摘要：城市地面塌陷威脅居民生命財(cái)產(chǎn)安全，為甄別地面塌陷影響因素、篩查風(fēng)險(xiǎn)區(qū)域、減少潛在損失，建立了地面塌陷風(fēng)險(xiǎn)評(píng)價(jià)方法。以衡陽(yáng)市為例，收集整理了排水管網(wǎng)基礎(chǔ)數(shù)據(jù)，采用人工神經(jīng)網(wǎng)絡(luò)算法預(yù)測(cè)管網(wǎng)破損尺寸，并通過(guò)邏輯回歸算法預(yù)測(cè)管網(wǎng)管周地面塌陷風(fēng)險(xiǎn)發(fā)生率。結(jié)果表明：人工神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練集預(yù)測(cè)值與真實(shí)值的平均方差為0.026，邏輯回歸模型預(yù)測(cè)的地面塌陷風(fēng)險(xiǎn)與管道破損位置高度相關(guān)；衡陽(yáng)市城西排水分區(qū)及酃湖排水分區(qū)地面塌陷發(fā)生率高，地面塌陷誘因包括管道破損、路面荷載、極端降雨、高速水流等。研究成果可為長(zhǎng)江中游城市管網(wǎng)管周地面塌陷的防治工作提供科學(xué)依據(jù)。

關(guān) 鍵 詞：排水管道；管網(wǎng)破損；地面塌陷；人工神經(jīng)網(wǎng)絡(luò)；預(yù)防措施；城市排水系統(tǒng)；衡陽(yáng)市

中圖法分類(lèi)號(hào)：P642；TU992.23

文獻(xiàn)標(biāo)志碼：ADOI：10.16232/j.cnki.1001-4179.2024.08.017

0 引 言

隨著城市快速發(fā)展、氣候急劇變化，已有雨污管道長(zhǎng)期服役、破損嚴(yán)重，極易誘發(fā)土體侵蝕形成大范圍地面塌陷（以下簡(jiǎn)稱(chēng)地陷），一旦地陷發(fā)生會(huì)對(duì)城市居民的生命財(cái)產(chǎn)安全產(chǎn)生極大威脅^［1-3］。2010年，危地馬拉發(fā)生了一起重大地陷事故，由管道破損、暴雨天氣以及火山灰地質(zhì)條件共同引起，其地陷直徑達(dá)18 m，深度達(dá)30 m，3棟居民樓倒塌，造成152人死亡^［4］。中國(guó)南方城市也有多例嚴(yán)重的地陷事件，2016～2020年間，深圳市共發(fā)生地陷事故1 430起，累計(jì)造成7人死亡，財(cái)產(chǎn)損失約23 822.5萬(wàn)元^［5］。

排水管道因超役服務(wù)、受腐蝕性介質(zhì)侵蝕以及土和水的應(yīng)力作用，易發(fā)生破損、斷裂。管道材質(zhì)不過(guò)關(guān)、管線連接和防滲漏措施不到位，也給管線滲漏埋下了隱患^［6-7］。管道周?chē)h(huán)境干濕交替和溫度變化引起的熱脹冷縮也容易造成管道腐蝕和老化。榕樹(shù)、樟樹(shù)等植物根系發(fā)達(dá)，樹(shù)根擠壓管道也會(huì)造成管道破裂^［8］。排水管網(wǎng)破損引起的滲流是導(dǎo)致地陷的主要因素之一，總地陷事件中，與管網(wǎng)破損相關(guān)的案例占比超過(guò)55%^［8］。已有災(zāi)害案例表明，破損管道周?chē)暗[土中往往含有大量黏土顆粒，地下水通過(guò)管道破損處入滲會(huì)導(dǎo)致細(xì)顆粒流失，從而引起砂礫土力學(xué)特性劣化，誘發(fā)管道周?chē)馏w逐漸塌陷，并最終在地面荷載作用下形成地陷^［9-11］。另外，暴雨導(dǎo)致管道內(nèi)形成有壓流，管內(nèi)雨污水通過(guò)破損口外滲，從而對(duì)周?chē)馏w形成射流侵蝕，形成土體力學(xué)劣化區(qū)域或土洞^［12］。

