弱层 6.00 0 19.1 20 0.42 回填岩石 20.00 40 19.0 − − 2. 采场底帮浅层边坡二维稳定性分析
影响顺倾软岩露天煤矿采场边坡稳定性的主控因素是弱层及其暴露长度，采用追踪压帮方式治理该类边坡稳定性时，可忽略软弱夹层为底界面的切层-顺层组合滑动模式[9-10]，仅考虑剪胀破坏模式。由于贺斯格乌拉南露天矿边坡体内赋存软弱夹层，主要以3-1、3-4煤底板弱层为主，顺倾角度大，岩质松软，对于此类边坡，浅部可通过平盘参数进行重新设计，深部必须利用三维效应，实现稳定性控制。可采用刚体极限平衡法中的剩余推力法对浅层边坡进行稳定性计算[11-12]。该方法的优点是可以用来计算求解给定任意边坡潜在滑面的稳定系数，并且可以考虑在复杂外力作用下的不同抗剪参数滑动岩体对边坡稳定性的影响。稳定系数求解公式为：
$$ {P_i} = \frac{{{W_i}\sin {\alpha _i}({W_i}\sin {\alpha _i}\tan {\varphi _i}) + {C_i}{L_i}}}{{{F_{\rm{s}}}}} + {\phi _i}{p_{i - 1}} $$ (1) $$ {\phi _i} = \frac{{\cos ({\alpha _{i - 1}} - {\alpha _i})\tan {\varphi _i}\sin ({\alpha _{i - 1}} - {\alpha _i})}}{{{F_{\rm{s}}}}} $$ (2) 式中：
${P_i}$ ——第$i$ 条块的剩余推力/kN；$ {W_i} $ ——第$i$ 条块的重量/（N·m−3）；$\alpha_i$ ——第$i$ 条块的滑面倾角/（°）；${\varphi _i}$ ——第$i$ 条块的推力传递系数；${C_i}$ ——第$i$ 条块的滑面黏聚力/kPa；${L_i}$ ——第$i$ 条块的底面长度/m；${\phi _i}$ ——第$i$ 条块的滑面摩擦角/（°）；${F_{\rm{s}}}$ ——稳定性系数。依据《煤炭工业露天矿设计规范》（GB 50197―2015）[13]综合考虑贺斯格乌拉南露天煤矿首采区南帮边坡服务年限、地质条件与力学参数的可靠性、潜在滑坡危害程度等，确定安全储备系数为1.2。
由于南帮压覆大量煤层，在保证安全前提下，为实现最大限度回采压覆的煤炭资源，需要对边坡形态重新设计。本文选取典型剖面为研究对象，浅层边坡形态按照40 m运输平盘、15 m保安平盘进行设计，深部利用横采内排三维支挡效应回采采场底帮深部压覆煤炭资源。通过上述情况对浅层边坡进行了分析，边坡稳定性计算结果如图2所示。
![]()
图 2 浅层边二维坡稳定性计算结果Figure 2. Calculation results of two-dimensional slope stability of the shallow side分析图2可知，浅部边坡形态可按照40 m运输平盘、15 m保安平盘进行设计，由于弱层上部存在煤岩支挡，边坡潜在滑坡模式为以圆弧为侧界面、3-1煤底板弱层为底界面、沿边坡坡脚处剪出，此时，浅层边坡能满足安全储备系数1.2的要求。
3. 采场底帮深部边坡稳定性三维效应分析
基于浅层边坡二维稳定性分析结果可知，实现深部稳定性控制，必须借助横采工作帮与内排土场的双重支挡作用进行压煤回采，因此提出了利用横采内排三维支挡效应回采采场深部压覆煤炭资源[14]。本文借助FLAC3D数值模拟软件，分析不同降深角度和不同追踪距离条件下的边坡三维稳定性，以期获得最优的边坡空间形态参数。
（1） 模型的建立
考虑到FLAC3D建模较为复杂，采用CAD与Rhino相结合的方法，首先在CAD中对剖面进行整理，然后在Rhino软件中进行模型成体与网格划分的处理，并用Griddle将网格导出，生成精细的六面体网格模型[15 − 17]，最后导入采用于FLAC3D进行数值模拟计算。为尽可能凸显边坡稳定性的三维效应，以南帮断面形态设计边坡为数值模拟对象，共计建立15种工况模型，模型如图3，追踪距离分别为50，100，200，300，400 m。为避免边界效应，在模型的底部和两侧分别施加水平和垂直位移约束，加载方式为重力加载[18]。
（2） 计算结果分析
由于计算结果过多，本文仅列举降深角度α=29°，追踪距离50，200，400 m工况下边坡位移云图（切割位置为沿模型走向中间处），如图4所示。南帮边坡三维稳定性计算结果如图5所示。
![]()
图 5 追踪距离与边坡稳定系数的关系曲线Figure 5. Relationship curve between tracking distance and slope stability coefficient分析图4、图5可知，追踪距离50 m时，三维支挡效应显著，边坡深部位移明显小于上部，发生以圆弧为侧界面、3-1煤底板弱层为底界面的切层-顺层-剪出滑动，稳定系数大于1.2。当追踪距离大于50 m时，通过对比分析不同深部边坡角（α）条件下的数值模拟结果可知，深部边坡角对边坡稳定性系数影响较小，随着追踪距离的增加，边坡的破坏模式过渡为以圆弧为侧界面、3-1煤底板弱层为底界面的切层-顺层滑动，并且此时边坡的稳定性不满足安全储备系数1.2要求。因此，内排土场追踪距离需控制在50 m以内，深部边坡角设计为29°。
