【摘要】： 随着三峡水利工程的建成蓄水,库区原居民除少数外迁外,大部分都是向高处搬迁,大量的移民需要大片的安置土地,而三峡库区沿江两岸都是高山峡谷地貌,可利用的平地甚少,因此,搬迁建设用地不可避免地要进行劈坡造地,形成大量的人工高边坡。而这些高边坡一旦失稳,将造成巨大的损失,所以对工程高边坡进行稳定性预警就非常重要。滑坡预测预报是减轻滑坡灾害的最有效地方法和途径之一,也是当前滑坡研究的重点、难点课题,同时更是地质灾害防治控制和环境保护的重要手段。 本文在广泛的文献调研基础上,针对目前滑坡研究存在的主要问题,系统地总结了前人在滑坡预测预报领域的研究成果,并按照系统综合的研究方法对滑坡预测预报的方方面面进行了较为系统的分析,主要回顾了滑坡预测预报的国内外研究历程和现状,对滑坡预测学、滑坡预测预报、滑坡时间预测预报、空间预测预报、灾情损失预测预报等几个关键性问题进行了界定和阐述:分析了滑坡空间预测预报相关参数,总结了滑坡空间预测预报参数选择方法和滑坡空间预测预报国内外的主要研究方法,然后结合三峡建设委员会课题《高切坡防护工程预警系统及方法研究》,在广泛查阅了国内外有关滑坡预测预报文献资料的基础上,分析了三峡库区重庆某高边坡监测点现场位移监测数据,运用灰色GM(1,1)模型和生物生长的Verhulst模型对其进行了失稳时间的定量预报;并且以滑坡的变形破坏机制为基础,确定了影响边坡稳定性因素的选取,以实际工程中的边坡资料为样本,建立了基于MatLab神经网络工具箱的边坡稳定性的定性评价方法的体系和流程。 【关键词】：工程高边坡 灰色模型 Verhulst 时间预测 神经网络 稳定性评价
【学位授予单位】：北京交通大学
【学位级别】：硕士
【学位授予年份】：2009
【分类号】：P642
【DOI】：CNKI:CDMD:2.2009.204797
【目录】：

• 致谢5-6
• 中文摘要6-7
• ABSTRACT7-12
• 1 引言12-22
• 1.1 研究意义12-13
• 1.2 研究现状13-19
• 1.2.1 边坡稳定性评价的研究现状13-16
• 1.2.2 边坡预测预报的研究历史与现状16-18
• 1.2.3 神经网络在边坡工程中的应用18-19
• 1.3 研究内容与技术路线19-22
• 2 三峡涪陵地区工程地质环境22-31
• 2.1 自然地理及气象水文22-24
• 2.1.1 自然地理22-24
• 2.1.2 气象水文24
• 2.2 地形地貌24-25
• 2.3 地层岩性25-27
• 2.3.1 区域地层岩性25
• 2.3.2 涪陵地区主要地层岩性25-27
• 2.4 地质构造27-28
• 2.4.1 区域地层岩性27
• 2.4.2 地质构造条件27-28
• 2.5 新构造运动与区域稳定性评价28
• 2.6 水文地质条件28-30
• 2.6.1 松散岩类孔隙水28-29
• 2.6.2 碎屑岩类裂隙孔隙水29
• 2.6.3 碳酸盐岩类裂隙溶洞水29-30
• 2.6.4 基岩裂隙水30
• 2.7 人类工程活动30-31
• 3 边坡失稳机理及影响因素分析31-44
• 3.1 边坡失稳的力学机理32-40
• 3.1.1 用M-C屈服准则解释边坡失稳机理33-35
• 3.1.2 用张拉-剪切复合屈服准则解释边坡失稳机理35-38
• 3.1.3 边坡内部最危险滑动面的形成机理38-40
• 3.2 三峡库区岩土体不稳定边坡结构类型40-42
• 3.2.1 顺层边坡40-41
• 3.2.2 平缓软硬岩层互层边坡41
• 3.2.3 松散堆积体边坡41
• 3.2.4 岩溶角砾岩边坡41
• 3.2.5 层状碎裂岩边坡41
• 3.2.6 其他结构类型边坡41-42
• 3.3 影响边坡稳定性的因素42-44
• 3.3.1 边坡体自身材料的物理力学性质42-43
• 3.3.2 边坡的形状和尺寸43
• 3.3.3 边坡的工作条件及气候条件43
• 3.3.4 边坡的加固措施43
• 3.3.5 风化作用的影响43
• 3.3.6 地震作用43
• 3.3.7 其他人类活动43-44
• 4 单体高边坡失稳时间预警研究44-62
• 4.1 边坡变形破坏的时间演化规律44-48
• 4.1.1 斜坡变形演化的三个阶段45-46
• 4.1.2 外界因素对斜坡变形-时间曲线的影响46-47
• 4.1.3 斜坡不同变形阶段对外界扰动的响应47-48
• 4.2 单体边坡失稳时间预测的理论与方法48-54
• 4.2.1 非等间隔序列的等间隔化48-49
• 4.2.2 灰色系统预测模型49-52
• 4.2.3 Verhulst预测模型52-54
• 4.3 应用上述预测模型对三峡库区某高边坡的失稳时间预测54-61
• 4.3.1 GM(1，1)模型预测56-60
• 4.3.2 Verhulst模型预测60-61
• 4.3.3 两种预测方法的结果对比61
• 4.4 结论61-62
• 5 基于BP神经网络的边坡稳定性预测研究62-82
• 5.1 BP神经网络介绍62-68
• 5.1.1 BP神经网络的结构63-64
• 5.1.2 BP算法的实现步骤64-67
• 5.1.3 BP网络设计67-68
• 5.2 建立BP模型构架68-71
• 5.3 BP神经网络预测的实现71-80
• 5.3.1 评价指标的选取71
• 5.3.2 学习样本的构造71-73
• 5.3.3 样本归一化处理73-75
• 5.3.4 检验样本的构造75-76
• 5.3.5 BP网络训练76-80
• 5.4 工程应用检验80-81
• 5.5 本章小结81-82
• 6 结论与展望82-84
• 6.1 结论82-83
• 6.2 展望83-84
• 参考文献84-87
• 作者简历87-89
• 学位论文数据集89