地质力学学报  2019, Vol. 25 Issue (2): 233-239
引用本文
叶唐进, 谢强, 王鹰. 川藏公路藏东段边坡稳定性研究与治理评价[J]. 地质力学学报, 2019, 25(2): 233-239.
YE Tangjin, XIE Qiang, WANG Ying. STABILITY INVESTIGATION AND TREATMENT EVALUATION OF SLOPES IN THE EASTERN TIBET SECTION OF THE SICHUAN-TIBET HIGHWAY[J]. Journal of Geomechanics, 2019, 25(2): 233-239.
川藏公路藏东段边坡稳定性研究与治理评价
叶唐进1,2 , 谢强1 , 王鹰1,2     
1. 西南交通大学地球科学与环境工程学院, 四川 成都 610031;
2. 西藏大学工学院, 西藏 拉萨 850000
摘要:川藏公路是一带一路南亚通道的主要干线,其藏东段地质灾害频发,如何有效治理、保障安全畅通意义重大。文章在详细调查的基础上,对取得的藏东段沿线所有边坡数据进行统计及特征分析,利用随机森林理论建立了边坡稳定性评判模型,根据计算出的影响因素重要性大小对边坡的稳定性进行判别,模型检验表明其准确率超过94.44%,同时结合实地验证,对边坡的治理提出了可行性建议,为川藏公路藏东段的有效治理提供实用参考资料。
关键词川藏公路    边坡调查    治理评价    边坡稳定性    
DOI10.12090/j.issn.1006-6616.2019.25.02.022     文章编号:1006-6616(2019)02-0233-07
STABILITY INVESTIGATION AND TREATMENT EVALUATION OF SLOPES IN THE EASTERN TIBET SECTION OF THE SICHUAN-TIBET HIGHWAY
YE Tangjin1,2 , XIE Qiang1 , WANG Ying1,2     
1. Faculty of Geosciences and Environmental Engineering, Southwest Jiaotong University, Chengdu 610031, Sichuan, China;
2. School of Engineering, Tibet university, Lhasa 850000, Tibet, China
Abstract: The eastern Tibet section of Sichuan-Tibet Highway is always suffered by unstable slopes even after years of repeated governance. In order to solve this urgent problem, a good knowledge of all slope data and slope treatment status of this area must be obtained. Totally 204 slopes along the Highway have been investigated in detail for three years. The present situation of slope treatment was counted, and its characteristics were analyzed distinguish by soil and rock landslides. Based upon data, factors causing slope instability were analyzed, and slope stability evaluation model was established using random forest method. The importance of influencing factors for slope stability and stability of all slopes were calculated by the model, and the model test showed that the accuracy was over 94.44%. The study results of this article could be used in the engineering management of highway works department. Also, suggestions are proposed on the management of highway slope based on the field investigation.
Key words: Sichuan-Tibet Highway    slope investigation    treatment evaluation    slope stability    
0 引言

川藏公路藏东段,即巴塘至拉萨段,公路自东向西翻越横断山脉、喜玛拉雅山脉及念青唐古拉山脉3大山系,跨过金沙江、澜沧江、怒江及雅鲁藏布江4大水系[1],道路不断穿梭于高原高山、峡谷以及山地之间。由于川藏公路藏东段地质环境复杂、构造活动强烈、地震频繁、地形陡峻以及气象条件恶劣等,从1958年正式通车至今,该路段沿线滑坡等地质灾害频发[2],尤其是雨季更甚,堪比地质灾害博物馆[3~4],严重影响该路段的安全畅通。公路局等部门一直投入大量的人力、资金进行维修整治,虽然有所缓解,但是治理效果仍然较差,公路的安全畅通没有得到根本性的改善。