4. 内排土场压帮边坡稳定性分析与治理
露天矿内排土场边坡稳定的主控因素是软弱基底，软弱基底分为自身软弱岩土层和受外界条影响转变为软弱岩土层2种类型。排土场下沉是软弱基底内排土场失稳的特征，主要现象是含有纵向强烈挤压区，基底上部岩层隆起，地面出现滑坡等[19 − 21]。在保证采场南帮安全的前提下降深至3-1煤底板，须借助横采工作帮与内排土场的双重支挡作用，内排土场稳定是前提[22]。由于内排土场基底为3-1、3-4煤底板弱层，顺倾角度较大，按照内排土场设计参数，其稳定性无法满足安全储备系数的要求[23]。从提供基底强度角度出发，采用破坏弱层回填岩石的方式提高内排土场边坡稳定性。按照排土台阶高度24 m、平盘宽度60 m、坡面角33°对不同内排压帮标高边坡稳定性进行试算，确定内排最小压帮标高为+844水平，因此本文分析了内排基于+844水平的压帮高度下内排土场基底不同的处理方式时的边坡稳定性计算结果如图6—7所示，边坡稳定性与破坏弱层回填岩石范围关系曲线如图8所示。
![]()
图 6 3-1煤层内排基底不同处理方式下边坡稳定性计算结果Figure 6. Calculation results of slope stability under different treatment methods of inner row basement (3-1)分析图6—图8可知，当内排基于+844的压帮高度，内排基底3-1底板弱层完全破坏并回填岩石，破坏3-4底板弱层并回填岩石倾向长度达60 m时，内排土场及其与采场南帮复合边坡稳定性均可满足安全系数1.2要求。边坡稳定性随破坏底板弱层回填岩石范围的增大呈正指数函数规律提高，随着回填岩石范围长度的不断增加，边坡稳定性系数不断提高。采用破坏弱层回填岩石的基底处理方法，既保证了边坡的稳定又规避了过渡处理基底的生产成本。
![]()
图 7 3-4煤层内排基底不同处理方式下边坡稳定性计算结果Figure 7. Calculation results of slope stability under different treatment methods of inner row basement (3-4)![]()
图 8 边坡稳定性与破坏弱层回填岩石范围关系曲线Figure 8. Relationship curve between slope stability and the extent of backfill rocks in the weak layer5. 结 论
（1） 弱层暴露长度是露天矿顺倾软岩边坡稳定性的主控因素，据此提出了露天矿顺倾软岩边坡内排追踪压帮治理工程，可最大限度的安全回收边坡压覆煤炭资源。
（2） 控制采场与内排土场间的追踪距离是改善边坡稳定性的有效途径。随着追踪距离的增加，边坡破坏模式从以圆弧为侧界面、弱层为底界面的切层-顺层-剪出滑动逐渐过渡为以圆弧为侧界面、弱层为底界面的切层-顺层滑动。
（3） 内排土场及其与采场构成的复合边坡稳定性随破坏底板弱层回填岩石范围的增大呈指数函数规律提高，随着回填岩石范围长度的不断增加，边坡稳定性系数不断提高。
（4） 贺斯格乌拉南露天煤矿首采区南帮浅部边坡留设40 m运输平盘、15 m保安平盘，底帮深部边坡角29°，追踪距离控制在50 m之内时可满足安全要求；内排基底弱层完全破坏并回填岩石倾向长度60 m时可满足安全需求。
-
![]()
图 5 动态串联PSO-BiLSTM算法预测流程
Figure 5. Dynamic Serial PSO-BiLSTM Algorithm Prediction process
![]()
图 6 滑坡隐患点监测预警设备
Figure 6. landslide hazard point monitoring and early warning equipment
![]()
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
![]()
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
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 
下载: 导出CSV
-