現(xiàn)有研究主要是結(jié)合室內(nèi)簡(jiǎn)化試驗(yàn)開(kāi)展，針對(duì)砂土密實(shí)度、顆粒尺寸、土體性質(zhì)、管道材料、破損形狀、水流方向等因素分析地陷發(fā)生機(jī)制^［13-15］。受制于城市排水系統(tǒng)運(yùn)維現(xiàn)實(shí)條件，管道相關(guān)的路面荷載、水位、水壓、滲流、土壤性質(zhì)等數(shù)據(jù)資料采集成本高、過(guò)程復(fù)雜^［16-17］。隨著人工智能技術(shù)發(fā)展，地陷預(yù)測(cè)的研究產(chǎn)生了新的技術(shù)路線，多元數(shù)據(jù)的大批量分析逐漸彌補(bǔ)了現(xiàn)場(chǎng)數(shù)據(jù)獲取困難帶來(lái)的不足^［18-21］。已有研究表明邏輯回歸模型可用于預(yù)測(cè)地陷發(fā)生率，其預(yù)測(cè)結(jié)果能夠指導(dǎo)城市排水管網(wǎng)的運(yùn)維^［22］?，F(xiàn)有研究主要關(guān)注管道破損尺寸的人工智能量化預(yù)測(cè)，尚未建立排水管網(wǎng)破損程度與管周地面塌陷風(fēng)險(xiǎn)的相關(guān)關(guān)系，在實(shí)際排水工程的安全運(yùn)行評(píng)估方面應(yīng)用較為局限。本研究以衡陽(yáng)市為例，收集整理了排水管網(wǎng)基礎(chǔ)數(shù)據(jù)，采用人工神經(jīng)網(wǎng)絡(luò)算法預(yù)測(cè)管網(wǎng)破損尺寸，并通過(guò)邏輯回歸算法預(yù)測(cè)管網(wǎng)管周地陷風(fēng)險(xiǎn)發(fā)生率。本研究是數(shù)據(jù)驅(qū)動(dòng)模型預(yù)測(cè)地陷的初步探索，構(gòu)建地陷風(fēng)險(xiǎn)評(píng)估模型對(duì)于保障排水系統(tǒng)健康運(yùn)行、維護(hù)城市安全起到重要作用。

1 研究區(qū)域概況

研究區(qū)域位于衡陽(yáng)市，中心城區(qū)面積超過(guò)130 km²，人口密度達(dá)0.95萬(wàn)人/km²。衡陽(yáng)市人口密度較大、經(jīng)濟(jì)發(fā)展較好，地面塌陷的影響將會(huì)在中心城區(qū)放大。衡陽(yáng)市地形地質(zhì)、氣候水文、排水管網(wǎng)建設(shè)情況如下。

1.1 地形地質(zhì)條件

衡陽(yáng)市中心城區(qū)處于盆地中心，地形較為開(kāi)闊平坦，沿河流兩岸多為地勢(shì)較低的沖積平原，地勢(shì)較低區(qū)域的破損管網(wǎng)如經(jīng)歷雨水徑流反復(fù)沖擊，將增加地陷發(fā)生的可能性。衡陽(yáng)市地質(zhì)環(huán)境復(fù)雜，人類(lèi)工程活動(dòng)頻繁，屬于地質(zhì)災(zāi)害中高易發(fā)區(qū)。

1.2 氣候與水文特性

衡陽(yáng)市具有明顯的季節(jié)性氣候特征，四季分明。全年平均降水量超過(guò)1 200 mm，降雨年內(nèi)分配不均勻，4～9月為汛期，降水量約占全年的65%～70%。暴雨產(chǎn)生的徑流經(jīng)過(guò)破損的管網(wǎng)系統(tǒng)將形成較強(qiáng)的外滲水流，而豐富的地下水資源又會(huì)導(dǎo)致管網(wǎng)入滲現(xiàn)象。兩種因素交叉影響、疊加作用，將增加地陷發(fā)生幾率。

