国道G318藏东段碎屑斜坡分类与稳定性评判*

叶唐进 谢 强 王 鹰

(①西南交通大学地球科学与环境工程学院 成都 610031)(②西藏大学工学院 拉萨 850000)

0 引 言

国道G318藏东段，由于强烈构造活动、陡峻地形以及特殊的气象条件(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， 1999)，沿线的溜砂、滚石等碎屑斜坡地质灾害数量多、分布广、发生频繁、治理难度较大，严重威胁过往行人及车辆的安全(杨志法等， 2002)。公路部门采用挡土墙、SNS主动和被动防护网等多种措施，效果一直不甚理想，其危害没有得到根本性的解决。碎屑斜坡是指在特殊地质、气候等作用下形成的，以碎石、砾石及中粗砂为主，稳定性极为敏感的松散堆积物斜坡。碎屑斜坡在藏东高原高山峡谷区公路边坡段往往集中发育并导致灾害频发。

针对碎屑斜坡的研究，最早可以追溯到1938年， Sharpe(1938)首次提出了碎屑流的概念，后来，Clark(1987)针对碎屑斜坡的形成因素、运动特征和堆积形态展开了相关研究。2000年后，部分学者在碎屑斜坡自组织临界规律等方面展开了研究(Dhar，2006； Mohanty et al.，2007)。而国内的研究，最早始于1995年，罗德富等(1995)最先对国道G318西藏境内碎屑斜坡展开研究； 随后，袁广祥等(2012)对川藏公路第四纪堆积体的成因及其分布规律做了研究； 王成华等(2007)对粒状碎屑溜砂坡的形成和基本特征做了较为系统的分析研究； 汤明高等(2012)对国道G318典型地质灾害成因机制及防治对策作了分析； 张路青等(2004a)对川藏公路南线八宿—林芝段滚石灾害进行了调查和评价，对滚石击中行人和车辆进行了风险评价分析，但研究过程中将不同成分、成因及危害程度的碎屑斜坡混为一体； 齐得旭(2015)对散粒体斜坡稳定性的分析方法进行了实验研究。综上所述，国内外的研究都主要集中在个别典型碎屑斜坡的研究上，目前对碎屑斜坡灾害的重视程度仍不够、调查不全面、研究方法较简单、研究深度不足，导致研究成果少、后期治理效果较差，道路的安全畅通没有得到根本性的改善。

在研究区域上，主要集中在阿尔卑斯山脉，天山山脉和横断山脉(王成华等， 2007； 张元才等， 2008)，也有喜马拉雅山脉(Kanungo et al.，2013)和川西高原等地(曾庆利等， 2018)，但是部分学者主要研究滑坡引起的碎屑流灾害，其对象与G318藏东段碎屑斜坡的概念及类型存在明显的差异。从碎屑斜坡的研究方法来看，主要针对单个碎屑斜坡的野外调查、理论分析、数值模拟和模型试验等方法。近年来，针对斜坡稳定性利用现代数学工具分析逐渐增多(詹威威等， 2017)，模糊数学、灰色理论、随机森林和BP神经网络等数学方法得到了广泛应用。在地质灾害影响因素分析中，丁继新等(2005)利用信息熵分析了川藏公路然乌—鲁朗段地质灾害影响因素，叶唐进(2017)利用信息熵分析了甲玛矿区碎屑斜坡的失稳因素，其研究取得了较好的效果。在边坡稳定性评价中，支持向量机(SVM)能够很好地解决小样本、非线性、高维数的问题，赵洪波等(2003)利用支持向量机函数拟合对边坡稳定性估计进行研究，取得了理想的效果。因此，针对碎屑斜坡影响因素分析和稳定性判别，信息熵和支持向量机是一种不错的选择。

国道G318藏东段是进藏物资和人员往来的重要交通要道，对巩固国防、发展经济、改善民生以及一带一路等具有重要的战略价值。因此，如何保证该路段全天候安全畅通显得尤为重要。从2014年8月至2017年8月，作者等人历时3年，通过野外调查获取了丰富的第一手资料，在此基础上，根据斜坡碎屑物质成分、颗粒大小和运动特征等，对斜坡碎屑进行了类型划分，并阐述了各类碎屑斜坡的基本特征； 然后，再运用信息熵法和FLAC计算分析了主要影响因素与碎屑斜坡稳定性的相关关系，最后，结合信息熵和FLAC计算分析的主要影响因素，建立基于支持向量机对碎屑斜坡的稳定性进行了评判，以期为今后的碎屑斜坡稳定性判别和维修整治参考。

图 1 国道G318藏东段碎屑斜坡分布图Fig. 1 The spatial distribution map of debris slopes in eastern Tibet section of G318ihighway

