杨 顺, 常晁瑜, 余思汗, 王 银, 刘 超(. 宁夏回族自治区地震局, 宁夏 银川 75000; 2. 防灾科技学院, 河北 三河06520;3. 中国地震局工程力学研究所 中国地震局地震工程与工程振动重点实验室, 黑龙江 哈尔滨 50080)

0 引言

21世纪以来,我国内陆地区强震频发,汶川8.0级地震、岷县—漳县6.6级地震及九寨沟7.0级地震等均造成了巨大的灾害损失,极震区内大量的地震滑坡是主要灾害源之一。地震作用下黄土斜坡失稳形成的黄土地震滑坡是黄土地区的主要地震灾害,规模大、滑速高、滑程远、致灾性强。黄土地区历次大震诱发的黄土滑坡所造成的灾害损失,往往大于地震直接造成的损失,因此,提出一种适用于黄土斜坡地震稳定性快速评估的综合判别方法,是黄土丘陵地区工程建设规划选址以及震后应急救援的需求之一。

20世纪90年代以来,国内外学者开始关注研究1920海原大地震诱发的黄土地震滑坡灾害。文献[1-12]从多个方面对西吉县内黄土滑坡的分布规律、基本特征以及形成机理等进行了实地调查和较为深入的研究,取得了丰富的研究成果。但就如何提出一种适用于本地区黄土斜坡地震稳定性快速评估方法,目前相关研究较少。因此,提出一种黄土斜坡地震稳定性快速评估的综合判别方法,是本地区防震减灾工作的根本需求。

笔者在对前人就斜坡(边坡)地震稳定性评价分析方法评述成果的分析总结基础上,认为边坡地震稳定性分析方法大致可以分为定性统计、定量计算以及物理试验3类[13-14]。其中,物理试验分析需要进行岩土物理力学试验、振动台、离心机等大型试验,可较好地分析其发生机理,但费时费工费力,不适合进行快速评估。定性统计分析(滑坡现场调查统计分析)以及定量计算分析中的概率分析方法(逻辑回归、神经网络、可靠度分析法、灰色聚类法)可用于黄土斜坡地震稳定性的快速评估。滑坡现场调查统计分析是对定量概率分析的数据支撑与结果验证,定量概率分析结果是对黄土斜坡地震稳定性快速评估的直观显示。

本文拟选取宁夏西吉县为目标区,对区内1920年海原8.5级特大地震所诱发的347处黄土地震滑坡进行了野外的详细调查,获取详实的基础数据,在此基础上结合遥感影像解译,统计总结研究区内黄土地震滑坡的分布特征,并依此提出宏观、定性的黄土斜坡地震稳定性快速判别方法;基于分布特征选取易获取指标作为基本参数,应用MLP神经网络模型提出黄土斜坡地震稳定性的定量快速判定模型。期许综合了定性、定量快速判定方法的综合判别方法,对研究区内震前规划选址及震后应急救援中黄土斜坡地震稳定性的快速评估起到一定的指导意义。

1 区域地震构造背景

研究区位于活动构造分布密集,地震活动性强烈的青藏高原东北缘这一特殊构造部位。第四纪以来,随着青藏高原的不断隆升及印度板块向北推挤,以整体挤压隆升为背景的垂直差异运动为构造活动的主要特色并兼有左旋走滑运动,如海原断裂带、六盘山东麓断裂带等。研究区域无论历史上还是近代,都是地震多发地区,是我国遭受地震灾害最严重的地区之一。区内先后发生过33次中强地震,其中8.5级地震1次,7～7.9级地震5次,6～6.9级地震8次,4.7～5.9级地震19次。频发的中强震造成了严重的灾害损失及生态破坏。但自1970年西吉5.5级地震之后,宁南及邻区内50年未发生5.0级以上的中强震,由此可看出区内面临的地震危险性风险极高。区内地貌类型多样,大致可分为基岩山区、黄土梁状丘陵区、黄土垴及河谷阶地等,层次分明,错落有序。优势的天然地形地貌条件和频发的中强震活动,使得研究区内黄土地震滑坡易发、多发,如1920年海原大地震于区内诱发了大规模的、密集的、群发性的黄土地震滑坡,造成了惨重的经济损失和人员伤亡。

