Представляем вниманию читателей немного сокращенный адаптированный перевод доклада китайских исследователей «Оценка пороговых условий инициирования оползня Мацзягоу на основе интеллектуального анализа данных» (Zhang et al., 2021), сделанного на 11-й Конференции Азиатского общества механики горных пород. Материалы этой конференции были опубликованы в соответствующем сборнике серии IOP Conference Series: Earth and Environmental Science («Материалы конференций издательства IOP: секция наук о Земле и окружающей среде»). Данная серия выпускается британской благотворительной научной организацией IOP (Institute of Physics – «Институт физики»), ставшей фактически международной. Оригинал представленного доклада китайских авторов находится в открытом доступе по лицензии CC BY 3.0, которая позволяет распространять, переводить и адаптировать его при условии указания типов изменений и ссылки на первоисточник. В нашем случае полная ссылка на источник для перевода (Zhang et al., 2021) приводится в конце.
Оползневые деформации в зонах влияния водохранилищ в основном обусловлены комбинированным воздействием атмосферных осадков и колебаний уровня воды. Для анализа устойчивости склонов и оценки потенциальных оползней большое значение имеет определение пороговых величин инициирующих факторов. Существующие эмпирические модели пороговых условий в основном базируются на статистическом анализе для подбора явной функции зависимости между триггерными факторами и смещением грунта и широко применяются для оползней, вызванных дождями. Однако для оползней в зонах воздействия водохранилищ взаимосвязь между интенсивностью атмосферных осадков, уровнем воды в водоеме, скоростью его изменений и смещением оползневого грунта является сильно нелинейной, что затрудняет применение существующих эмпирических моделей пороговых условий.
Для решения этой научной проблемы в данной статье предлагается новый метод оценки пороговых значений на основе интеллектуального анализа данных. В качестве объекта исследования был выбран оползень Мацзягоу в районе водохранилища «Три ущелья». Сначала в течение двух лет проводился мониторинг с помощью распределенных волоконно-оптических датчиков для регистрации данных об атмосферных осадках, колебаниях уровня воды и деформациях грунта в режиме реального времени. Затем был детально проанализирован характер развития оползня. На заключительном этапе для определения пороговых количеств осадков и колебаний уровня воды в водохранилище применили кластерный анализ и алгоритм дерева решений. При этом 80% собранных данных использовали для машинного обучения модели, а оставшиеся 20% – для ее валидации.
В результате разработан новый эффективный метод оценки пороговых условий для инициирования оползня, поэтому данное исследование вносит вклад в развитие методов прогноза и раннего предупреждения о сходах оползней в зонах водохранилищ.
С 2003 года, после начала заполнения водохранилища «Три ущелья», вокруг него было зафиксировано около 5386 оползней [1]. Оползни в зонах влияния водохранилищ по сравнению с другими их типами более широко распространены, отличаются разнообразием и интенсивностью. Они разрушают объекты инфраструктуры (дороги, мосты, жилые дома), что может угрожать жизни людей [2–3]. Экономичным и эффективным способом оценки устойчивости склонов и организации раннего предупреждения об оползнях в зонах водохранилищ является определение пороговых значений инициирующих факторов.
Существующие методы оценки пороговых условий для схода или активизации оползней можно разделить на две основные группы – физические и эмпирические. Физический порог для инициации оползня определяется на основе учета инфильтрации атмосферных осадков, гидрологических условий и механизма разрушения склона, в то время как эмпирический порог устанавливается с применением статистического анализа данных мониторинга. При эмпирическом подходе не используются сложные механические модели и допущения, что делает его широко востребованным при оценке триггерных условий. Кейн [4] проанализировал 73 случая неглубоких оползней, вызванных дождями, и предложил порог на основе интенсивности и продолжительности выпадения осадков. Впоследствии многие ученые сосредоточились на изучении возможностей оценки пороговых условий инициирования оползней. Например, Кэннон [5] предложил эмпирическую модель на основе суммарной продолжительности осадков, а Джибсон [6] разработал модель такого типа на основе их суммарной интенсивности.
Возникновение оползней в зоне влияния водохранилища «Три ущелья» происходит под воздействием как атмосферных осадков, так и колебаний уровня воды в этом водоеме. Однако в настоящее время большинство исследований сосредоточено только на пороговых условиях на основе осадков без учета уровня воды.