[1] 国家统计局. 中国统计年鉴2022[J]. 北京:中国统计出版社,2022. National Bureau of Statistics. China Statistical Yearbook 2022 [J]. Beijing:China Statistical Publishing House,2022. [2] 许强,彭大雷,何朝阳,等. 突发型黄土滑坡监测预警理论方法研究——以甘肃黑方台为例[J]. 工程地质学报,2020,28(1):111 − 121. [XU Qiang,PENG Dalei,HE Chaoyang,et al. Theory and method of monitoring and early warning for sudden loess landslide:A case study at Heifangtai terrace[J]. Journal of Engineering Geology,2020,28(1):111 − 121. (in Chinese with English abstract)] XU Qiang, PENG Dalei, HE Chaoyang, et al. Theory and method of monitoring and early warning for sudden loess landslide: A case study at Heifangtai terrace［J］. Journal of Engineering Geology, 2020, 28（1）: 111 − 121. （in Chinese with English abstract）
[3] 陈文涛,杨志全,朱颖彦,等. 阿塔巴德滑坡形成条件与诱发机制分析[J]. 中国安全科学学报,2020,30(11):148 − 155. [CHEN Wentao,YANG Zhiquan,ZHU Yingyan,et al. Analyses on formation conditions and triggering mechanism of Atabad landslide[J]. China Safety Science Journal,2020,30(11):148 − 155. (in Chinese with English abstract)] CHEN Wentao, YANG Zhiquan, ZHU Yingyan, et al. Analyses on formation conditions and triggering mechanism of Atabad landslide［J］. China Safety Science Journal, 2020, 30（11）: 148 − 155. （in Chinese with English abstract）
[4] 董力豪,刘艳辉,黄俊宝等. 基于卷积神经网络的福建省区域滑坡灾害预警模型[J]. 水文地质工程地质,2023,50(0):1 − 9. [DONG Lihao,LIU Yanhui,HUANG Junbao,et al. An early preiction model of regional landslide disasters in Fujian Province based on convolutional neural network[J]. Hydrogeology & Engineering Geology,2023,50(0):1 − 9] DONG Lihao, LIU Yanhui, HUANG Junbao, et al. An early preiction model of regional landslide disasters in Fujian Province based on convolutional neural network［J］. Hydrogeology & Engineering Geology, 2023, 50（0）: 1 − 9
[5] 杨伟东,王再旺,赵涵卓,等. 基于APSO-SVR-GRU模型的白水河滑坡周期项位移预测[J]. 中国地质灾害与防治学报,2022,33(6):20 − 28. [YANG Weidong,WANG Zaiwang,ZHAO Hanzhuo,et al. Displacement prediction of periodic term of Baishuihe landslide based on APSO-SVR-GRU model[J]. The Chinese Journal of Geological Hazard and Control,2022,33(6):20 − 28. (in Chinese with English abstract)] YANG Weidong, WANG Zaiwang, ZHAO Hanzhuo, et al. Displacement prediction of periodic term of Baishuihe landslide based on APSO-SVR-GRU model［J］. The Chinese Journal of Geological Hazard and Control, 2022, 33（6）: 20 − 28. （in Chinese with English abstract）