图1 区域地震构造图Fig.1 The regional seismotectonic map

2 基于滑坡分布特征的定性判定方法

2.1 空间分布特征

本文通过现场调查的区内347处滑坡资料,得出其空间分布图(图2),滑坡密集分布于西吉县西南部,位于海原大地震的Ⅸ度、Ⅹ度区内,西吉县的北侧、东侧滑坡极少分布。究其原因,认为同样烈度范围内,由于北侧黄土覆盖较薄,主要为基岩山区,无法满足滑坡发育的物源条件;现场调查发现西吉县东侧位于六盘山西麓,黄土覆盖较薄,加之斜坡坡度小,因此滑坡极少发育。滑坡密集发育的西南部地貌类型主要为黄土梁峁,沟谷纵横且切割较深,黄土覆盖较厚,滑坡多发、群发;笔者在对Ⅷ度区以下地区调查发现,相似地形地貌条件下,区内滑坡极少或不发育,主要原因为地震能量较小,不足以引起黄土地震滑坡。由此说明,黄土地震滑坡发育是地形地貌、地层岩性及地震强度等因素共同作用的结果。

图2 研究区黄土地震滑坡分布图Fig.2 The distribution diagram of loess seismic landslides in the study area

2.2 滑坡于地形地貌上的分布特征

2.2.1 河谷地貌区

研究区内黄土地震滑坡在滥泥河上游地区形成了大量的堰塞湖,其中最大的党家岔堰塞湖长5 km,宽300多米。经现场调查发现,滥泥河沿岸的滑坡绝大部分分布在河流的南岸,而北岸几乎没有。滥泥河上游沿岸分布的党家岔滑坡、大埂子滑坡、震湖乡滑坡等一系列堰塞湖滑坡均发育在河流南岸,向NW和NE方向滑动(图3)。认为西北地区黄土主要是由NW向和NE向荒漠地区的尘土颗粒经季风搬运,自WN向ES沉积而成。因此,NW向斜坡的黄土覆盖较厚,而SE向的较薄,较厚的黄土覆盖层为滑坡发育提供了良好的底层条件。

图3 滥泥河流域滑坡分布遥感影像图Fig.3 The remote sensing image of landslides distribution in Lanni River drainage

2.2.2 黄土梁地貌区

黄土梁是研究区内黄土地震滑坡发育的主要地貌单元,发育于梁坡之上的滑坡占总数的90%以上。通过对研究区内滑坡分布所处黄土梁延伸方向统计得出(图4),区内滑坡主要分布于180°±50°方向延伸的黄土梁两侧,而EW向的黄土梁两侧极少有滑坡发育。究其原因认为,180°±50°方向延伸的黄土梁迎风坡接受北方荒漠地带黄土风积作用较强且差别大不,黄土沉积较厚,一般在20 m左右,加之沟谷内流水侵蚀、下蚀作用强烈,从而使得此类沟谷内黄土地震滑坡高发于两侧或一侧梁坡之上。

图4 黄土梁延伸方向分布图Fig.4 The distribution of loess beam extension direction

野外调查发现,大部分延伸方向近乎南北的沟谷两侧,滑坡呈对发育特征(图5)。此类近乎SN向延伸的沟谷内黄土滑坡的对生现象是研究区黄土丘陵地区滑坡发育的主要特征之一,究其原因主要是因为近乎南北的延伸方向使得沟谷两侧坡体接受NW向、NE向黄土风积作用差别不大,从而沟谷两侧斜坡地形起伏、地层结构及流水切割程度基本相同,在地震动的往复作用下,会产生类型相同、大小和形态相近的滑坡。

图5 南北向延伸黄土梁两侧滑坡分布特征Fig.5 The distribution characteristics of landslides on both sides of the north-south extension loess beam

据野外调查及遥感解译发现,研究区内NNW、SSE向延伸的黄土梁滑坡主要分布于黄土梁东侧梁坡。如图6所示,造成NNW、SSE向延伸的黄土梁两侧黄土梁坡滑坡发育差异性的根本原因就是两侧梁坡黄土覆盖厚度的不同。研究区整体受来自NE向(毛乌素沙漠)及NW向(腾格里沙漠)的黄土风积作用,NNW、SSE向延伸的黄土梁东侧梁坡(迎风坡)经受NE向黄土风积作用较强,黄土沉积较厚,而西侧梁坡(背风坡)黄土覆盖厚度则相对较薄,从而使得滑坡密集分布于东侧梁坡,西侧则极少发育。