1 碎屑斜坡野外调查

1.1 调查背景

从2014年8月至2017年8月，作者等人历时3年，对藏东段1277ikm的碎屑斜坡进行了全面调查，采集110个碎屑斜坡的数据，基本涵盖了所有的碎屑斜坡类型。从调查统计结果来看(表 1)，以崩坡积物为主的溜砂坡分布最为集中，主要分布于林芝至八宿的帕隆藏布河谷； 以冲洪积物为主的滚石坡数量最多，主要分布于拉萨至林芝的尼洋河谷； 以残坡积物为主的碎石坡分布最广，从八宿至巴塘的怒江、澜沧江河谷均有分布，具体分布如图 1所示。碎屑斜坡的危害严重、治理难度较大，治理效果较差。

表 1 国道G318藏东段碎屑斜坡统计表Table 1 Statistics of debris slopes from eastern Tibet section of G318 highway

1.2 碎屑斜坡调查内容

碎屑斜坡的野外调查内容包括：(1)斜坡的概况(类型、坐标、高程、地名)； (2)地质背景(微地貌、地层岩性、地质构造)； (3)地理环境(降水量、水文、土地利用类型)； (4)结构特征(名称、密实度、稠度、下伏基岩的产状、埋深、地层岩性及年代)； (5)地下水(类型、埋深、出露点、补给)； (6)斜坡的变形特征(类型、部位、特征、产生时间)； (7)斜坡可能的失稳因素、目前的稳定状态、已造成的危害、潜在的危害等； (8)监测和防治建议。在野外调查基础上绘制了相关的平面图、剖面图、碎屑斜坡与公路的位置关系等图件。

2 碎屑斜坡分类、基本特征及失稳模式

2.1 碎屑斜坡分类

根据野外调查资料，结合碎屑斜坡成分、颗粒大小、胶结状态、失稳运动方式，对公路的危害程度以及整治的难易程度，将碎屑斜坡细分为：溜砂坡、滚石坡以及碎石坡。具体的类型及划分依据如表 2所示。

表 2 碎屑斜坡分类及划分依据Table 2 Dividing basis and basic classification of debris slopes

图 2 3类碎屑斜坡照片Fig. 2 The photos of three types of the debris slopes(a) sliding sand slope(b) rolling rock slope(c) and gravel slopea. 溜砂坡; b. 滚石坡; c. 碎石坡

2.2 碎屑斜坡基本特征

溜砂坡主要集中在宗坝至然乌段，因中粗砂和砾石为主而得名溜砂坡，为二长花岗岩、片麻岩的风化产物(图 2a)。在地震、振动等外力作用下，斜坡上的砂粒及零星碎石则向下滚动，极易砸毁挡墙、路面以及护栏等，威胁过往的车辆及行人。当降雨融雪的地表水与砂粒混合成水砂流向下流动(叶唐进等， 2016)，极易冲毁防护网，并堆积于公路之上，阻碍公路畅通。此类碎屑斜坡虽然规模不大，但数量众多，突发性较强，而且连续成群出现。

滚石坡主要分布于尼洋河、帕隆藏布、怒江以及澜沧江河谷路段，其主要成分为砾石、卵石等冲积物，属于河谷阶地斜坡(图 2b)。由于公路工程建设或河水侵蚀坡脚，导致岩土颗粒裸露，当降雨融雪时，裸露的岩土颗粒不断剥落以及局部滑坡解体形成滚石灾害，砸毁挡墙、路面及防护网，阻断交通，严重威胁过往行人及车辆安全。

碎石坡主要分布于八宿至芒康横断山脉干旱、半干旱的高原高山峡谷路段，主要为板岩、千枚岩等风化的残坡积物，以砾石和碎石颗粒为主(图 2c)。当含水量变化或振动时，处于极限稳定的颗粒失稳运动(叶唐进， 2017)，同时触发其下游碎石运动形成“碎石雨”，并伴随阵阵异响和滚滚粉尘。从而冲毁公路防护网、挡墙等设施，砸毁路面及过往车辆，砸死砸伤过往行人，极易阻断公路畅通。该类碎屑灾害突发性极强，且能量大、速度快、具有一定规模。

2.3 碎屑斜坡失稳模式

通过野外调查和统计分析，碎屑坡的3个亚类都有自己的失稳模式(图 3)。溜砂坡和碎石坡的破坏模式基本相同：形成区和流通区在降雨、融雪、地震以及振动等条件下，极易形成颗粒滚落，且它们的堆积区在地震及振动下也会形成颗粒滚落； 不同的是溜砂坡堆积区在降雨融雪条件下形成水砂流，而碎石坡则易形成滑坡。滚石坡只有形成区和堆积区，形成区有凹腔的斜坡在降雨、融雪、地震以及振动等条件下极易形成滑坡，形成区没有凹腔和堆积区在降雨、融雪、地震以及振动等条件下均易形成颗粒滚落。