针对川藏公路藏东段边坡灾害点的研究,孔纪名[5]、祝介旺[6]等对102滑坡、拉月滑坡等典型易滑边坡进行了详细调查,廖秋林[7]、吕光东[8]、张佳佳[9]等对边坡的类型特征及形成因素等做了系统分析,李铭等[10]结合灾害特征提出了相应的治理措施及施工方法,冯雨林[11]利用三维遥感图像模型探讨了川藏公路地质灾害的预测预警方法。针对川藏公路藏东段全线边坡灾害的研究,贾海兰[12]通过调查,分析总结了所有灾害的类型及特点,汤明高[1]等对沿线典型地质灾害的危害性进行了分区,并提出分期分批分级治理思路。虽然众多学者做了大量探索,但针对全线的治理现状调查仍然有待深入,治理效果评价欠缺,稳定性判定方法过于简单,不适用公路工务部门整治参考,其治理方法依然有待优化和改善。

川藏公路是一带一路南亚通道的主要干线,其藏东段更是进藏物资和人员往来的交通要道,负有巩固国防、发展经济、改善民生及边疆维稳重任,因此保证该路段的安全畅通意义重大。文章在历时3年的详细调查及准确获取该路段沿线边坡特征、滑坡灾害及其治理效果基础上,拟建立边坡稳定性评判模型,通过进一步分析主要影响因素与边坡的关系,并结合实地验证,以期提出安全经济的公路边坡治理方法,为川藏公路藏东段的有效治理提供实用参考资料。

1 边坡野外调查 1.1 调查内容

为了边坡调查数据的详实和全面,野外调查内容主要围绕边坡概况、地质背景、地理环境、外形特征、岩质边坡、土质边坡、水文地质、变形特征、素描图示、治理现状等十一项开展工作(表 1)。

表 1 边坡灾害野外调查内容 Table 1 Field investigation content of slope disasters
1.2 调查数据

2014年8月至2017年8月期间对巴塘至拉萨段1278公里的边坡进行了全面调查,采集了204个边坡数据(图 1),涵盖了所有的边坡类型(表 2)。根据物质组成划分边坡类型,经调查统计,岩质边坡37个,占18.14%,土质边坡167个,占81.86%。从分布地点统计,最集中的巴河至邦达段,共采集边坡143个,占70.10%。从治理效果统计,效果较差的159个,占77.94%,效果较好的45个,占22.06%。

图 1 川藏公路藏东段边坡灾害空间分布图 Fig. 1 The spatial distribution map of slope disasters in eastern Tibet section of the Sichuan-Tibet Highway

表 2 川藏公路藏东段边坡调查统计表 Table 2 Statistics and investigation of slopes in eastern Tibet section of the Sichuan-Tibet Highway
1.3 边坡特征

(1)土质边坡

土质边坡的主要成分为残积物、坡积物、冲洪积物以及冰碛物,全线均有分布,但主要集中在山地和峡谷且降雨丰沛路段,其降雨最丰沛的鲁朗至波密段尤为突出,著名的102滑坡、拉月大滑坡就在该路段。土质边坡极易在降雨、融雪以及公路工程建设等共同作用下形成滑坡,造成公路断道或堵塞,是川藏公路主要的地质灾害之一,危害较为严重,治理难度大(图 2)。相关部门采用挡土墙、锚固甚至抗滑桩等多种措施进行了多次治理,屡治屡坏,治理效果依然较差。

图 2 典型的土质滑坡照片 Fig. 2 The photos of typical soil landslides

(2)岩质边坡

岩质边坡在全线基岩裸露地段均有分布,主要以泥岩、板岩和页岩为主。由于构造作用强烈,节理裂隙纵横交错,岩体松散破碎,公路边坡开挖,导致基岩裸露,风化加速,在降雨融雪等条件下,岩体边坡极易失稳(图 3)。此类灾害发生突然,规模较大,危害严重。偶尔也出现落石,影响过往行人及车辆安全。目前多数小型边坡没有采取相应治理措施,大中型边坡采用锚固、挂网等方法进行了治理,但治理效果欠佳。

