張 碩,鄭 達(dá)，張 文

(1.成都理工大學(xué)環(huán)境與土木工程學(xué)院,成都 610059；2.中國(guó)地質(zhì)科學(xué)院探礦工藝研究所,成都 611734)

0 前 言

紅層主要是指中生代和新生代挽近系的湖相、河湖交替相或是山麓洪積相等陸相碎屑巖，以粉細(xì)砂巖、泥巖和頁(yè)巖為主，主要分布在中國(guó)西南、西北、華東、中南、華北、東北地區(qū)，其中又以西南地區(qū)四川盆地及盆地邊緣、西昌-滇中地區(qū)、滇西地區(qū)分布較為廣泛。隨著交通強(qiáng)國(guó)與“一帶一路”戰(zhàn)略的提出，我國(guó)西部地區(qū)逐漸浮現(xiàn)出一張規(guī)模龐大的高速公路網(wǎng)，而此地區(qū)公路工程的修建不可避免地要穿越紅層山區(qū)。由于紅層軟巖具有膠結(jié)程度差，強(qiáng)度較低、易風(fēng)化、水理性差、變形大的特點(diǎn)，加之紅層斜坡巖體內(nèi)不同程度發(fā)育有層間錯(cuò)動(dòng)帶、泥化層等軟弱夾層，導(dǎo)致其變形失穩(wěn)模式復(fù)雜[1]，例如通常情況下穩(wěn)定性較好的平緩巖層地區(qū)，卻常常在巖層傾角不超過(guò)10°，有時(shí)甚至反傾3°～5°的巖層中發(fā)生大型滑坡[2]；天然狀況下難以發(fā)生滑坡的緩傾角巖質(zhì)邊坡，在強(qiáng)降雨條件下，卻屢見(jiàn)大規(guī)模群發(fā)性滑坡災(zāi)害[3]；或是邊坡在自然情況下穩(wěn)定性良好，卻在開(kāi)挖后迅速產(chǎn)生變形滑移[4]，由此可見(jiàn)這類(lèi)滑坡具有擾動(dòng)或降雨后成災(zāi)速度快、識(shí)別難度大、成因機(jī)制復(fù)雜、成災(zāi)模式獨(dú)特、隱蔽性強(qiáng)、減災(zāi)防災(zāi)難度大的特點(diǎn)。因此，建立公路地區(qū)紅層邊坡快速評(píng)價(jià)體系對(duì)紅層公路邊坡的防災(zāi)減災(zāi)工作具有重要意義。

據(jù)統(tǒng)計(jì)截止2020年底，四川省內(nèi)正在運(yùn)營(yíng)的高速公路約有52條，其中約有30條都處于紅層地區(qū)[5]，占比約57%，在紅層地區(qū)公路修筑過(guò)程中常常發(fā)生各種地質(zhì)災(zāi)害問(wèn)題，如正在修建的仁沐新高速公路，因施工中的邊坡開(kāi)挖擾動(dòng)，誘發(fā)了大量的工程滑坡與古滑坡復(fù)活(見(jiàn)圖1)[6]，不僅對(duì)相關(guān)區(qū)域人民生命財(cái)產(chǎn)安全構(gòu)成嚴(yán)重威脅，而且會(huì)對(duì)重大工程建設(shè)與運(yùn)營(yíng)造成巨大影響。

圖1 開(kāi)挖邊坡局部失穩(wěn)

公路施工通常采用全線(xiàn)多個(gè)標(biāo)段同時(shí)施工，這樣勢(shì)必會(huì)在短期內(nèi)出現(xiàn)數(shù)量眾多的開(kāi)挖邊坡，而很多紅層邊坡在開(kāi)挖過(guò)程中或者開(kāi)挖后不久就會(huì)發(fā)生巖體變形、局部崩塌與順層滑坡等地質(zhì)災(zāi)害，嚴(yán)重影響工程安全與施工進(jìn)度。目前對(duì)公路開(kāi)挖邊坡穩(wěn)定性的快速評(píng)價(jià)方法主要有3種：