1.3 排水管網(wǎng)情況

截至2022年，衡陽(yáng)市污水管道及雨污合流管道長(zhǎng)度超過(guò)1 200 km，其中污水管約為400 km、合流管超過(guò)200 km、雨水管網(wǎng)超過(guò)600 km。根據(jù)管網(wǎng)普查數(shù)據(jù)，普查管渠長(zhǎng)度共計(jì)784.43 km，其中內(nèi)窺檢測(cè)長(zhǎng)度共計(jì)210.12 km，已發(fā)現(xiàn)部分結(jié)構(gòu)性及功能性缺陷；其中結(jié)構(gòu)性缺陷以錯(cuò)口為主，占結(jié)構(gòu)性缺陷總數(shù)的62.71%，其次為脫節(jié)，占結(jié)構(gòu)性缺陷總數(shù)的16.95%。

2 人工神經(jīng)網(wǎng)絡(luò)模型構(gòu)建

神經(jīng)網(wǎng)絡(luò)模型是指大量簡(jiǎn)單的類(lèi)神經(jīng)元處理單元以特定方式互相連接、高度復(fù)雜的非線性學(xué)習(xí)系統(tǒng)。神經(jīng)網(wǎng)絡(luò)模型通過(guò)模式學(xué)習(xí)的方式將城市排水系統(tǒng)的機(jī)理過(guò)程概化為簡(jiǎn)單的神經(jīng)元之間的鏈接關(guān)系和對(duì)應(yīng)函數(shù)的線性參數(shù)，能夠大幅提高計(jì)算速度。

2.1 基于BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)管道破損

BP神經(jīng)網(wǎng)絡(luò)模型的構(gòu)建分為以下幾個(gè)階段，包括數(shù)據(jù)收集、數(shù)據(jù)標(biāo)準(zhǔn)化、模型設(shè)置、模型訓(xùn)練。

（1）數(shù)據(jù)收集。收集城市地面高程、城市排水系統(tǒng)中管道的連接關(guān)系和結(jié)構(gòu)屬性信息、管網(wǎng)基礎(chǔ)數(shù)據(jù)類(lèi)型（包括管道長(zhǎng)度、埋深、坡度、等效管徑、高程等，如圖1所示）。

研究區(qū)域內(nèi)有管道15 486條，其中426條管道存在破損情況，約占總體的2.7%，破損尺寸大于2 cm的共128處。約85.8%的管道材料為混凝土，PVC材料占14.0%，其他材料占比較少。管道高程為46.9～96.2 m，主要集中在55～75 m的范圍內(nèi)，低洼處容易形成積水。管道埋深有50%以上集中在地下1～2 m，埋深相對(duì)較淺，在長(zhǎng)期路面荷載作用下，存在誘發(fā)管道破損甚至地面塌陷的可能性。半數(shù)以上管道長(zhǎng)度小于20 m，管道越短對(duì)于管道破損的抵抗能力越強(qiáng)，現(xiàn)狀管段長(zhǎng)度條件有利于排水管網(wǎng)的健康運(yùn)行。管道坡度分布情況相對(duì)均勻，5°以上坡度的管段只占據(jù)較小比例（14%以內(nèi)），管道內(nèi)不易出現(xiàn)由坡度導(dǎo)致的極端流速，管道侵蝕作用相對(duì)較小。管道等效直徑主要集中在0.3～0.9 m的區(qū)間內(nèi)，管道的過(guò)流能力相對(duì)較弱，出現(xiàn)極端天氣時(shí)，可能會(huì)引發(fā)一定程度的高速有壓水流，對(duì)管道壁形成侵蝕，會(huì)影響管道壽命，造成一定程度的管道破損現(xiàn)象。