NNE、SSW向延伸的黄土梁滑坡主要分布于黄土梁西侧梁坡,分布原因同上(图6、图7)。

图6 沈家嘴区域滑坡分布图Fig.6 The distribution map of landslides in Shenjiazui area

2.2.3 黄土垴地貌区

黄土垴、黄土微盆地是黄土山区特殊的地貌单元,也是黄土地震滑坡的高发区域。据现场调查发现,在韩家垴、张湾村、夏家湾、台子垴及微盆地内,内壁四周边坡产生了汇聚式的溃滑现象(图8)。据野外调查研究表明,黄土垴、微盆地内黄土结构松散,覆盖较厚,汇水条件较好,使其内部土体含水率偏高,从而导致内壁土体强度低于外壁。地震时,在垴、盆地边缘效应的作用下,垴、盆地内壁土体极易发生失稳破坏,从而产生汇聚式的溃滑现象。

图7 张家大岔村区域滑坡分布图Fig.7 The distribution map of landslides in Zhangjiadacha Village

图8 韩家垴内汇聚式发育的黄土地震滑坡Fig.8 The loess earthquake landslides gathering in Hanjianao Village

2.3 滑坡发育原始斜坡特征

原始地形是控制滑坡发育的关键因素之一,也是宏观预测黄土地震滑坡的重要指标。本文通过区内滑坡发育的原始坡高、坡角的统计得出,原始坡高主要分布在40～140 m之间,滑坡个数达292处,占统计滑坡总数的84%(图9),原始坡角主要集中分布于10°～22°之间,占统计滑坡总数的79%(图10)。

研究区内黄土地震滑坡大部分发育于区内分布最为广泛的低缓黄土中丘陵地区。据现场调查发现,区内广泛发育的黄土梁坡原始坡形整体较为平直,坡面较缓,但坡前由于流水下蚀、深切,临空角度较大,一般在50°～70°之间,这为中缓黄土梁坡上黄土地震滑坡的发育提供了有利的临空条件。

图9 原始坡高分布图Fig.10 The distribution of original slope height

图10 原始坡角分布图Fig.10 The distribution of original slope angle

2.4 黄土斜坡地震稳定性的定性判定

2.4.1 判定依据

依据研究区内黄土地震滑坡的分布特征,黄土斜坡地震稳定性的定性快速判定可有以下具体几项参考依据:

(1) 地震动强度:依据震后通过强震仪快速计算得到的烈度分布范围图;

(2) 地貌:依据遥感影像及区域地质图选取;

(3) 黄土梁延伸方向:遥感影像快速获取;

(4) 黄土斜坡坡高、坡角:遥感解译快速获取;

2.4.2 判定流程

依据本文2.4.1小结所罗列的黄土地震滑坡易发区快速定性判定依据,结合研究区黄土地震滑坡分布特征,归纳出研究区黄土斜坡地震稳定性定性判定流程图(图11)。依据该流程,可宏观、快速、定性的判定研究区内黄土斜坡的地震稳定性,但针对具体斜坡则无法给出判定结果。因此需提出一种快速定量判别方法来结合使用。

图11 研究区黄土斜坡地震稳定性快速定性 判定流程图Fig.11 Qualitative determination process of seismic stability of loess slope in the study area

3 基于MLP神经网络的定量判别

神经网络顾名思义,就像我们人脑中的神经元一样,让机器来模拟人脑。我们在算法中设置一个个节点,在训练模型时,输入的特征与预测结果用节点来表示,系数W(称为“权重”)用来连接节点。神经网络模型的学习就是一个调整权重的过程,训练模型一步步达到我们想要的效果。多层感知器(Multilayer perceptron,MLP)神经网络可以实现非线性判别式,可以逼近输入的非线性函数。MLP可用于“普适近似”,即具有连续输入和输出的任何函数都可以用MLP近似,已于多领域实际应用证明。具有一个隐藏层(隐藏节点个数不限)的MLP可以学习输入任意非线性函数。

3.1 MLP神经网络算法

典型的 MLP 神经网络通常包含输入层、隐藏层(一层或多层)以及输出层。输入层与输入变量有相同数量的节点数;隐藏层包含了神经元之间连接的权重值以及相应的阈值函数,用来传递和处理信号;输出值即为最终要得到的数据[15]。

前馈神经网络在数学上的表示为:

(1)

(2)

式中:x为输入参数;ωih和ωho分别为输入层-隐藏层权重、隐藏层-输出层权重;bih和bho为偏差参数;M为隐藏层的节点数;D为输入层的节点数;Tr(z)为传递函数,该传递函数对求和输入进行非线性转换[13]。

算法的目标为通过一系列的训练,减小计算值与真实值之间的误差,误差E可定义为:

(3)

式中:p为训练模式总数;Ep为第p次训练模式的误差:

(4)