(1) 采用傳統(tǒng)的定性分析結(jié)合強(qiáng)度理論的邊坡穩(wěn)定性評(píng)價(jià)方法對(duì)公路邊坡進(jìn)行評(píng)價(jià)。此方法需要豐富的工程經(jīng)驗(yàn)，在對(duì)每個(gè)邊坡進(jìn)行地質(zhì)模型建立工作后，進(jìn)行定量評(píng)價(jià)，但工作量巨大，難以在短時(shí)間內(nèi)完成評(píng)價(jià)，不適合在線(xiàn)性工程邊坡中應(yīng)用[7-8]。

(2) 基于巖體強(qiáng)度分級(jí)RMR法的快速評(píng)價(jià)方法。通過(guò)分析影響邊坡穩(wěn)定的眾多因素，從中選取合理的特征對(duì)邊坡進(jìn)行定性或半定量的穩(wěn)定性評(píng)價(jià)，該方法評(píng)價(jià)結(jié)果的合理性受各種修正系數(shù)的限制，且各因素分級(jí)標(biāo)準(zhǔn)的選取及權(quán)重確定方面多具主觀性[9-12]。

(3) 建立評(píng)價(jià)指標(biāo)體系。通過(guò)數(shù)量化理論或者運(yùn)用機(jī)器學(xué)習(xí)理論進(jìn)行邊坡穩(wěn)定性分級(jí)的快速評(píng)價(jià)方法。相比之下，該方法是目前最快速、效率最高的方法[13-15]。

隨著當(dāng)前機(jī)器學(xué)習(xí)(Machine Learning)理論的發(fā)展，為各種實(shí)際難題提供了很好的解決方案。邊坡穩(wěn)定性評(píng)價(jià)可看作是一個(gè)分類(lèi)問(wèn)題，且影響因素與邊坡穩(wěn)定性之間是非線(xiàn)性關(guān)系，而SVM算法能很好解決維度高、非線(xiàn)性強(qiáng)、樣本小的分類(lèi)問(wèn)題。本文通過(guò)機(jī)器學(xué)習(xí)理論與SVM算法對(duì)邊坡的評(píng)價(jià)指標(biāo)與穩(wěn)定性等級(jí)進(jìn)行分析，找尋二者之間的非線(xiàn)性關(guān)系，分析紅層邊坡的評(píng)價(jià)指標(biāo)數(shù)據(jù)，建立模型預(yù)測(cè)邊坡的穩(wěn)定性等級(jí)，嘗試形成一套針對(duì)紅層地區(qū)公路邊坡穩(wěn)定性的快速評(píng)價(jià)方法，為紅層地區(qū)公路的施工與防治提供參考。

1 邊坡穩(wěn)定性快速評(píng)價(jià)指標(biāo)

為了選取合理的邊坡快速評(píng)價(jià)指標(biāo)，筆者對(duì)典型紅層公路邊坡變形破壞模式進(jìn)行了分析，發(fā)現(xiàn)邊坡崩滑災(zāi)害的發(fā)生是眾多影響因素共同作用的結(jié)果，總的來(lái)說(shuō)可以分為兩類(lèi)：一是地質(zhì)因素，即邊坡所處的地質(zhì)環(huán)境條件，是影響邊坡天然條件下穩(wěn)定程度的基本條件，如地形地貌、地層巖性、巖體結(jié)構(gòu)面特征、坡體結(jié)構(gòu)特征、水文地質(zhì)條件等；二是誘發(fā)因素，如開(kāi)挖、降雨與地震等。

邊坡地形地貌特征主要包括坡高、坡寬、坡度等，與邊坡失穩(wěn)的易發(fā)程度和規(guī)模息息相關(guān)。巖性組合則是構(gòu)成邊坡的物質(zhì)基礎(chǔ)，決定邊坡的物理力學(xué)性質(zhì)，在很大程度上決定著開(kāi)挖邊坡的穩(wěn)定與失穩(wěn)機(jī)制。紅層坡體內(nèi)常發(fā)育泥化夾層、層間錯(cuò)動(dòng)帶與大量的構(gòu)造節(jié)理與裂隙，其起伏程度、發(fā)育密度、接觸狀態(tài)、填充物特征對(duì)結(jié)構(gòu)面的抗剪強(qiáng)度起到關(guān)鍵性控制作用。邊坡坡體結(jié)構(gòu)主要指結(jié)構(gòu)面的產(chǎn)狀、性質(zhì)、空間位置等與坡面之間的關(guān)系，對(duì)邊坡的穩(wěn)定性起著控制型作用，對(duì)于紅層邊坡來(lái)說(shuō)，坡體結(jié)構(gòu)的差異決定了邊坡變形位置、失穩(wěn)模式、成因類(lèi)型的不同。在紅層地區(qū)，基巖裂隙系統(tǒng)是地下水入滲、運(yùn)移和儲(chǔ)存的主要空間，裂隙的規(guī)模、密度、張開(kāi)度、連通性、透水性等因素決定了紅層邊坡的給水性和導(dǎo)水性，對(duì)紅層滑坡的形成至關(guān)重要。