（2）數(shù)據(jù)標(biāo)準(zhǔn)化。通過(guò)數(shù)據(jù)標(biāo)準(zhǔn)化方式將數(shù)據(jù)集中到（0，1）范圍內(nèi)，標(biāo)準(zhǔn)化方程為

Y^*=（Y－Y_min）/（Y_max－Y_min）（1）

式中：Y^*為標(biāo)準(zhǔn)化后的數(shù)據(jù)值；Y為樣本數(shù)據(jù)值；下標(biāo)max、min分別表示樣本最大值和最小值。

（3）模型設(shè)置。模型分別設(shè)置輸入層、隱藏層、輸出層參數(shù)（神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示，BP神經(jīng)網(wǎng)絡(luò)參數(shù)匯總見(jiàn)表1）。模型特征值包括高程、埋深、長(zhǎng)度、坡度、等效管徑，輸入層共5個(gè)神經(jīng)元。在某些特定位置（如泵站、閘門(mén)及滿管段等）周邊的管道內(nèi)，由于水流急劇變化產(chǎn)生較大壓力波動(dòng)，產(chǎn)生水錘現(xiàn)象，長(zhǎng)期作用下會(huì)加劇管道破損。但由于管道內(nèi)部流速、液位、泵站運(yùn)行、閘門(mén)啟閉等數(shù)據(jù)特性復(fù)雜，在現(xiàn)有條件下難以收集全部數(shù)據(jù)并納入模型，后續(xù)可開(kāi)展專(zhuān)題研究，進(jìn)一步完善模型。模型預(yù)測(cè)對(duì)象為管道破損尺寸，輸出層有1個(gè)神經(jīng)元。隱藏層層數(shù)設(shè)置為1，隨著隱藏層神經(jīng)元個(gè)數(shù)增加，模型預(yù)測(cè)精度會(huì)有所增加，但同時(shí)會(huì)極大增加迭代次數(shù)，增加模型訓(xùn)練時(shí)間，隱藏神經(jīng)元的數(shù)量應(yīng)大于輸入層大小的2/3加上輸出層大小的2/3，所以本研究隱藏層節(jié)點(diǎn)數(shù)為5。BP神經(jīng)網(wǎng)絡(luò)從輸入層（i）輸入到隱藏層（j）輸出的計(jì)算過(guò)程如下^［23］：

y^j=f［（w^ij）^T×xⁱ+b^j］（2）

式中：xⁱ=［xⁱ₁，xⁱ₂，…，xⁱ₆］為輸入層（i）的輸入值；y^j=［y^j₁，y^j₂，…，y^j₅］為隱藏層（j）的輸出值，即輸出層（k）的輸入值；w^ij=［w^ij₁，w^ij₂，…，w^ij₅］為輸入層與隱藏層之間的權(quán)重矩陣；b^j為隱藏層神經(jīng)元的偏置值；f為激活函數(shù)（sigmoid），表達(dá)式如下：

類(lèi)似的計(jì)算過(guò)程也存在于隱藏層到輸出層（k）：

o^k=f［（w^jk）^T×y^j+b^k］（4）

式中：o^k為隱藏層的輸出值；w^jk=［w^jk₁，w^jk₂，…，w^jk₆］為隱藏層與輸出層之間的權(quán)重矩陣；b^k為隱藏層到輸出層神經(jīng)元的偏置值。

（4）模型訓(xùn)練。人工神經(jīng)網(wǎng)絡(luò)模型將數(shù)據(jù)集分為訓(xùn)練集和測(cè)試集，訓(xùn)練集約占數(shù)據(jù)總量的80%。在訓(xùn)練開(kāi)始時(shí)，使用一組隨機(jī)值初始化權(quán)重，隨后通過(guò)算法系統(tǒng)地改變權(quán)重，對(duì)于給定的輸入，使神經(jīng)網(wǎng)絡(luò)輸出值和實(shí)際值之間的差異最小化。反向傳播法通過(guò)應(yīng)用梯度下降優(yōu)化法來(lái)最小化神經(jīng)網(wǎng)絡(luò)的誤差^［23］。輸出節(jié)點(diǎn)的誤差計(jì)算公式為