[6] 刘莹,杨超宇. 基于多因素的LSTM瓦斯浓度预测模型[J]. 中国安全生产科学技术,2022,18(1):108 − 113. [LIU Ying,YANG Chaoyu. LSTM gas concentration prediction model based on multiple factors[J]. Journal of Safety Science and Technology,2022,18(1):108 − 113. (in Chinese with English abstract)] LIU Ying, YANG Chaoyu. LSTM gas concentration prediction model based on multiple factors［J］. Journal of Safety Science and Technology, 2022, 18（1）: 108 − 113. （in Chinese with English abstract）
[7] 陶雪杰,徐金明,王树成,等. 使用长短期记忆人工神经网络进行花岗岩变形破坏阶段的判别[J]. 水文地质工程地质,2021,48(3):126 − 134. [TAO Xuejie,XU Jinming,WANG Shucheng,et al. Determination of granite deformation and failure stages using the long short term memory neural network[J]. Hydrogeology & Engineering Geology,2021,48(3):126 − 134. (in Chinese with English abstract)] TAO Xuejie, XU Jinming, WANG Shucheng, et al. Determination of granite deformation and failure stages using the long short term memory neural network［J］. Hydrogeology & Engineering Geology, 2021, 48（3）: 126 − 134. （in Chinese with English abstract）
[8] 李丽敏,郭伏,温宗周,等. 基于长短时记忆与多影响因子的滑坡位移动态预测[J]. 科学技术与工程,2020,20(33):13559 − 13567. [LI Limin,GUO Fu,WEN Zongzhou,et al. Dynamic prediction of landslide displacement based on long short time memory and multiple influencing factors[J]. Science Technology and Engineering,2020,20(33):13559 − 13567. (in Chinese with English abstract).] LI Limin, GUO Fu, WEN Zongzhou, et al. Dynamic prediction of landslide displacement based on long short time memory and multiple influencing factors［J］. Science Technology and Engineering, 2020, 20（33）: 13559 − 13567. （in Chinese with English abstract）.
[9] 张明岳,李丽敏,温宗周. RNN与LSTM 方法用于滑坡位移动态预测的研究[J]. 人民珠江,2021,42(9):6 − 13. [ZHANG Mingyue,LI Limin,WEN Zongzhou. Research on RNN and LSTM method for dynamic prediction of landslide displacement[J]. Pearl River,2021,42(9):6 − 13.] DOI: 10.3969/j.issn.1001-9235.2021.09.002 ZHANG Mingyue, LI Limin, WEN Zongzhou. Research on RNN and LSTM method for dynamic prediction of landslide displacement［J］. Pearl River, 2021, 42（9）: 6 − 13. DOI: 10.3969/j.issn.1001-9235.2021.09.002
[10] LI Jiaying, WANG Weidong, HAN Zheng. A variable weight combination model for prediction on landslide displacement using AR model, LSTM model, and SVM model: A case study of the Xinming landslide in China[J]. Environmental Earth Sciences, 2021, 80(10): 386.