紅層邊坡破壞的誘發(fā)因素主要包括降雨與人工開(kāi)挖等方面，其中降雨對(duì)邊坡的影響主要體現(xiàn)在加速邊坡巖體風(fēng)化和崩解速度、增加坡體自重、軟化巖土體形成垂直裂隙中的靜水壓力與底滑面揚(yáng)壓力。工程開(kāi)挖則會(huì)改變自然邊坡的幾何特征與地質(zhì)環(huán)境，是邊坡失穩(wěn)的重要誘發(fā)因素，在開(kāi)挖過(guò)后臨空面方向往往會(huì)發(fā)生大面積卸荷，導(dǎo)致大范圍的擾動(dòng)變形。

根據(jù)上述分析，本文選取反映邊坡穩(wěn)定性的10個(gè)快速評(píng)價(jià)指標(biāo)(見(jiàn)圖2)，其中邊坡的幾何特征指標(biāo)包括邊坡坡高、坡寬、巖性與結(jié)構(gòu)特征指標(biāo)包括巖性組合特征、結(jié)構(gòu)面特征、巖體結(jié)構(gòu)類(lèi)型、坡體結(jié)構(gòu)類(lèi)型、外部觸發(fā)因素指標(biāo)包括邊坡開(kāi)挖級(jí)數(shù)、開(kāi)挖高度、平均開(kāi)挖坡度、最大單日降雨量。這些指標(biāo)都易于快速獲取，它們相互作用組成紅層公路邊坡穩(wěn)定性快速評(píng)價(jià)指標(biāo)體系。

圖2 紅層公路邊坡穩(wěn)定性快速評(píng)價(jià)指標(biāo)

2 邊坡穩(wěn)定性快速評(píng)價(jià)方法

邊坡穩(wěn)定性影響因素眾多，常規(guī)的方法很難找到一個(gè)較好的關(guān)系式來(lái)描述邊坡穩(wěn)定性與影響因素之間的非線(xiàn)性映射關(guān)系。而SVM算法無(wú)論樣本點(diǎn)是線(xiàn)性可分的、近似線(xiàn)性可分的，還是非線(xiàn)性可分的，都可以利用某些支持向量所構(gòu)成的“超平面”將樣本點(diǎn)以較高的準(zhǔn)確度切割開(kāi)來(lái)，適用于邊坡穩(wěn)定性的預(yù)測(cè)分類(lèi)問(wèn)題，本次研究基于機(jī)器學(xué)習(xí)全流程理論構(gòu)建模型。

2.1 數(shù)據(jù)理解

評(píng)價(jià)方法的第一步是“數(shù)據(jù)理解”階段，對(duì)建模數(shù)據(jù)進(jìn)行描述性統(tǒng)計(jì)和可視化分析，從整體和局部?jī)蓚€(gè)方面去揭示數(shù)據(jù)內(nèi)深層次的關(guān)系、結(jié)構(gòu)與模式，進(jìn)而定位到哪些方面可以去優(yōu)化數(shù)據(jù)集質(zhì)量，通常依據(jù)數(shù)據(jù)類(lèi)型分別從單變量與雙變量?jī)煞矫孢M(jìn)行分析。

2.2 數(shù)據(jù)預(yù)處理

評(píng)價(jià)方法的第二步是“數(shù)據(jù)預(yù)處理”階段，是提高算法準(zhǔn)確度的關(guān)鍵步驟。在機(jī)器學(xué)習(xí)中根據(jù)算法的特征和數(shù)據(jù)的特征對(duì)數(shù)據(jù)進(jìn)行轉(zhuǎn)換，主要內(nèi)容如下：