图 3 典型的岩质滑坡照片 Fig. 3 The photo of typical rock landslides
2 边坡稳定性分析

边坡灾害的治理不仅需要详实的野外调查数据,还需要掌握其主要影响因素,确定其稳定性状态。由于随机森林(RF)在分类方法中可以很好地解决高维数的问题,不易出现过拟合,且具有计算精度高、计算量小、鲁棒性好,抗噪声能力强等特点[13],因此文章选用该方法对其影响因素大小进行排序,并在此基础上对边坡的稳定性进行分析判别。

2.1 影响因素分析

通过野外调查统计得到川藏公路藏东段204个边坡稳定性共有21个影响因素:微地形的坡向、坡高、坡度以及坡形;物源成分的岩性、风化程度、堆积厚度;结构构造的节理裂隙、地质构造、层理;气候作用的降雨、融雪、冻融;水的作用有河水侵蚀、地下水活动;新构造的地震、构造活动;人为工程活动的植被覆盖、公路工程建设、切坡加载,其他因素如振动等。

由于随机森林决策树的分支测度为信息熵或Gini系数,因此可以用于评价特征变量的重要性,对特征变量进行重要性排序。依据随机森林评价特征变量基本思想,对一个特征变量加入噪声值后, RF的预测精度或基尼值显著降低则表明该特征变量比较重要[14]。每个边坡样本有21个影响因素,为了便于统计,将每个因素进行编号处理(表 3)。

表 3 影响因素编号对照表 Table 3 Number of influencing factors

由于数据属于离散型,在对模型进行测试前,需要先对数据进行标准化处理,针对离散型属性使用数值{1,2,3,…}表示,之后按照公式(1)对每个属性的数值进行归一化处理,将数据统一映射到[0, 1]上。

$ {v_s} = \frac{{v - {v_{{\rm{min}}}}}}{{{v_{{\rm{max}}}} - {v_{{\rm{min}}}}}} $ (1)

公式中vs是标准化处理后的数值,v是原始数值,vmaxvmin分别表示数据集中该属性的最大、最小值。

从边坡数据中随机抽出30个用于计算变量的重要性,先用OOB数据测试已生成的随机森林的性能, 得到一个OOB准确率。然后在OOB数据中人为地给某特征变量v加入噪声值, 再用加入噪声后的OOB数据测试随机森林的性能,得到一个新的OOB准确率。原始OOB准确率与加入噪声后的OOB准确率之差,作为相应特征变量v的重要性度量值。选取OOB准确率的平均下降值作为度量,得到21个影响因素的大小(图 4),其重要性大小顺序依次为:降雨>融雪>地下水活动>坡度>岩性>堆积厚度>坡高>节理裂隙>风化程度>工程建设>层理>植被覆盖>冻融>坡形>地震>河水侵蚀>地质构造>构造活动>切坡加载>坡向>振动。

图 4 特征变量重要性排序图 Fig. 4 The order of importance of characteristic variables
2.2 判别模型建立与稳定性评价

根据随机森林的基本原理,首先利用boost-strap抽样方法从川藏公路藏东段调查收集的边坡中,随机选取N个样本作为模型的学习训练样本,用D={d1, d2, …, dN}表示边坡数据的样本集合,其样本容量N,每个样本用di={Xi, yi}表示,其中Xi={xi1, xi2, …, xiM}表示是样本i的特征向量,M表示样本的特征维数,xi1表示样本i第一维的特征值,yi表示分类属性,在这里yi∈(0, 1),0表示不稳定, 1表示稳定[15]

根据随机森林(RF)判别公式:

$ H\left( x \right) = {\rm{argmax}}\sum\limits_{i = 1}^N I ({h_i}\left( x \right) = Y) $ (2)

其中,H(x)表示组合分类模型,hi表示单个决策分类模型,Y表示目标变量,I(·)为示性函数。根据公式(2),建立比N个样本大很多的决策树模型。而且每个基本决策树模型均使用随机的mtry个变量属性,其取值为$m - try \approx \sqrt M $ [16]

