摘要
三峡库区是中国典型的地质灾害易发区，该地区位于长江中上游，具有复杂的地质结构和较为强烈的新构造运动。自2003年三峡工程蓄水以来，滑坡体和库岸边坡的岩土多次受到库水位周期性大幅波动以及降雨影响。这一过程对周边区域地质环境条件产生了很大的负面作用，导致原有稳定的库岸易出现变形，甚至发生失稳、崩塌现象，严重影响库区经济和社会发展，威胁沿岸人民生命财产安全和长江航运安全。 本文以三峡库区阶跃型库岸滑坡为研究对象，基于相关监测数据，探究其变形演化特征及不同因素对滑坡的影响作用；在此基础上，合理选择了滑坡变形的影响因子；最后，开展了阶跃型库岸滑坡位移预测研究。本文主要研究内容及成果如下： 第一，根据白水河滑坡区布设的地表位移监测系统获取的监测数据，进一步探究白水河滑坡的变形特征。结果表明：白水河滑坡变形主要发生在每年5到8月份，集中于滑坡东侧的预警区内，滑坡位移曲线呈阶跃型增长。滑坡前缘的变形程度远大于其他位置，属牵引式滑坡。 第二，分析各因素对白水河滑坡变形的影响作用，其中考虑了库水位蓄水三个阶段对滑坡变形的不同影响，接着进行了外部诱发因素的定量分析。结果表明：发生滑坡变形的主导因素在不同蓄水阶段有所不同；滑坡变形往往伴随库水位快速下降且滑坡位移对库水位变化的响应存在一定时间的滞后；白水河滑坡变形与降雨量具有明显关联性且滑坡变形对降雨的响应存在滞后性。通过定量分析发现，前1月降雨量和前1月平均库水位是不同集合中与滑坡变形关联度最大的两个影响因子。库水位因素的影响作用主要体现在库水位下降时期，坡体内外水位差逐渐增大，产生了朝向滑坡体外部的渗透压力，从而影响滑坡稳定度。同时，滑坡体受到江水浸泡，致使滑坡前缘抗剪强度减弱且自身重量增加，也严重影响滑坡稳定性。降雨因素的影响体现在汛期强降雨时期，滑坡整体含水量增大，期间还会伴随孔隙渗透压力增大以及抗剪强度参数减小，最终导致滑坡稳定条件劣化。人类工程活动会破坏原地表植被，改变斜坡地貌形态，诱发滑坡产生局部变形破坏。内部地质因素的影响体现在白水河滑坡存在易于失稳的有效临空面，并且其岩层中存在抗剪强度较低，抗滑能力较差的软弱夹层，有利于滑坡变形；坡体表面的节理更是有利于雨水渗入坡体，不利于滑坡稳定。 第三，采用灰色关联分析与相关性分析，对各备选影响因子进行定量研究，确定最终输入模型的影响因子。 第四，提出一种基于小波变换的GRU-GAN滑坡位移预测模型并验证。经分析发现，现有滑坡位移预测方法面临着某些研究挑战：首先，目前流行的滑坡预测模型大部分均属于静态预测模型，难以捕获滑坡位移时间序列数据中的动态信息，从而不能很好刻画出滑坡的动态变化特征。其次，部分学者采用的浅层机器学习方法，难以挖掘影响因素与滑坡位移之间的潜在规律。最后，单一的深度学习模型，或多或少都存在一定的局限性，滑坡演变过程是内外界多种影响因素联合作用的结果，具有高度的不确定性、非线性以及复杂性等特性，使得单一的神经网络模型并不一定适用。为了应对上述挑战，本文提出了一种基于小波变换的门控循环单元（Gated Recurrent Unit,GRU）与生成式对抗网络（Generative Adversarial Network,GAN）相结合的滑坡位移预测模型，称之为GRU-GAN模型。首先，基于监测数据进行滑坡时间序列方面的研究与分析，通过能够凸显数据波动性信息的小波变换方法将滑坡位移数据分解为低频分量和高频分量。其次，构建长短期记忆神经网络（Long Short-Term Memory,LSTM）模型与GRU-GAN模型分别对趋势项和周期项位移进行预测，然后重构得到滑坡累计位移预测值。最后，对本文模型进行验证，结果表明，与其他模型相比，本文所用模型具有较高的预测精度。
NETL