(1) 數(shù)據(jù)清洗

數(shù)據(jù)清洗目的是為了提高數(shù)據(jù)采集質(zhì)量。本次研究樣本數(shù)據(jù)通過(guò)數(shù)據(jù)理解階段的單變量分析與雙變量分析，未發(fā)現(xiàn)存在重復(fù)數(shù)據(jù)、不一致值、缺失值，僅發(fā)現(xiàn)少數(shù)邊坡樣本出現(xiàn)離群值。出現(xiàn)離群值的原因及處理方法如表1所示。

表1 離散值出現(xiàn)原因及處理方法表

(2) 連續(xù)型變量無(wú)量綱化

數(shù)據(jù)集中的連續(xù)型數(shù)據(jù)變量分布跨度過(guò)大，需要進(jìn)行數(shù)據(jù)尺度調(diào)整與標(biāo)準(zhǔn)化、歸一化處理。

調(diào)整數(shù)據(jù)尺度：通常情況下數(shù)據(jù)的各個(gè)屬性是按照不同的方式來(lái)度量數(shù)據(jù)的，那么通過(guò)調(diào)整數(shù)據(jù)的尺度使得數(shù)據(jù)所有屬性的尺度變的統(tǒng)一，就會(huì)給機(jī)器學(xué)習(xí)的算法模型訓(xùn)練帶來(lái)極大的方便。依次對(duì)訓(xùn)練集和測(cè)試集中的連續(xù)型數(shù)據(jù)進(jìn)行數(shù)據(jù)尺度調(diào)整，將數(shù)據(jù)都聚集到0附近，方差為1。相同的數(shù)據(jù)尺度，能夠提高與距離相關(guān)的算法的準(zhǔn)確度。數(shù)據(jù)范圍調(diào)整之后，所有數(shù)據(jù)點(diǎn)的特征數(shù)值都被限制在了規(guī)定的范圍內(nèi)。

歸一化處理：為了優(yōu)化之后所建立模型的收斂效果，對(duì)數(shù)據(jù)進(jìn)行歸一化處理，將每一行數(shù)據(jù)的距離處理成1，稱(chēng)為“歸一元”處理，計(jì)算公式為：

(1)

公式(1)中：x為處理后的數(shù)據(jù)；xi為原始數(shù)據(jù)中第i個(gè)數(shù)據(jù)；xmin,xmax分別為原始數(shù)據(jù)中該類(lèi)型變量的最小值與最大值。

歸一元處理后不僅能提高數(shù)據(jù)的表現(xiàn)，而且還保留與原始數(shù)據(jù)變量相同的數(shù)值大小排序，這對(duì)部分使用權(quán)重輸入或者使用距離輸入的算法的性能提升十分有效。

(3) 分類(lèi)型數(shù)據(jù)量化

目前機(jī)器學(xué)習(xí)算法及模型都只能接收數(shù)值類(lèi)型的數(shù)據(jù)，但“巖性特征”“結(jié)構(gòu)面充填特征”“巖體結(jié)構(gòu)類(lèi)型”“坡體結(jié)構(gòu)”“最大單日降雨量區(qū)間”都是分類(lèi)型數(shù)據(jù)，它們都來(lái)自一系列固定的可能取值，是離散的，而不是連續(xù)的，因此要對(duì)這些分類(lèi)型數(shù)據(jù)進(jìn)行量化。

表示分類(lèi)型變量最常用的方法就是使用One-Hot編碼，原理是將一個(gè)分類(lèi)變量表示為一個(gè)或多個(gè)子特征，子特征取值為0和1。對(duì)于線(xiàn)性二分類(lèi)的公式而言，0和1這兩個(gè)值是有意義的，我們可以像這樣對(duì)每個(gè)類(lèi)別引入一個(gè)子特征，從而表示任意數(shù)量的類(lèi)別。如果一個(gè)邊坡的結(jié)構(gòu)面充填特征取某個(gè)值，那么對(duì)應(yīng)的特征取值為1，其他特征均取值為0。因此，對(duì)每個(gè)數(shù)據(jù)點(diǎn)來(lái)說(shuō)，6個(gè)子特征中只有一個(gè)的取值為1(見(jiàn)表2)。

表2 數(shù)據(jù)特征值One-Hot數(shù)據(jù)處理表

(4) 降 維

樣本中數(shù)據(jù)的種類(lèi)越多，維度就越大，過(guò)多的維度會(huì)造成機(jī)器學(xué)習(xí)的“維災(zāi)難”，即模型建立及運(yùn)行所需的時(shí)間與學(xué)習(xí)成本大大增加，性能也會(huì)隨之降低，因此需要對(duì)高維度數(shù)據(jù)集展開(kāi)降維處理。