川藏公路藏东段调查收集的204个边坡中,随机选取了190个样本作为模型的学习训练样本,其中破坏样本117个,稳定样本73个,剩余的14个样本用于测试。21个影响因素作为模型的输入,边坡稳定性状况作为输出。采用MATLAB7.0平台进行训练,结合模型的运算速度和计算精度,将变量个数m-try设置为5,随机森林决策树的个数N设置为500。在判别模型训练好以后,即可将剩余的14个边坡输入训练好的随机森林判别模型进行回判。

为了比较随机森林判别效果,将随机森林(RF)判别结果与支持向量机(SVM)判别结果和真实结论进行对比,分析结果如表 4所示,其中带*的数据表示预测值与真实值不符。

表 4 随机森林的回判结果与真实值和SVM值对比 Table 4 The comparison of RF-inspection predicted results to measured values and SVM values

表 4中可看出,随机森林(RF)的准确率为100%,而支持向量机(SVM)的准确率为85.71%,随机森林的判别精度明显优于支持向量机,说明随机森林判别方法更为可靠。

为了进一步验证模型的推广性和适用性,利用2017年11月补充采集的18个边坡对模型再次进行检验,对比结果见表 5。可看出,随机森林的判别错误1个,准确率为94.44%,而SVM出现2个判别错误,预测准确率只有为88.89%,随机森林的判别效果仍然好于支持向量机。分析随机森林判别结果错误的原因可能是模型计算偏于保守所致。

表 5 随机森林的判别结果与实际值和SVM值对比 Table 5 The comparison of RF-inspection predicted results to measured values and SVM values

综上所述,文章所建立模型的回判和适用性检验准确率均超过94.44%,完全符合工程安全要求,表明模型具有较好的适用性和推广性。

3 治理方法探讨 3.1 治理措施统计分析

根据野外调查,对目前治理效果较差的159个边坡进行统计分析,找出不同的治理方法与滑坡类型之间的关系(表 6)。

表 6 治理效果较差的边坡统计 Table 6 Statistics of the slopes with poor treatment effect

可以看出,在治理效果较差的边坡中,挡土墙、排水、锚固占94.97%,抗滑桩占5.03%,而明洞、蓬洞以及多种方法综合治理效果很理想,没有出现问题。

通过野外调查核实以及文献资料分析,得出其边坡治理效果欠佳的主要原因是影响因素分析不对,边坡稳定状态判定不准确,因此治理方法欠妥。只有找到现有治理措施存在的具体问题(表 7),才能提出更加合理的治理建议。

表 7 边坡治理现状统计 Table 7 Statistical analysis of treatment status quo of the slopes
3.2 治理建议

对现有治理方法的不足进行分析(表 7),小型边坡灾害采用简单治理或不治理;而中型和大型边坡因危害性、影响因素和稳定性判定不准确,故地下水治理较差。鉴于此,文章结合边坡现有防治存在的问题、主要影响因素以及稳定性判别结果,有针对性地提出了合理的治理建议(表 8)。

表 8 边坡新的治理建议及参考依据 Table 8 New treatment suggestions and reference basis for the slopes

① 土质边坡的治理建议

小型边坡基本稳定,无需治理。中型边坡由于降雨融雪导致地下水作用较强,因此加强边坡地表水、地下水处理,且提高治理等级。大型边坡主要是冰碛土工程性质较差,地下水丰富,稳定性很差,治理难度极大,治理效果一直较差,因此建议绕避或以桥隧通过。

② 岩质边坡的治理建议

小型边坡由于寒冻风化严重,建议喷锚加固即可。中型边坡基岩节理裂隙发育、风化严重,且目前主要问题是治理强度不足,建议锚固+防护网治理。大型边坡主要问题是构造强烈、节理裂隙发育,风化严重,而且受到降雨融雪影响较严重,边坡危害严重,治理难度大,因此建议全面勘察后采用综合措施治理。