[11] 唐宇峰,胡光忠,周帅. 动态残差修正 LSTM 算法的突发型滑坡位移预测[J]. 中国安全科学学报,2023,33(8):109 − 116. [TANG Yufeng,HU Guagnzhong,ZHOU Shuai. Displacement prediction of sudden landslide based on dynamic residual correction LSTM algorithm[J]. China Safety Science Journal,2023,33(8):109 − 116.] TANG Yufeng, HU Guagnzhong, ZHOU Shuai. Displacement prediction of sudden landslide based on dynamic residual correction LSTM algorithm［J］. China Safety Science Journal, 2023, 33（8）: 109 − 116.
[12] TENGTRAIRAT N,WOO W L,PARATHAI P,et al. Automated landslide-risk prediction using web GIS and machine learning models[J]. Sensors (Basel),2021,21(13):4620.
[13] 韩丽有,谭钦红,刘家森. 基于CNN-BiLSTM的FMCW雷达生命体征信号检测[J/OL]. 激光杂志:1 − 7. [2023-09-20]. http://gffiy28995338bdc041dahc6u9oo6k6uu66vkb.fffb.suse.cwkeji.cn:999/kcms/detail/50.1085.TN.20230901.1753.026.html. [14] CUI Wenqi,HE Xin,YAO Meng,et al. Landslide image captioning method based on semantic gate and bi-temporal LSTM[J]. ISPRS International Journal of Geo-Information,2020,9(4):194.
[15] WANG Haojie,ZHANG Limin,LUO Hongyu,et al. AI-powered landslide susceptibility assessment in Hong Kong[J]. Engineering Geology,2021,288:106103.
[16] LIN Zian,JI Yuanfa,SUN Xiyan. Landslide displacement prediction based on CEEMDAN method and CNN–BiLSTM model[J]. Sustainability,2023,15(13):10071.
[17] HOCHREITER S,SCHMIDHUBER J. Long short-term memory[J]. Neural Computation,1997,9(8):1735 − 1780.
[18] YANG Beibei,YIN Kunlong,LACASSE S,et al. Time series analysis and long short-term memory neural network to predict landslide displacement[J]. Landslides,2019,16(4):677 − 694.
[19] 任远芳,牛坤,丁静,等. 基于改进PSO算法优化SVR的信息安全风险评估研究[J/OL]. 贵州大学学报(自然科学版),2023:1 − 7. (2023-09-19). http://kns.cnki.net/kcms/detail/52.5002.N.20230915.1454.002.html. [REN Yuanfang, NIU Kun, DING Jing, et al. Research on information security risk assessment based on improved PSO algorithm to optimize SVR[J/OL]. Journal of Guizhou University (Natural Sciences), 2023: 1 − 7. (2023-09-19). http://kns.cnki.net/kcms/detail/52.5002.N.20230915.1454.002.html. (in Chinese with English abstract)] REN Yuanfang, NIU Kun, DING Jing, et al. Research on information security risk assessment based on improved PSO algorithm to optimize SVR[J/OL]. Journal of Guizhou University (Natural Sciences), 2023: 1 − 7. （2023-09-19）. http://kns.cnki.net/kcms/detail/52.5002.N.20230915.1454.002.html. （in Chinese with English abstract）
[20] KALE S. Development of an adaptive neuro-fuzzy inference system (ANFIS) model to predict sea surface temperature (SST)[J]. Oceanological and Hydrobiological Studies,2020,49(4):354 − 373.
-
期刊类型引用(1)
1. 管少杰，吕进国，王康，张砚力. 露天矿下伏采空区距坡脚水平距离对边坡稳定性的影响. 工矿自动化. 2025(02): 113-120 . 
百度学术
其他类型引用(0)
计量
- 文章访问数: 8
- HTML全文浏览量: 2
- PDF下载量: 0
- 被引次数: 1
邮件订阅
RSS