式中：E為平均方差，n為樣本量，下標(biāo)real、pre分別為實(shí)際值和預(yù)測(cè)輸出值。

輸出層神經(jīng)元誤差計(jì)算公式為

式中：z^k為輸出層的輸入值。輸入層與隱藏層的誤差計(jì)算公式為

δ^j=f′（z^j）［（w^jk）^T］δ^k（7）

式中：z^j為隱藏層的輸入值。

隱藏層與輸出層之間的權(quán)值和閾值更新公式如下：

w^jk（n+1）=w^jk（n）+ηδ^k（y^j）^T（8）

b^k（n+1）=b^k（n）+ηδ^k（9）

式中：η為學(xué)習(xí)率。

輸入層與隱藏層之間的權(quán)值和閾值更新公式如下：

w^ij（n+1）=w^ij（n）+ηδ^j（xⁱ）^T（10）

b^j（n+1）=b^j（n）+ηδ^j（11）

大量的學(xué)習(xí)實(shí)例和學(xué)習(xí)樣本被反復(fù)提供給神經(jīng)網(wǎng)絡(luò)，迭代次數(shù)設(shè)置為10 000，學(xué)習(xí)率為0.001。模型計(jì)算結(jié)果和真實(shí)值的對(duì)比如圖3所示，模型訓(xùn)練集預(yù)測(cè)值與真實(shí)值的平均方差為0.026，模型驗(yàn)證集預(yù)測(cè)值與真實(shí)值的平均方差為0.070，模型準(zhǔn)確性滿足要求。將偏差值計(jì)算成有量綱的破損尺寸（單位cm），預(yù)測(cè)值與實(shí)際值的誤差在2.03～4.59 cm之間，相較于管徑，誤差不足10%，可以滿足基本預(yù)測(cè)要求。模型考慮了影響管道破損的主要物理參數(shù)，包括管道高程、埋深、長(zhǎng)度、坡度、管徑等。在本研究區(qū)域內(nèi)，采用相對(duì)簡(jiǎn)單、直觀、容易獲取的管網(wǎng)特性作為輸入條件，模型實(shí)用性通過(guò)了初步驗(yàn)證，能夠輸出管道破損尺寸。本文中管道破損位置是已知信息，針對(duì)某些特定管段進(jìn)行管道破損尺寸定向預(yù)測(cè)，管段位置信息由CCTV檢測(cè)報(bào)告提供。常規(guī)CCTV檢測(cè)不包含破損尺寸測(cè)量，本文為構(gòu)建管道破損模型，對(duì)128處管道進(jìn)行破損尺寸測(cè)量，并作為模型的訓(xùn)練和驗(yàn)證數(shù)據(jù)集。該模型建立后可對(duì)CCTV檢測(cè)報(bào)告中破損管道進(jìn)行破損尺寸預(yù)測(cè)，為后續(xù)地陷風(fēng)險(xiǎn)預(yù)測(cè)提供基礎(chǔ)數(shù)據(jù)。但管道破損模型暫未納入研究區(qū)域地質(zhì)、水文條件，模型具有一定的局限性，若在其他城市應(yīng)用，則需重新訓(xùn)練模型關(guān)鍵參數(shù)。在后續(xù)研究中可加入地質(zhì)、水文條件，訓(xùn)練出更具普適性的模型，并在其他城市區(qū)域進(jìn)行驗(yàn)證和模型優(yōu)化。

2.2 基于邏輯回歸的管網(wǎng)管周地陷發(fā)生率預(yù)測(cè)

（1）數(shù)據(jù)收集。獲取研究區(qū)域的排水系統(tǒng)基礎(chǔ)數(shù)據(jù)，包括管網(wǎng)拓?fù)浣Y(jié)構(gòu)，管道高程、埋深、長(zhǎng)度、坡度、等效直徑、材質(zhì)，破損管道位置、尺寸等。