В последнее время при изучении оползней начали применять интеллектуальный анализ данных как эффективный инструмент для установления нелинейных взаимосвязей между различными параметрами. Алгоритмы такого анализа используются в различных формах, включая деревья решений [7–8], байесовские сети [9–10], искусственные нейронные сети [11–12], метод опорных векторов [13]. Однако методы интеллектуального анализа данных в основном используются для оценки риска и раннего предупреждения, тогда как пороговые условия, вызывающие оползни в районах водохранилищ, изучены недостаточно хорошо.
В данной работе в качестве объекта был выбран оползень Мацзягоу у водохранилища «Три ущелья» – типичный оползень, расположенный в зонах влияния такого типа водоемов. На этом участке была создана система мониторинга, которая в режиме реального времени регистрировала данные по атмосферным осадкам, уровню воды в водохранилище и смещениям грунта. Для оценки порогов активизации оползня был предложен метод интеллектуального анализа данных, включавший кластерный анализ и алгоритм дерева решений. Благодаря использованию модели, обученной на специальном наборе данных, удалось установить нелинейную зависимость между осадками, уровнем воды и смещениями. Это позволило определить пороговые величины для атмосферных осадков и уровня воды в водохранилище.
В представленной статье предлагается научно обоснованный метод определения пороговых условий инициирования оползня, что имеет большое значение для создания систем раннего предупреждения об оползневой опасности в зонах влияния водохранилищ.
Оползень Мацзягоу, инициированный при первом заполнении водохранилища в 2003 году, имеет длину 560 м, ширину 180–210 м, площадь 9,8×10⁴ м² и следующие географические координаты: примерно от 31°01′08″ до 31°01′17″ с.ш. и примерно от 110°41′48″ до 110°42′10″ в.д. Он расположен на левом берегу Чжаси – притока реки Янцзы – в уезде Цзыгуй провинции Хубэй (рис. 1). Фронтальная часть оползня представляет собой речную аллювиальную террасу и образует многоярусные пологие площадки и гребни с крутыми боками. Его границы сформированы двумя балками, вытянутыми с востока на запад, с глубиной вреза 50–60 м (см. рис. 1). Средний уклон оползня составляет около 15°, варьируя в пределах 12–20° в зависимости от рельефа поверхности.
Рис. 1. Расположение оползня Мацзягоу
Оползневый массив Мацзягоу в основном состоит из поверхностных отложений и коренных осадочных пород (рис. 2), среди которых имеется слойслабых грунтов. Поверхностные отложения представлены преимущественно элювиальными пылеватыми глинами с включением гравия и небольшим количеством прослоев песчаника. Их коэффициент фильтрации составляет около 6,5×10–4 м/с. Коренные породы имеют азимут падения 270–290° и угол падения 25–30° и состоят из кварцевых песчаников с тонкими прослоями алевритистых аргиллитов юрской свиты Суйнин. Их коэффициент фильтрации примерно равен 1,0×10⁻⁷ м/с. Годовое количество атмосферных осадков и уровень воды в водохранилище подвержены сезонным колебаниям. Район оползня Мацзягоу характеризуется обильными осадками – около 1066 мм в год. При этом наибольшее их количество приходится на период с мая по сентябрь, составляя более двух третей годового объема. Уровень воды в водохранилище ежегодно колеблется в пределах 145–175 м.
Рис. 2. Продольный вертикальный разрез оползня Мацзягоу
На оползне Мацзягоу была размещена система дистанционных наблюдений, включавшая блок мониторинга в реальном времени, блок удаленной обработки данных (с функциями их хранения и анализа) и блок принятия решений (рис. 3).
Рис. 3. Структура системы мониторинга в режиме реального времени (на представленной схеме блок принятия решений, упомянутый в тексте, отдельно не выделен, так как соответствующий алгоритм, видимо, программно реализован в составе блока обработки данных. – Ред.)
Блок мониторинга в реальном времени
Блок удаленной обработки данных
При работе блока мониторинга в режиме реального времени неизбежно возникают аномальные величины сигналов (выбросы) и шумы, что обусловлено особенностями самих сигналов, ограничениями электронных приборов и воздействиями окружающей среды (внешними помехами). Для сведения этой проблемы к минимуму аномальные значения, возникавшие в процессе мониторинга, исключались с помощью критерия определения выбросов, а для отфильтровывания шумов применялся эллиптический фильтр.
Двухэтапный кластерный анализ (двухэтапная кластеризация)
Двухэтапный кластерный анализ данных включает их предварительную кластеризацию и собственно кластеризацию (рис. 4). На этапе предварительной кластеризации выборка грубо подразделяется на несколько подкатегорий «последовательным» методом. На этой основе в процессе собственно кластеризации оценивается, можно ли объединить подкластеры, созданные на предыдущем этапе, в соответствии со «степенью их сходства». И в конечном итоге выборки разделяются на L категорий (кластеров).