模型輸入的數(shù)據(jù)種類(lèi)有坡高、坡寬、平均開(kāi)挖坡度、開(kāi)挖高度、開(kāi)挖級(jí)數(shù)、巖性特征、坡體結(jié)構(gòu)、巖體結(jié)構(gòu)、結(jié)構(gòu)面充填特征、最大單日降雨量，共10類(lèi)。為進(jìn)一步提高模型的性能，減少實(shí)際工作中數(shù)據(jù)采集時(shí)非必要工作量，將展開(kāi)降維處理，至于應(yīng)該精簡(jiǎn)哪幾個(gè)特征，則需要特征選擇。這里選用機(jī)器學(xué)習(xí)中常用的卡方檢驗(yàn)方法來(lái)評(píng)估各個(gè)特征與穩(wěn)定性之間的關(guān)聯(lián)度，卡方檢驗(yàn)得出的分?jǐn)?shù)越高，說(shuō)明該特征越重要，針對(duì)以上10個(gè)特征的檢驗(yàn)結(jié)果如圖3所示。

從圖3中可知，坡寬與開(kāi)挖級(jí)數(shù)是重要性最低的兩種特征，將討論其是否被剔除。首先是開(kāi)挖級(jí)數(shù)，開(kāi)挖級(jí)數(shù)與開(kāi)挖高度存在較強(qiáng)的正相關(guān)性關(guān)系，這也說(shuō)明開(kāi)挖級(jí)數(shù)可以由開(kāi)挖高度來(lái)代表參與穩(wěn)定性評(píng)價(jià)，且開(kāi)挖高度重要性相比開(kāi)挖級(jí)數(shù)高出許多，因此決定剔除開(kāi)挖級(jí)數(shù)特征。而坡寬重要性排名倒數(shù)第二位，同時(shí)卻是開(kāi)挖級(jí)數(shù)重要性數(shù)值的1.5倍，也與平均開(kāi)挖坡度、巖性結(jié)構(gòu)特征沒(méi)有拉開(kāi)差距，可以作為表征邊坡規(guī)模的特征之一，現(xiàn)場(chǎng)數(shù)據(jù)易獲得，因此，認(rèn)為坡寬特征予以保留。經(jīng)過(guò)討論分析，決定精簡(jiǎn)開(kāi)挖級(jí)數(shù)特征指標(biāo)，保留其余9個(gè)指標(biāo)進(jìn)行機(jī)器學(xué)習(xí)模型的建立。

圖3 卡方檢驗(yàn)得分

2.3 建立快速評(píng)價(jià)模型

本次紅層公路邊坡穩(wěn)定性快速評(píng)價(jià)方法SVM算法模型的實(shí)現(xiàn)采用基于Python語(yǔ)言平臺(tái)下的Scikit-learn機(jī)器學(xué)習(xí)工具包中的SVM函數(shù)包，超參數(shù)搜索及交叉驗(yàn)證的實(shí)現(xiàn)同樣采用Scikit-learn機(jī)器學(xué)習(xí)工具包中的GridSearchCV包。將原始數(shù)據(jù)集內(nèi)樣本進(jìn)行劃分，第一部分用來(lái)訓(xùn)練算法建立模型，第二部分則使用模型進(jìn)行評(píng)價(jià)預(yù)測(cè)。

(1) 核函數(shù)選擇

SVM算法中常用的核函數(shù)有線(xiàn)性核函數(shù)、多項(xiàng)式核函數(shù)與高斯核函數(shù)，核函數(shù)的選取是影響SVM算法優(yōu)劣的重要因素，以上幾類(lèi)核函數(shù)中，線(xiàn)性核函數(shù)針對(duì)線(xiàn)性可分樣本數(shù)據(jù)分類(lèi)效果最理想，在非線(xiàn)性分類(lèi)問(wèn)題中不推薦使用；多項(xiàng)式核函數(shù)可以將樣本數(shù)據(jù)映射到高維空間；高斯核函數(shù)參數(shù)較少，具有針對(duì)樣本數(shù)據(jù)中噪聲很強(qiáng)的抗干擾特性，局部擬合效果強(qiáng)大，能夠使非線(xiàn)性樣本數(shù)據(jù)樣本映射到高維空間使之可分，是應(yīng)用范圍最為廣泛的核函數(shù)。本次研究結(jié)合邊坡變形穩(wěn)定性問(wèn)題復(fù)雜且非線(xiàn)性的特點(diǎn)，考慮到模型計(jì)算量與效率，擬選擇高斯核函數(shù)作為本次研究評(píng)價(jià)模型的核函數(shù)。