式中:N为输出节点总数;Ok为第k次输出节点的输出;tk是第k次输出节点的目标输出。

每计算出一次误差后,将向前进行反馈并更新权重值,使网络更能接近实际的表达值,直至所有训练数据训练完毕。对于一组训练数据通常会进行多次训练,每训练一次称为一个世代(Epoch),一般训练达到设定的参数条件后停止[15]。

3.2 黄土斜坡地震稳定性判定MLP模型建立

黄土斜坡的地震稳定性是由多影响因素控制,具有很强的非线性。基于野外调查及遥感解译所获取的研究区内700组斜坡数据,建立黄土斜坡地震稳定性MLP神经网络模型,87组数据进行实例判别验证。表1中,斜坡状态1表示已滑动,0表示未滑动,烈度值取1920海原大地震烈度影响范围(由于篇幅原因,只展示部分数据)。

在神经网络构建时隐藏层的层数和节点数非常重要,目前为止还没有明确地得出一个研究问题中最佳的隐藏层数和节点数。因此在进行具体问题的神经网络构建时,需要根据实际数据的参数进行合理地尝试并得到较为优化的网络。由于输入参数为4个,因此本文中的黄土斜坡地震稳定性预测网络输入节点数目为 4(图13)。另外,因为黄土斜坡地震稳定性判别得到的结果为已滑动(1)或未滑动(0)两种结果,所以输出节点数目为1。

隐藏层节点数经验判别公式为:

(5)

式中:m为隐藏层节点数目;n为输入层节点数目;l为输出层节点数目;a为 1～10 间的常数。

图12 MLP神经网络模型基本原理图Fig.12 The basic principle of MLP neural network model

编号斜坡状态坡高H坡角A坡向D烈度I119314°276°Ⅸ2110016°311°Ⅸ3115015°75°Ⅸ419613°80°Ⅹ518816°342°Ⅹ601257°172°Ⅸ701108°200°Ⅸ801239°193°Ⅸ9010010°244°Ⅹ1001609°111°Ⅹ

图13 黄土斜坡地震稳定性判定MLP神经网络结构Fig 13 The MLP neural network structure for judging seismic stability of loess slope

根据式(5)得出最佳隐藏层节点数应在3～13个之间。为增加准确率本文将扩大试验范围,对3～17个隐藏层节点数均进行试验。首先定为一层,节点数将会进行不同参数的试探,当一层隐藏层计算结果误差较大时将增加隐藏层量,直至得出满足问题精度需要的结果。

3.3 预测结果

本文通过校验700组数据及87组未分析数据,验证MLP分析所得黄土边坡地震稳性评程序的合理性及适用性。运用700组数据进行多层感知器神经网络分析回判校验成功率平均可达96.7%,回判结果优良(表2);运用区内87组未参与分析的斜坡数据进行实例判别验证,成功率可达90.0%,判别结果优良(表3),整体判别较偏安全。由此可以得出,本方法适用于区内黄土边坡地震稳定性的快速评判,但只适应于具有一定黄土覆盖厚度的地区,并不适用于基岩山区,因此需结合上节所提的定性判定方法来进行综合评判。

表2 MLP神经网络回判分析结果统计表

表3 MLP神经网络校验分析结果统计表

4 结论与讨论

本文依据大量的野外调查资料,结合遥感影像及前人研究成果,总结了研究区黄土地震滑坡的空间分布特征、地形地貌特征及滑坡发育原始斜坡特征,基于分布特征,提出了宏观、定性的黄土斜坡地震稳定性快速判别方法;基于分布特征选取了坡高、坡角、坡向及地震动强度作为基本参数,应用MLP神经网络模型提出了黄土斜坡地震稳定性的定量快速判定模型,经回判校验及实例判别验证,模型判别结果优良,判别结果较偏安全,可用于易发区的快速定量判定。通过本文研究可以看出,定性判定方法与定量判别方法两者相结合,能够较为全面的、实际的对研究区内黄土斜坡地震稳定性进行快速评估,对研究区震前规划选址及震后应急救援均有着重要的指导意义。

本文所依据的基础数据均来源于西吉县,地域性较强,从而所提出的定性、定量快速判定方法存在一定的局限性,推广应用于其他地区有待开展进一步验证。多地域、多指标增加判定方法所需的基础数据样本,是本文研究成果推广的基础,对宁夏南部甚至整个黄土地区地震滑坡易发区的判定有着十分重要的价值。

致谢:非常感谢防灾科技学院薄景山教授课题组的各位同门为本文现场调查工作提供的大力支持！