Рис. 4. Схематическое представление метода двухэтапной кластеризации
Алгоритм (модель) «дерево решений»
Построение модели «дерево (принятия) решений» можно разделить на следующие два этапа:
Процесс оценки пороговых условий активизации оползня включал построение модели «дерево решений», ее оценку и последующее использование (рис. 5).
Рис. 5. Схема основных этапов оценки пороговых условий для активизации оползня Мацзягоу с использованием интеллектуального анализа данных
Построение модели «дерево решений»
Сначала методом двухэтапной кластеризации классифицируются показатели дождевых осадков, уровня воды в водохранилище и деформаций оползня. Затем в качестве выходной характеристики задается стадия развития деформаций, а в качестве входных параметров – показатели внешних гидрологических индуцирующих факторов. Весь набор данных разделяется на обучающую и тестовую выборки. При этом 80% данных используется для машинного обучения модели, а оставшиеся 20% – для ее валидации.
Оценка модели
Построенная модель «дерево решений» оценивается в соответствии со стандартными критериями интеллектуального анализа данных. Следует отметить, что такая модель должна обладать высокой точностью и не противоречить имеющимся знаниям и опыту.
Использование модели
На этапе применения модели «дерево решений» формируются правила классификации и прогнозирования для входных и выходных данных. Она позволяет прогнозировать значения выходных показателей на основе новых входных данных. С помощью этой модели устанавливаются критерии взаимосвязи между стадиями развития деформаций оползня и внешними триггерными факторами, что позволяет точно оценить пороговые условия для активизации оползня.
На рисунке 6 показана взаимосвязь между накопленным (суммарным с начала наблюдений до рассматриваемого момента) горизонтальным смещением грунта и внешними гидрологическими факторами. Видно, что смещение нарастало со временем не равномерно, а скорее ступенчато. В мае 2016 года и в июле 2017 года наблюдались интенсивные дожди, что коррелировало с ростом накопленного смещения, а колебания уровня воды в водохранилище показали сильное сезонное влияние на деформирование оползня Мацзягоу. Это свидетельствует о том, что осадки и колебания уровня тесно связаны с деформациями.
Рис. 6. Изменения количества атмосферных осадков, уровня воды в водохранилище и накопленного смещения оползня во времени
В качестве количественных показателей атмосферных осадков были выбраны максимальное суточное количество осадков за месяц и месячная сумма осадков, для уровня воды в водохранилище – средний уровень за месяц и его изменение за месяц, для деформации оползня – скорость смещения (за месяц). Эти показатели по результатам применения метода двухэтапной кластеризации показаны в таблицах 1–3.
Таблица 1. Показатели количества осадков по результатам применения метода двухэтапной кластеризации
Таблица 2. Показатели уровня воды в водохранилище по результатам применения метода двухэтапной кластеризации
Таблица 3. Показатели скорости смещения оползня по результатам применения метода двухэтапной кластеризации
На основе модели «дерево решений» было установлено пять критериев триггерных условий для активизации оползня Мацзягоу (таблица 4). Общая точность (доля правильных прогнозов модели от общего количества прогнозов, англ.accuracy) этих пороговых критериев высока, что позволяет использовать их для прогнозирования деформаций оползня.
Таблица 4. Пороговые критерии развития деформаций оползня Мацзягоу
Критерий 1 заключается в следующем: если уровень воды в водохранилище выше 170 м и максимальное суточное количество дождевых осадков за месяц менее 21 мм, то оползень будет деформироваться с низкой скоростью. Точность данного правила составляет 87%.
Критерии 2–3 относятся к средней скорости деформирования оползня. Критерий 2 можно интерпретировать так: если максимальное суточное количество осадков за месяц превышает 23,7 мм, месячная сумма осадков меньше 174 мм, а понижение уровня воды в водохранилище превышает 1,25 м (то есть изменение уровня меньше чем минус 1,25 м/месяц), то оползень будет деформироваться со средней скоростью. Точность этого критерия достигает 98%. Критерий 3 означает следующее: если максимальное суточное количество осадков за месяц превышает 23,7 мм, месячная сумма осадков больше 174 мм, а понижение уровня воды в водохранилище меньше 1,25 м (то есть изменение уровня больше чем минус 1,25 м/месяц), то деформирование оползня также будет происходить со средней скоростью. Точность этого критерия составляет 63%.