（2）模型構(gòu)建。構(gòu)建邏輯回歸模型，其中排水管網(wǎng)系統(tǒng)基礎(chǔ)數(shù)據(jù)為自變量，邏輯回歸模型計(jì)算公式如下：

ln（P_i/1-P_i）=b₀+b₁A₁+b₂A₂+…+b₆A₆（12）

式中：P_i為地陷發(fā)生率，A₁為高程，A₂為埋深，A₃為長(zhǎng)度，A₄為坡度，A₅為等效直徑，A₆為管材；b₀為-4.61，b₁為-0.02，b₂為-0.25，b₃為0.02，b₄為-4.60，b₅為1.30，b₆為-0.25。

（3）模型結(jié)果分析。將上述邏輯回歸模型得到的地陷發(fā)生率結(jié)果按照自然斷點(diǎn)聚類(lèi)法（Jenks Natural Breaks）分為5段，如表2所列。

自然斷點(diǎn)聚類(lèi)法結(jié)果表明：城市西北（城西、角山排水分區(qū)）及東部（酃湖排水分區(qū)）區(qū)域內(nèi)地陷發(fā)生率較高（如圖4紅框所示）。根據(jù)管網(wǎng)破損尺寸預(yù)測(cè)神經(jīng)網(wǎng)絡(luò)模型，破損較為嚴(yán)重的管段被甄別出來(lái)，破損尺寸大于管道直徑的15%屬于較嚴(yán)重破損，一共有15處。其中7處破損位置處于地陷風(fēng)險(xiǎn)較高區(qū)域，吻合度超過(guò)46.7%。以上結(jié)果表明，預(yù)測(cè)管網(wǎng)破損尺寸后，根據(jù)管道破損和地面塌陷的相關(guān)關(guān)系構(gòu)建邏輯回歸模型，能夠在一定程度上預(yù)警地陷發(fā)生，填補(bǔ)了地陷預(yù)測(cè)模型的技術(shù)空白。地陷發(fā)生率較高區(qū)域與城西排水分區(qū)、酃湖排水分區(qū)內(nèi)澇點(diǎn)吻合，說(shuō)明高強(qiáng)度暴雨以及低洼積水可能增加地陷風(fēng)險(xiǎn)，這些區(qū)域上下游1 km的管網(wǎng)，共15 km范圍可采用探地雷達(dá)進(jìn)行排查，降低地陷風(fēng)險(xiǎn)。

3 地陷預(yù)防措施

根據(jù)衡陽(yáng)市排水管道破損和地陷發(fā)生率預(yù)測(cè)情況，本研究提出如下預(yù)防措施：

（1）增加存量管網(wǎng)普查工作的工作內(nèi)容，當(dāng)發(fā)現(xiàn)管道破損尺寸超過(guò)管徑15%或管道破損發(fā)生在內(nèi)澇頻發(fā)區(qū)域時(shí)，應(yīng)對(duì)該區(qū)域排水管網(wǎng)管周進(jìn)行探地雷達(dá)檢測(cè)，記錄管周土穴尺寸，土穴尺寸超過(guò)0.4 m時(shí)進(jìn)行相應(yīng)修復(fù)工程。

（2）統(tǒng)籌規(guī)劃排水管網(wǎng)新建改造方案，在低洼地段設(shè)置分散式調(diào)蓄設(shè)施，減少內(nèi)澇發(fā)生頻率，合理設(shè)置管道管徑、坡度等參數(shù)，減少管網(wǎng)沉積、管道侵蝕，延長(zhǎng)管道使用壽命，及早更新改造破損管網(wǎng)，減緩管網(wǎng)管周土穴發(fā)展過(guò)程。

（3）加強(qiáng)對(duì)管網(wǎng)系統(tǒng)的維護(hù)和問(wèn)題診斷，結(jié)合探地雷達(dá)排查數(shù)據(jù)，制定地陷隱患等級(jí)劃分標(biāo)準(zhǔn)，闡述各致災(zāi)因子的影響，增強(qiáng)地陷防治的針對(duì)性。