(2) 超參數(shù)選擇

SVM包涉及的重要超參數(shù)有：“C”、“gamma”，其中C是懲罰系數(shù)，為調(diào)節(jié)優(yōu)化方向中兩個(gè)指標(biāo)(間隔大小，分類(lèi)準(zhǔn)確度)偏好的權(quán)重，C越高，說(shuō)明越不能容忍出現(xiàn)誤差；C越小，容易欠擬合；C過(guò)大或過(guò)小，泛化能力均會(huì)變差。gamma是高斯函數(shù)自帶的一個(gè)參數(shù)，隱含地決定了數(shù)據(jù)映射到新的特征空間后的分布，gamma值越大，支持向量越少；gamma值越小，支持向量越多，支持向量的個(gè)數(shù)影響訓(xùn)練與預(yù)測(cè)的速度。

采用網(wǎng)格搜索法來(lái)進(jìn)行參數(shù)尋優(yōu)，選取C，gamma的初始搜索界限定為(10-3，103)，步長(zhǎng)為10的等冪，在搜索的最佳參數(shù)附近減小步長(zhǎng)繼續(xù)搜索，懲罰因子C不能過(guò)大或者過(guò)小，通常情況下不會(huì)超過(guò)設(shè)置的搜索范圍。

最終利用網(wǎng)格搜索法得出了模型建立的最佳參數(shù)組合：C=10，gamma=100，圖4為網(wǎng)格搜索法參數(shù)尋優(yōu)過(guò)程中的適應(yīng)度值變化趨勢(shì)。

圖4 網(wǎng)格搜索法搜索SVC參數(shù)

(3) 模型訓(xùn)練

SVM模型訓(xùn)練過(guò)程是基于所選取多次方的多項(xiàng)式核函數(shù)，將樣本數(shù)據(jù)點(diǎn)投射到高維的樣本特征空間中。通過(guò)SVM算法找尋到各個(gè)分類(lèi)特征數(shù)據(jù)與其他特征數(shù)據(jù)之間的最優(yōu)分類(lèi)平面，獲得表征各分類(lèi)特征的支持向量集與其相對(duì)應(yīng)的VC可信度，最終生成可評(píng)價(jià)各樣本類(lèi)別的判別函數(shù)。

SVM判決過(guò)程是將樣本的特征信息由核函數(shù)映射到特征空間內(nèi)，作為SVM模型訓(xùn)練出的判別函數(shù)的輸入源，通過(guò)邊坡評(píng)級(jí)分類(lèi)判別函數(shù)得出分類(lèi)結(jié)果，建立支持向量機(jī)算法中用于分類(lèi)的SVC(Support Vector Classification)模型，模型訓(xùn)練過(guò)程如圖5所示。

圖5 模型構(gòu)建流程

使用建立的模型對(duì)訓(xùn)練集與測(cè)試集樣本展開(kāi)評(píng)價(jià)，經(jīng)過(guò)測(cè)試發(fā)現(xiàn)訓(xùn)練集35個(gè)樣本預(yù)測(cè)正確31個(gè)，準(zhǔn)確率88%；測(cè)試集15個(gè)樣本預(yù)測(cè)正確14個(gè)，準(zhǔn)確率93.3%，預(yù)測(cè)錯(cuò)誤的樣本穩(wěn)定性等級(jí)為“較差”，被誤分類(lèi)到穩(wěn)定性“差”類(lèi)別，雖然個(gè)別樣本評(píng)價(jià)結(jié)果與實(shí)際不一致，但是對(duì)于整個(gè)模型來(lái)說(shuō)，準(zhǔn)確率依然較高，由此認(rèn)為該模型分類(lèi)效果很好，有很強(qiáng)的泛化能力。