Критерии 4–5 относятся к высокой скорости деформирования. Критерий 4 с точностью 84% указывает на то, что при уровне воды в водохранилище менее 153 м и максимальном суточном количестве осадков за месяц менее 23,7 мм оползень будет деформироваться с высокой скоростью. Критерий 5 можно описать так: если максимальное суточное количество осадков за месяц превышает 23,7 мм, месячная сумма осадков больше 174 мм, а понижение уровня воды за месяц превышает 1,25 м (то есть изменение уровня меньше чем минус 1,25 м/месяц), оползень деформируется с высокой скоростью. Точность этого критерия достигает 100%.
Сравнение критериев показывает, что при высоком уровне воды в водохранилище (более 170 м) скорость смещения оползня Мацзягоу невелика. При понижении уровня воды скорость увеличивается, а при переходе к низкому уровню (153 м и ниже) она становится высокой. Это можно объяснить изменениями гидростатического давления. То есть уменьшение уровня воды в водохранилище приводит к снижению гидростатического давления, воздействующего на склон, что способствует деформированию оползня. Пороговое значение общего месячного количества осадков для инициирования быстрого смещения составляет 174 мм. Под воздействием интенсивных дождей фильтрационная сила, направленная к поверхности оползня (при наличии водоупора и водонасыщении залегающего выше грунта. – Ред.), ускоряет его деформирование. Кроме того, по мере инфильтрации осадков влажность грунта увеличивается, что приводит к снижению его сопротивления сдвигу, что в конечном итоге увеличивает скорость нарастания деформаций. Пороговое изменение уровня воды в водохранилище для инициирования быстрого смещения оползня составляет минус 1,25 м/месяц (то есть когда уровень воды падает со скоростью 1,25 м/месяц). Это можно объяснить следующим: когда скорость понижения уровня превышает 1,25 м/месяц, поровое давление воды внутри склона не успевает выравниваться. И в отложениях склона, залегающих выше уровня воды в водохранилище, возникает неустановившаяся фильтрация из-за недостаточной диссипации (рассеивания) избыточного порового давления. В то же время этот неустановившийся (нестационарный) поток внутри склоновых отложений формирует фильтрационную силу, направленную вдоль поверхности скольжения вниз, тем самым ускоряя смещение оползня.
ЗАКЛЮЧЕНИЕ
На оползне Мацзягоу была развернута система мониторинга поведения оползней в зонах влияния водохранилищ в реальном времени. Фиксировались количество атмосферных осадков, уровень воды в водохранилище и смещения слагающих склон грунтов. Стоит отметить, что двумя основными триггерными факторами, определяющими деформирование такого рода береговых оползней, являются осадки и уровень воды. Для оценки пороговых значений этих факторов был предложен метод интеллектуального анализа данных с использованием кластерного анализа и алгоритма «дерево решений».
На первом этапе с помощью метода двухэтапной кластеризации были определены показатели количества осадков, уровня воды и деформаций оползня. Затем в качестве выходной характеристики задали стадию развития оползневого процесса, а в качестве входных параметров – показатели внешних гидрологических факторов. Набор данных разделили на обучающую и тестовую выборки: 80% данных использовали для машинного обучения модели, а оставшиеся 20% – для ее последующей валидации. Таким образом была построена модель «дерево решений».
Согласно критериям порогового смещения оползня Мацзягоу, полученным на основе этой модели, было установлено следующее. Уровень воды в водохранилище, при котором скорость деформирования становится высокой, составляет 153 м, а пороговое значение месячной суммы осадков для начала быстрого смещения равно 174 мм. Кроме того, была определена критическая скорость изменения уровня воды для быстрой деформации оползня – она составила минус 1,25 м/месяц (понижение уровня на 1,25 м за месяц).
В данной работе предложен новый эффективный метод оценки пороговых значений триггерных факторов для инициирования или активизации оползня на берегу водохранилища. Этот метод может внести вклад в прогнозирование и своевременное оповещение об угрозе инициирования или активизации оползней вокруг водохранилищ.
—
Авторы выражают благодарность Национальному фонду естественных наук Китая за финансовую поддержку данного исследования (в рамках грантов № 42077238 и 41941019).
Zhang L., Cui Y., Shi B. The triggering threshold estimation of Majiagou landslide based on data mining // IOP Conference Series. Earth and Environmental Science. Vol. 861. Proceedings of the 11th Conference of Asian Rock Mechanics Society. 2021. Article 042037. DOI:10.1088/1755-1315/861/4/042037.
наверх
Поделиться
Поделиться
Скопировать ссылку
Скопировать ссылку 
Vk 
Telegram 
Viber 
WhatsApp 
Оформить подписку