4 结论

通过野外调查,对川藏公路藏东段边坡治理现状和基本特征进行了统计分析,利用Gini系数对边坡稳定性的影响因素进行了排序,建立了边坡稳定性判别模型,最后结合主要影响因素、判定结论和治理现状提出治理建议,主要认识和结论如下。

(1) 根据野外详细调查的204个边坡数据和边坡治理效果,得到了土质边坡和岩质边坡的特征,治理效果不佳与主要影响因素分析不对和边坡稳定状态判定不准确有关。

(2) 利用随机森林计算得出边坡影响因素从大到小依次为:降雨>融雪>地下水活动>坡度>岩性>堆积厚度>坡高>节理裂隙>风化程度>工程建设>层理>植被覆盖>冻融>坡形>地震>河水侵蚀>地质构造>构造活动>切坡加载>坡向>振动。

(3) 利用随机森林建立了判别模型,其回判和推广性检验的准确率超过94.44%,说明所建立模型具有较好的可靠性、适用性和推广性。

(4) 根据稳定性主要影响因素、判定结论和治理现状提出新的治理方法:建议中型土质边坡加强地下水处理,大型土质边坡采用绕避或以桥隧通过;建议中型岩质边坡提高防护等级,大型岩质边坡采用全面勘察后综合治理。