(4) 模型性能評(píng)估

對(duì)于分類(lèi)型模型，不僅要關(guān)注其預(yù)測(cè)準(zhǔn)確度怎樣，還需要檢查模型的命中率(邊坡樣本中實(shí)際穩(wěn)定性差卻被預(yù)測(cè)為好的樣本所占的比率)和假警報(bào)率(邊坡樣本中實(shí)際穩(wěn)定性好卻被預(yù)測(cè)為差的樣本所占的比率)這兩個(gè)指標(biāo)，并通過(guò)這兩個(gè)指標(biāo)繪制ROC曲線(xiàn)來(lái)評(píng)估模型。AUC表示ROC曲線(xiàn)下的面積，AUC值就是處于ROC曲線(xiàn)下方的那部分面積的大小。通常AUC的值越大，診斷準(zhǔn)確性越高，AUC值評(píng)價(jià)模型預(yù)測(cè)是否準(zhǔn)確的標(biāo)準(zhǔn)如表3所示。

表3 AUC評(píng)價(jià)標(biāo)準(zhǔn)

訓(xùn)練完成后模型輸出的ROC特征曲線(xiàn)如圖6所示，顯示該模型的AUC為0.823，根據(jù)AUC評(píng)價(jià)標(biāo)準(zhǔn)，模型結(jié)果在0.7～0.9，表明模型的分類(lèi)效果較好，預(yù)測(cè)準(zhǔn)確程度較高，能較好地評(píng)價(jià)邊坡的穩(wěn)定性等級(jí)。

圖6 SVM算法的ROC曲線(xiàn)

(5) 多種機(jī)器學(xué)習(xí)算法精度比較

根據(jù)選取的邊坡樣本數(shù)據(jù)集的特點(diǎn)，建模時(shí)選擇了在處理樣本少、維數(shù)高、非線(xiàn)性、離散值少情況下具有優(yōu)勢(shì)的支持向量機(jī)(SVM)算法。為了檢驗(yàn)SVM算法是否是解決本類(lèi)問(wèn)題最合適的算法，特意選擇了目前使用較多的4種算法來(lái)對(duì)比，分別是線(xiàn)性判別分析(LDA)、邏輯回歸算法(Logistic)、k近鄰分類(lèi)算法(Knn)與樸素貝葉斯算法(Na?ve Bayes)，采用相同的數(shù)據(jù)，參數(shù)選擇、性能評(píng)估時(shí)與SVM算法一致，用訓(xùn)練集數(shù)據(jù)來(lái)進(jìn)行建模之后，再用各個(gè)模型分別對(duì)訓(xùn)練集與測(cè)試集樣本進(jìn)行預(yù)測(cè)評(píng)估，比較結(jié)果如表3所示。

從表4中可以看出，支持向量機(jī)算法在訓(xùn)練集和測(cè)試集分?jǐn)?shù)排名均為第一，證明針對(duì)本次研究的問(wèn)題和建模數(shù)據(jù)，選擇SVM算法是最合適的。

表4 不同算法的性能比較

3 工程實(shí)例驗(yàn)證

以上研究完成了基于SVM算法的紅層公路開(kāi)挖邊坡穩(wěn)定性快速評(píng)價(jià)方法構(gòu)建，為了檢驗(yàn)該方法的性能，選取工程實(shí)例進(jìn)行驗(yàn)證。

3.1 工程實(shí)例

四川省仁沐新高速公路起于眉山市仁壽縣止于宜賓市屏山縣新市鎮(zhèn)，全長(zhǎng)201.8 km(其中主線(xiàn)全長(zhǎng)158.029 km，馬邊支線(xiàn)全長(zhǎng)43.8 km)，全線(xiàn)開(kāi)挖邊坡400余處，穿越的地形地貌單元復(fù)雜，丘陵、谷地、山地以及高原前緣地貌皆有涉及，沿線(xiàn)出露的地層主要有中侏羅紀(jì)系上統(tǒng)沙溪廟組、中統(tǒng)遂寧組、蓬萊鎮(zhèn)組、遂寧組等紅層地層以及第四系沖洪積、坡殘積、崩坡積等堆積物。

