滑坡发生地周围类似滑坡再发分析及灾害评价

在具有相同和类似工程地质条件的山丘地区，其边坡破坏形式及滑坡灾害往往表现为相同和相近的特征，因此在分析大范围山丘区域内的滑坡灾害时，对既往滑坡破坏及灾害的研究可用于邻近区域滑坡灾害再发可能性分析。在调查和分析了发生于日本熊本地区的一边坡破坏及其灾害的机理后，采用边坡三维稳定性分析推求了适应邻近区域边坡稳定性分析的物理力学参数；同时将邻近的研究区域划分为边坡单元，对各边坡单元采用Monte Carlo模拟方法并基于边坡稳定性分析的极限平衡模型搜索了最不利的三维滑体；对照既往滑坡破坏及灾害的影响范围，对整个区域内的可能不稳定滑体的可能影响溪流及影响范围进行了分析，同时在与该地区的道路建筑物等地理信息系统数据集进行叠加后得出了今后可能受灾的民宅及路段。     

基于GIS的降雨滑坡渗流–稳定实时评价方法研究

降雨是诱发滑坡灾害的主要因素之一。阐述了不同降雨强度下的雨水在边坡体中的渗透过程,其中考虑了不同降雨强度下的土壤入渗能力变化、降雨入渗量及降雨入渗前锋界面与地下水位的转化关系。将经典的Green-Ampt模型与三维极限平衡模型耦合,假定入渗区域饱和,并考虑任意降雨强度,建立了基于GIS栅格数据格式的降雨渗透-稳定实时评价模型,来定量评价斜坡体的实时稳定状态。通过模型算法和例题分析验证了本文所提方法可对单体滑坡进行实时稳定性分析。     

基于数据驱动的CNN洪水演进预测方法

洪水是对人类生命财产造成威胁的重大自然灾害之一,使用洪水演进计算结果来提高抗洪救灾应急的效果是一种行之有效的重要方法。现有的洪水演进计算主要基于二维水力物理模型,其模型建立和计算时间都比较长,不能满足快速应急响应的时间要求。本文使用水力模型数值模拟结果作为数据驱动,构建了卷积神经网络（Convolutional Neural Networks,CNN）模型,将训练的CNN模型应用于洪水演进的预测计算。结果表明：CNN预测模型计算时间大幅缩减,大大提高了洪水演进的计算效率;模型可计算1 ~ 6 h的洪水演进,1 ~ 2 h预测结果与水力模型数值模拟相近,总体满足防灾减灾需要;基于数据驱动的CNN预测方法为洪水演进计算问题提供了深度学习的新途径和方法,也可用于任何有输入和输出判断值和目标值和的科学与工程问题。     

基于三维力学模型的大范围自然边坡稳定性概率评价方法

 为了对大范围自然边坡的滑坡危险度进行评价,利用GIS技术作为平台,把传统的三维极限平衡力学模型耦合到概率统计分析框架中,提出一个基于边坡单元的定量评价的新方法。在把大面积的研究区域划分为边坡单元后,采用一个基于GIS的三维力学模型计算每个边坡单元三维安全系数的分布。假定此分布遵从对数正态分布,再采用一个可靠性指标计算该分布中小于某临界值的概率,并以此来定量评价该边坡单元的整体滑坡危险度。此方法同时也可以求得各边坡单元的最危险滑动面的位置和规模。开发一个专业GIS系统来完成所有的计算分析步骤,本系统能够快速、高效地完成大量的三维建模与安全系数计算,综合了三维力学模型与概率统计方法的优点,实现了对地形地质条件复杂多变的大范围自然边坡的稳定性定量评价。通过对日本一国道边坡应用对本方法的有效性进行了验证。