参考文献/References
[1]
汤明高, 傅涛, 张维科, 等. 西藏G318典型地质灾害成因机制及防治对策[J]. 公路交通科技, 2012, 29(5): 30-36.
TANG Minggao, FU Tao, ZHANG Weike, et al. Genetic mechanism of Geohazard along national highway 318 in Tibet and prevention countermeasure[J]. Journal of Highway and Transportation Research and Development, 2012, 29(5): 30-36. DOI:10.3969/j.issn.1002-0268.2012.05.006
[2]
中国科学院, 水利部成都山地灾害与环境研究所, 西藏自治区交通科学研究所.川藏公路典型山地灾害研究[M].成都: 成都科技大学出版社, 1999.
Institute of Mountain Hazards and Environment, The Chinese Academy of Sciences and Water Conservancy Ministry, Institute of The Traffic Science, Tibet Autonomous Region. A study of typical mountain hazards along Sichuan-Tibet highway[M]. Chengdu: Chengdu University of Science and Technology Press, 1999. (in Chinese)
[3]
尚彦军, 杨志法, 袁广祥, 等. 雅鲁藏布江大拐弯北部川藏公路地质灾害发育与分布研究[M]. 北京: 中国铁道出版社, 2010.
SHANG Yanjun, YANG Zhifa, YUAN Guangxiang, et al. Geohazards development and distribution along Sichuan-Tibet highway in North of the grand canyon of Yarlu Tsangpo River[M]. Beijing: China Railway Publishing House, 2010. (in Chinese)
[4]
杨志法, 尚彦军, 张路青, 等. 川藏公路地质灾害及其防治对策研究——以八宿至林芝路段为例[M]. 北京: 科学出版社, 2006.
YANG Zhifa, SHANG Yanjun, ZHANG Luqing, et al. Geological disasters and its prevention and cure countermeasures of Sichuan-Tibet highway[M]. Beijing: Science Press, 2006. (in Chinese)
[5]
孔纪名, 张小刚, 强巴. 川藏公路拉月滑坡的块状破坏特征[J]. 山地学报, 2003, 21(2): 228-233.
KONG Jiming, ZHANG Xiaogang, QIANG Ba. Rock lump of landslide of Layue destruction feature analysis in Sichuan-Xizang highway[J]. Journal of Mountain Science, 2003, 21(2): 228-233. DOI:10.3969/j.issn.1008-2786.2003.02.015
[6]
祝介旺, 苏天明, 张路青, 等. 川藏公路102滑坡失稳因素与治理方案研究[J]. 水文地质工程地质, 2010, 37(3): 43-47. DOI:10.3969/j.issn.1000-3665.2010.03.010
[7]
廖秋林, 李晓, 董艳辉, 等. 川藏公路林芝-八宿段地质灾害特征及形成机制初探[J]. 地质力学学报, 2004, 10(1): 33-39.
LIAO Qiulin, LI Xiao, DONG Yanhui, et al. Characteristics and formation mechanism of geological hazards along the section from Nyingchi to Baxoi of the Sichuan-Tibet highway[J]. Journal of Geomechanics, 2004, 10(1): 33-39. DOI:10.3969/j.issn.1006-6616.2004.01.005
[8]
吕光东, 何竹, 金建立. 川藏公路西藏段主要地质灾害及成因分析[J]. 中国西部科技, 2009, 8(2): 7-8.
LV Guangdong, HE Zhu, JIN Jianli. Analysis of the main geological disasters and their causes along Tibet section of Sichuan-Tibet highway[J]. Science and Technology of West China, 2009, 8(2): 7-8. DOI:10.3969/j.issn.1671-6396.2009.02.004
[9]
张佳佳, 陈龙, 王军朝, 等. 藏东南鲁朗-通麦崩塌滑坡孕灾地质背景特征研究[J]. 地质力学学报, 2018, 24(4): 474-481.
ZHANG Jiajia, CHEN Long, WANG Junchao, et al. Study of disaster-inducing geological conditions of collapse and landslide along Lulang-Tongmai in SE Tibet[J]. Journal of Geomechanics, 2018, 24(4): 474-481.
[10]
李铭, 支喜兰, 柳波. 川藏公路南线西藏境内病害类型分析与防治措施研究[J]. 自然灾害学报, 2015, 24(1): 185-190.
LI Ming, ZHI Xilan, LIU Bo. Type analysis and prevention-cotrol measures of disease in south line of Sichuan-Tibet highway in territory Tibet[J]. Journal of Natural Disasters, 2015, 24(1): 185-190.
[11]
冯雨林.三维遥感图像模型在川藏公路典型地质灾害预警中的应用[D].长春: 吉林大学, 2005.
FENG Yulin. The application of three-dimensional remote sensing image model in representative geological disasters warming in Chengdu-Lhasa's national highway[D]. Changchun: Jilin University, 2005. (in Chinese)
[12]
贾海兰. 川藏公路沿线灾害的类型与特点[J]. 公路交通技术, 2005(6): 13-16, 35.
JIA Hailan. Types and features of along Sichuan-Tibet highway[J]. Technology of Highway and Transport, 2005(6): 13-16, 35. DOI:10.3969/j.issn.1009-6477.2005.06.004 (in Chinese)
[13]
Breiman L. Random forests[J]. Machine Learning, 2001, 45(1): 5-32.
[14]
萧超武, 蔡文学, 黄晓宇, 等. 基于随机森林的个人信用评估模型研究及实证分析[J]. 管理现代化, 2014, 34(6): 111-113.
XIAO Chaowu, CAI Wenxue, HUANG Xiaoyu, et al. The personal credit evaluation model based on random forest research and empirical analysis[J]. Management Science, 2014, 34(6): 111-113. DOI:10.3969/j.issn.1003-1154.2014.06.038 (in Chinese)
[15]
姚玮, 温树杰. 随机森林模型在边坡稳定性预测中的应用[J]. 矿业研究与开发, 2017, 37(4): 58-61.
YAO Wei, WEN Shujie. Application of random forest model in prediction of slope stability[J]. Mining Research and Development, 2017, 37(4): 58-61.
[16]
温廷新, 张波. 露天煤矿边坡稳定性的随机森林预测模型[J]. 科技导报, 2014, 32(4-5): 105-109.
WEN Tingxin, ZHANG Bo. Prediction model for open-pit coal mine slope stability based on random forest[J]. Science & Technology Review, 2014, 32(4-5): 105-109. DOI:10.3981/j.issn.1000-7857.2014.h1.018