研究區(qū)域林木茂盛，侵蝕構(gòu)造地貌較為發(fā)育。邊坡最多開(kāi)挖級(jí)數(shù)達(dá)到了7級(jí)，開(kāi)挖高度最高有70 m，由于施工開(kāi)挖退坡深度小，且邊坡坡度較陡，導(dǎo)致開(kāi)挖面附近巖體風(fēng)化程度較高，因此在一定情況下這些邊坡的穩(wěn)定性不足，容易失穩(wěn)變形。篩選仁沐新高速公路主線(xiàn)邊坡數(shù)據(jù)，選取其中16個(gè)邊坡(見(jiàn)表5)，從其原始邊坡勘察研究報(bào)告中提取相應(yīng)指標(biāo)數(shù)據(jù)來(lái)進(jìn)行紅層公路開(kāi)挖邊坡穩(wěn)定性快速評(píng)價(jià)的應(yīng)用驗(yàn)證工作。

表5 仁沐新高速公路典型邊坡評(píng)價(jià)指標(biāo)

3.2 評(píng)價(jià)結(jié)果分析

將表5中各個(gè)邊坡的指標(biāo)數(shù)據(jù)按評(píng)價(jià)方法進(jìn)行計(jì)算，得出相應(yīng)的預(yù)測(cè)結(jié)果如表6所示。計(jì)算結(jié)果與現(xiàn)場(chǎng)邊坡穩(wěn)定性的地質(zhì)定性判斷的吻合率接近95%，說(shuō)明采用上述指標(biāo)進(jìn)行紅層開(kāi)挖邊坡的快速評(píng)價(jià)是可行的，其評(píng)價(jià)結(jié)果對(duì)實(shí)際工程具有一定的參考價(jià)值。

表6 仁沐新高速公路邊坡穩(wěn)定性快速評(píng)價(jià)結(jié)果

4 結(jié) 論

本文以紅層地區(qū)公路邊坡穩(wěn)定性快速評(píng)價(jià)為研究目的，分析了影響紅層邊坡穩(wěn)定性的因素，進(jìn)一步以機(jī)器學(xué)習(xí)理論為基礎(chǔ)，建立了基于SVM算法的紅層公路邊坡穩(wěn)定性快速評(píng)價(jià)模型，以仁沐新高速公路主線(xiàn)邊坡為例驗(yàn)證模型的性能，得到以下結(jié)論：

(1) 建立紅層公路邊坡穩(wěn)定性快速評(píng)價(jià)指標(biāo)體系，選取反映邊坡穩(wěn)定性的10個(gè)快速評(píng)價(jià)指標(biāo)，其中邊坡的幾何特征指標(biāo)包括邊坡坡高、坡寬，巖性與結(jié)構(gòu)特征指標(biāo)包括巖性組合特征、結(jié)構(gòu)面特征、巖體結(jié)構(gòu)類(lèi)型、坡體結(jié)構(gòu)類(lèi)型，外部觸發(fā)因素指標(biāo)包括邊坡開(kāi)挖級(jí)數(shù)、開(kāi)挖高度、平均開(kāi)挖坡度、最大單日降雨量。

(2) 運(yùn)用機(jī)器學(xué)習(xí)理論，建立以SVM算法為核心的紅層公路邊坡穩(wěn)定性快速評(píng)價(jià)模型。利用單變量分析與多變量分析來(lái)獲得建模數(shù)據(jù)的特征，采用數(shù)據(jù)清洗、連續(xù)變量無(wú)量綱化、分類(lèi)型數(shù)據(jù)量化、降維等操作展開(kāi)預(yù)處理研究，以提高數(shù)據(jù)集質(zhì)量，選取與數(shù)據(jù)特征相匹配的SVM(支持向量機(jī))算法與高斯核函數(shù)建立模型，通過(guò)網(wǎng)格搜索法得出了參數(shù)C和gamma的最佳組合，由此構(gòu)建了訓(xùn)練模型。為突出支持向量機(jī)算法對(duì)邊坡穩(wěn)定性快速評(píng)價(jià)模型的適用性，采用AUC值評(píng)估性能與不同算法模型性能對(duì)比的手段，驗(yàn)證了支持向量機(jī)算法為本次研究的最佳算法。

(3) 通過(guò)對(duì)仁沐新高速公路主線(xiàn)部分邊坡的快速評(píng)價(jià)，驗(yàn)證模型與計(jì)算方法，結(jié)果與工程實(shí)際現(xiàn)場(chǎng)定性評(píng)價(jià)相近，吻合率達(dá)95%以上，說(shuō)明采用上述指標(biāo)進(jìn)行紅層開(kāi)挖邊坡的快速評(píng)價(jià)是可行的。