图 3 碎屑斜坡的失稳模式Fig. 3 The failure mode of debris slopes

3 碎屑斜坡的稳定性评判

3.1 主要影响因素分析

碎屑斜坡灾害形成因素有：碎屑物、构造、坡度、坡高、坡长、植被、风化； 诱发因素有：工程活动、降雨融雪、河水侵蚀、地震、振动、冻融、风吹。通过野外调查分析，得出10个主要影响因素分别为坡度、坡高、碎屑物、风化、植被、振动、地震、河水侵蚀、工程开挖、降雨融雪，为了定量计算主要影响因素大小顺序，利用信息熵(罗进， 2014)对其进行计算分析。将10个主要影响因素的评价指标分为5级并赋值(丁继新等， 2005)，通过专家打分，其评价指标的值都在0～1之间， 0表示作用最小， 1表示作用最大。碎屑斜坡稳定性评价指标分级及标准化详见表 3。

表 3 碎屑斜坡稳定性评价指标分级及标准化表Table 3 Classification and standardization of evaluation factors of debris slope stability

通过打分其评价指标已经全部变成无量纲值。再利用式(1)对随机抽取的20个碎屑斜坡进行标准化处理。

(1)

式中，Xi， j表示第i(i=1， 2，…，a)个样本的j(j=1， 2，…，b)项评价指标的值，Xmax(i)、Xmin(i)分别为最大值和最小值，然后根据式(2)求第j项评价指标的信息熵。

(2)

表 4 碎屑斜坡稳定性影响因素的信息熵及权重Table 4 Entropy and weight of evaluation factors of debris slope stability

(3)

式中，Wj为第j项评价指标的权重，0≤Wj≤1，评价指标的权重越大，表示该指标在碎屑斜坡稳定性中的影响因素就越大。

由表 4可以得出，各评价指标的权重从大到小依次为：降雨融雪、平均坡度、碎屑物、平均坡高、植被覆盖率、工程开挖、地震、风化等级、振动和河水侵蚀。为了验证信息熵分析的准确性，保证稳定性判别可靠，下面将继续进行数值模拟分析。

3.2 影响因素与稳定性的数值模拟

表 5 碎屑斜坡数值模拟的概化模型参数取值Table 5 Parameter value of generalized model of numerical simulation of debris slope

数值模拟的关键在于模型准确性验证，现将数值模拟的云图与野外斜坡进行对比，从图 4a和图4b对比不难看出，碎屑斜坡的破坏方式，应力集中状态基本一致，说明了数值模拟的准确性。

图 4 数值模拟云图与野外照片对比Fig. 4 Numerical simulation of cloud compared with wild photos(a) images of shear strain and (b) debris slope photographa. 剪应变云图； b. 碎屑斜坡照片

现对碎屑斜坡的降雨融雪、坡度、坡高、工程建设、植被5个因数取值进行数值模拟，各因素的取值如表 6。数值模拟因数取值时，其中坡度、坡高和降雨量的变化直接影响到斜坡的安全系数； 工程建设主要涉及削坡，如果削坡坡度一致，工程建设则可以用削坡的百分比来表示； 植被主要影响碎屑斜坡地表水渗流和坡面岩土颗粒的连接，因此，按照植被的覆盖率来表示。

表 6 碎屑斜坡数值模拟因素变化取值Table 6 Value of factors of numerical simulation of debris slope

根据数值模拟的结论，利用式(1)对横坐标的降水、坡度、坡高、工程建设(削坡)、植被5个因素进行归一化处理，然后再分别比较其安全系数的变化(图 5)。

图 5 各影响因素的安全系数曲线Fig. 5 Safety factor curve of various influencing factors

从图 5不难得出，碎屑斜坡各因素的斜率大小分别为：降雨融雪(0.8)>平均坡度(0.66)>平均坡高(0.52)>植被(0.46)>工程开挖(0.43)。其斜率越大，对碎屑斜坡的稳定性影响也越大，反之则越小，因此，其结论与信息熵分析结论基本一致。结合野外调查、信息熵分析和数值模拟计算结论，现将前6个主要因子利用支持向量机(SVM)建立模型对其稳定性进行判别。

