[1]伍剑波,王赫生,张泰丽,等.台风暴雨型滑坡地下水位动态特征及预测[J].华东地质,2021,42(04):390-397.[doi:10.16788/j.hddz.32-1865/P.2021.04.004]
　WU Jianbo,WANG Hesheng,ZHANG Taili,et al.Analysis and prediction of the groundwater dynamics of landslide induced by typhoon rainstorm[J].East China Geology,2021,42(04):390-397.[doi:10.16788/j.hddz.32-1865/P.2021.04.004]
点击复制

台风暴雨型滑坡地下水位动态特征及预测()
分享到：

《华东地质》[ISSN:2096-1871/CN:32-1865/P]

卷:
42
期数:
2021年04期
页码:
390-397
栏目:
台风暴雨型地质灾害专题
出版日期:
2021-12-25

文章信息/Info

Title:
Analysis and prediction of the groundwater dynamics of landslide induced by typhoon rainstorm
作者:
伍剑波;  王赫生;  张泰丽;  孙强;  朱延辉
中国地质调查局南京地质调查中心, 江苏 南京 210016
Author(s):
WU Jianbo;  WANG Hesheng;  ZHANG Taili;  SUN qiang;  ZHU Yanhui
Nanjing Center, China Geological Survey, Nanjing 210016, Jiangsu, China
关键词:
台风暴雨型滑坡; 地下水位动态; RBF神经网络; 降雨; 预测
Keywords:
landslide induced by typhoon rainstorm; groundwater level; RBF neural network; precipitation; prediction
分类号:
P6949641.2
DOI:
10.16788/j.hddz.32-1865/P.2021.04.004
摘要:
台风暴雨常引起强烈的地下水位波动,间接影响了地质体的稳定性,是东南沿海地区滑坡发生的主要诱因,准确预测降雨作用下的地下水位对该类滑坡的防治及预警预报具有重要意义。RBF神经网络通过对样本数据进行人工智能分析,可无限逼近任意非线性函数值,适用于滑坡地下水位动态预测。该文基于浙江中林滑坡位移、降雨、地下水位等长期监测数据,分析台风暴雨型滑坡渗流与形变特征,探讨降雨与地下水位之间响应关系。通过MATLAB软件平台确定径向基的宽度,并建立地下水位动态预测模型。通过对地下水位实测值与预测值进行对比分析,得出实测值与预测值的偏差最小值为0.01 m,最大值为3.13 m,平均值为0.46 m;同级别降雨量的样本数量越多,预测结果越精确。研究表明,RBF神经网络在地下水位预测方面具有一定的实际应用意义。
Abstract:
Strong fluctuation in groundwater level are often caused by typhoon rainstorm, which indirectly affects the stability of geological bodies, and was the primary cause of landslides in southeastern coast area. Therefore, an accurate prediction of groundwater level under rainfall was of critical significance to prevent and early warn of this type of landslides. RBF neural network, that could infinitely approximate any nonlinear function value with AI analysis of sample data, was suitable for dynamically predicting landslides’ groundwater level. Based on the long-term monitoring data of Zhonglin landslide, such as displacement, rainfall and groundwater level, this paper analyzed the seepage and deformation characteristics of typhoon rainstorm-type landslide, discussed the corresponding relation between rainfall and groundwater level. The width of radial base was determined by MATLAB software training, and a dynamic prediction model of groundwater level was established thereby. Then, through the comparison between measured and predicted values of the groundwater level, it was concluded that a minimum deviation value between measured and predicted was 0.01 m, a maximum value 3.13 m, and a mean value 0.46 m. In addition, the more the number of samples at the same rainfall level was, the more accurate the predicted result would be. The research showed that RBF neural network was of practical significance in groundwater level prediction.

参考文献/References:

[1] 徐则民,黄润秋,范柱国.滑坡灾害孕育-激发过程中的水-岩相互作用[J].自然灾害学报,2005,14(1):1-9.
[2] 黄润秋,徐则民,许模.地下水的致灾效应及异常地下水流诱发地质灾害[J].地球与环境,2005,33(3):1-9.
[3] 孙红月,尚岳全.浙江上三公6#滑坡的地下水作用与控制[J].岩石力学与工程学报,2006,25(3):505-510.
[4] 黄承忠.考虑地下水作用的滑坡时间预测研究[J].工程地质学报,2011,19(6):816-822.
[5] 王智磊,孙红月,尚岳全.基于地下水位变化的滑坡预测时序分析[J].岩石力学与工程学报,2011,30(11):2276-2284.
[6] 张泰丽,周爱国,孙强,等.台风暴雨条件下滑坡地下水渗流特征及成因机制[J].地球科学,2017,42(12):2354-2362.
[7] 张泰丽,孙强,伍剑波,等.助力提升台风暴雨影响区重大地质灾害识别精度[J].华东地质,2020,41(1):26.
[8] 王赫生,伍剑波,张泰丽,等.基于SHALSTAB模型的地质灾害易发性动态评价[J].华东地质,2020, 41(1):88-95.
[9] 孙强,张泰丽,伍剑波,等.基于GIS与层次分析法的龙溪流域滑坡风险评价[J].华东地质,2018,39(3):227-233.
[10] 孙强,张泰丽,伍剑波,等.浙南花岗岩残积土物质结构及工程地质特性研究[J].地质论评,2020,66(增刊):163-166.
[11] 刘艳辉,温铭生,苏永超,等.台风暴雨型地质灾害时空特征及预警效果分析[J].水文地质工程地质,2016,43(5):119-126.
[12] 韩俊.温州地区台风滑坡形成机理物理模拟研究[D].成都:成都理工大学,2012.
[13] 赵晓东,蒋宇静.鹿儿岛陡倾边坡地区地下水tank模型构模及应用[J].岩石力学与工程学报,2008,27(12):2523-2527.
[14] 洪勇,日浦启全,栾茂田.Tank模型在模拟滑坡地下水位中的应用[J].吉林大学学报:地球科学版,2006,36(增刊):69-74.
[15] 黄发明,殷坤龙,张桂荣,等.多变量PSO-SVM模型预测滑坡地下水位[J].浙江大学学报:工学版,2015,49(6):1193-1200.
[16] 孙强,张泰丽,张纱莎,等.基于ARDL模型的滑坡地下水水位预测[J].水文地质工程地质,2016,43(2):147-152.
[17] 金菊良,杨晓华,金宝明,等.基于遗传算法的地下水位动态预测双线性模型[J].水科学进展,2001,12(3):361-366.
[18] 王宇博,梁秀娟,乔雨,等.地下水位预测模型对比分析研究[J].节水灌溉,2015(7):58-61.
[19] 王智磊,孙红月,刘永莉,等.降雨与边坡地下水位关系的时间序列分析[J].浙江大学学报:工学版,2011,45(7):1301-1308.
[20] 朱新国,张展羽,刘莉.基于混沌优化GMDH网络的灌区地下水水位预测[J].河海大学学报:自然科学版, 2010,38(3):317-321.
[21] 邢译心,鲍新华,吴永东,等.基于Visual MODFLOW的尚志市水源地地下水资源预测与开采利用[J].水电能源科学,2015,33(2):42-45.
[22] 钱静,王旭升,陈添斐.滞后补给权函数与包气带的关系[J].水文地质工程地质,2013,40(3):1-5.
[23] 张建锋,刘见宝,崔树军,等.小波-神经网络混合模型预测地下水水位[J].长江科学院院报,2016,33(8):18-21.
[24] LI J, CHEN Y, PEPPER D. Radial basis function method for 1-D and 2-D groundwater contaminant transport modeling[J]. Computational Mechanics, 2003, 32:10-15.
[25] 蒋中明,徐卫亚,张新敏.滑坡地下水位动态预测的径向基函数法[J].岩石力学与工程学报,2003,22(9):1500-1504.
[26] 刘博,肖长来,梁秀娟.SOM-RBF神经网络模型在地下水位预测中的应用[J].吉林大学学报:地球科学版, 2015,45(1):225-231.
[27] 曹文洁,肖长来,梁秀娟,等.RBF神经网络在地下水动态预测中的应用[J].水利水电技术, 2018,49(2):43-48.
[28] 张殷钦,刘俊民,郝健.正则化RBF网络模型在地下水位预测中的应用[J].西北农林科技大学学报:自然科学版,2011,39(10):204-208.
[29] 周俊武,孙传尧,王福利.径向基函数(RBF)网络的研究及实现[J].矿冶,2001,10(4):71-75.
[30] SCHILLING R J, ARROLL J J,AI-AJLOUNI A F. Approximation of nonlinear systems with radial basis function neural networks[J]. IEEE Transactions on neural networks, 2001, 12(1):1-15.

备注/Memo

备注/Memo:
收稿日期:2020-5-12;改回日期:2020-9-20。
基金项目:中国地质调查局"浙江丽水地区灾害地质调查（编号：DD20190648）"项目资助。
作者简介:伍剑波,1987年生,男,助理研究员,硕士,主要从事地质灾害调查及评价工作。Email:jianbowu0724@163.com。
通讯作者:王赫生,1984年生,男,工程师,硕士,主要从事环境地质调查及研究工作。Email:411099641@qq.com。
更新日期/Last Update: 1900-01-01