3.3 稳定性判别

国道G318藏东段调查收集了110个碎屑斜坡实例，首先，将无效数据筛除，即利用箱线图把离群值、极端值、模糊值和缺失值筛除。然后，从剩余的106个边坡中随机选取了78个样本作为模型的学习样本，其中破坏样本43个，稳定样本35个。最后，将其余28个样本用于测试建立的模型。

由于支持向量机(SVM)在分类方法中可以很好地解决小样本、非线性、高维数的问题(赵洪波等， 2003)，因此，选用该方法对碎屑斜坡的稳定性进行判别分类。根据支持向量机理论(杨帆等， 2017)，碎屑斜坡安全系数预测判别模型的建立则为寻求SVM模型函数的成立：

(4)

式中，αi为少数训练样本对应的非零拉格朗日因子，yi为碎屑斜坡稳定性的指标，n为支持向量，是学习样本集中样本容量的总数，K(x，xi)为满足mercer条件的核函数。支持向量回归的目标函数为：

(5)

式中，ξi为松弛变量，ξi≥0，C为惩罚因子。由于核函数和惩罚因子对预测结果的影响很大，因此，通过对各种核函数的测试，最终得出碎屑斜坡安全系数预测判别模型中核函数为多项式核函数K(x，y)=(xy+1)r(r=1， 2，…，m)，且m=2，惩罚因子C=1.6。然后求解出αi，yi，b，即可得到支持向量机碎屑斜坡安全系数判别模型。

把剩余的28个碎屑斜坡对判别模型进行回判，用“1”表示稳定，“0”表示不稳定，“*”表示结论错误。根据回判结果与实际值和BP人工神经网络(BPNN)判别结论对比，详见表 7，得出SVM模型的判别准确率达到89.29%，而BPNN的准确率为85.71%，而且BPNN把7#不稳定斜坡判别为稳定斜坡，说明了SVM模型判别比BPNN判别更准确可靠。分析SVM对6#、18#和24#3个碎屑斜坡判定错误原因，均因安全系数略偏低，而为了工程安全考虑，所建模型计算偏于保守，因此，将其判别为不稳定斜坡，也表明了建立的模型基本合理可靠。

表 7 支持向量机稳定性评判模型检验Table 7 Model test of stability evaluation of support vector machine

为了进一步验证模型的推广性和适用性，利用2017年补充采集国道G318拉萨至樟木段的16个碎屑斜坡对模型进行检验，具体预测结果与实际结果和BPNN判别结论对比(表 8)。SVM判别准确率为93.75%，而BPNN判别准确率为87.5%，仍然出现将1#不稳定斜坡判别为稳定斜坡，推广应用也说明了SVM模型判别比BPNN判别更准确可靠。分析SVM模型存在1个斜坡判断错误的原因，同样是安全系数略偏低，模型计算偏于保守造成。因此，SVM模型的评判和适用性检验准确率均超过89%，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。

表 8 支持向量机稳定性评判模型推广预测Table 8 Generalization prediction of support vector machine stability evaluation model

4 结 论

基于大量的野外调查成果，对碎屑斜坡分类和基本特征进行了分析论述，运用信息熵和FLAC数值模拟分析了碎屑斜坡的主要影响因素，采用支持向量机评判模型进行了稳定性评价。得出以下几点结论：

(1)根据野外调查的110个碎屑斜坡数据，结合斜坡碎屑物质成分、颗粒大小及运动特征等对碎屑斜坡再细分为溜砂坡、滚石坡和碎石坡3类。

(2)溜砂坡主要为崩坡积物，规模不大，但数量众多，突发性较强，而且连续成群出现，危害大； 滚石坡主要为冲洪积物的剥落或局部滑落，危害较大； 碎石坡主要为残坡积物，其突发性极强，能量大、速度快、具有一定规模，危害很大。

(3)利用信息熵计算得出碎屑斜坡影响因素从大到小依次为：降雨融雪>平均坡度>碎屑物>平均坡高>植被覆盖率>工程开挖>地震>风化等级>振动>河水侵蚀。

(4)通过数值模拟，统计得出碎屑斜坡安全系数斜率大小为：降雨融雪(0.80)>平均坡度(0.66)>平均坡高(0.52)>植被(0.46)>工程开挖(0.43)，其斜率越大则该因素影响作用越显著，结论与野外调查分析一致。

(5)利用信息熵和FLAC数值模拟分析的主要因素，建立了基于支持向量机的碎屑斜坡稳定性评判模型，模型检验和推广预测的准确率分别为89.29%和93.75%，模型具有较好的可靠性和适用性。

致 谢非常感谢审稿专家对文章初稿提出的建设性意见，感谢同济大学赵程教授提供的修改意见，同时感谢西藏大学工学院2203大学生创新实验室同学们在野外调查中提供的帮助。