（4）建立包含管網(wǎng)基礎(chǔ)信息、地質(zhì)條件、路面荷載等綜合信息的監(jiān)測(cè)數(shù)據(jù)庫(kù)，采用大數(shù)據(jù)分析方式深化地陷風(fēng)險(xiǎn)預(yù)測(cè)方法，增加地陷預(yù)測(cè)準(zhǔn)確性。

（5）建立科學(xué)有效的地陷事故應(yīng)急處置方案，制定撤離計(jì)劃，塌陷發(fā)生后應(yīng)對(duì)臨近建筑物附近的地面裂縫進(jìn)行及時(shí)填塞，防止地表水滲入。

4 結(jié) 論

總體看來(lái)，衡陽(yáng)市排水系統(tǒng)存在少量管網(wǎng)結(jié)構(gòu)性破損。研究區(qū)域內(nèi)有管道15 486條，其中426條管道存在破損情況，約占總體的2.7%，破損尺寸大于2 cm的管段共128處。研究采用人工神經(jīng)網(wǎng)絡(luò)算法和邏輯回歸模型，基于管網(wǎng)基礎(chǔ)信息對(duì)管道破損尺寸和地陷發(fā)生率進(jìn)行了預(yù)測(cè)。模型訓(xùn)練集預(yù)測(cè)值與真實(shí)值的平均方差為0.026，模型驗(yàn)證集預(yù)測(cè)值與真實(shí)值的平均方差為0.070，能夠較好反映管道破損隨不同管道特性的變化。但模型暫未納入地質(zhì)、水文條件，具有一定的局限性。地陷發(fā)生率較高的區(qū)域集中在城西排水分區(qū)和酃湖排水分區(qū)，且與管道破損尺寸大于管徑15%的管段重合率高于46.7%，可見(jiàn)管道破損尺寸嚴(yán)重的管段可作為地陷預(yù)警的判斷因子。研究提出了相應(yīng)的地陷防治措施，有利于提高防治的準(zhǔn)確性和針對(duì)性。

后續(xù)研究將主要圍繞：① 現(xiàn)場(chǎng)驗(yàn)證方面，采用探地雷達(dá)探測(cè)高風(fēng)險(xiǎn)區(qū)域的地下空穴情況，測(cè)量并記錄管網(wǎng)管周空洞位置、空洞面積、空洞深度，空洞在一定路面荷載的影響下可能會(huì)誘發(fā)地陷，當(dāng)測(cè)量出的空洞尺寸超過(guò)0.4 m時(shí)，已經(jīng)接近于地陷發(fā)生；② 模型深化方面，綜合考慮地質(zhì)、水文、管道水錘、流量、流速、路面荷載等參數(shù)，進(jìn)一步優(yōu)化模型，結(jié)合地陷機(jī)理研究，迭代形成更加準(zhǔn)確的地陷預(yù)測(cè)模型。

參考文獻(xiàn)：

［1］TANG Y.Mechanisms of soil erosion due to defective sewer pipes［D］.Edmonton：University of Alberta，2017.

［2］MUKUNOKI T，KUMANO N，OTANI J.Image analysis of soil failure on defective underground pipe due to cyclic water supply and drainage using X-ray CT［J］.Frontiers of Structural and Civil Engineering，2012，6（2）：85-100.

［3］GUO S，SHAO Y，ZHANG T，et al.Physical modeling on sand erosion around defective sewer pipes under the influence of groundwater［J］.Journal of Hydraulic Engineering，2013，139（12）：1247-1257.

［4］HERMOSILLA R G.The guatemala city sinkhole collapses［J］.Carbonates and Evaporites，2012，27（2）：103-107.

［5］施秋華，魏會(huì)龍，譚飛，等.深圳城市地面塌陷災(zāi)害特征及其成因分析［J］.地質(zhì)科技通報(bào)，2022，41（2）：123-129.

［6］劉懿俊，施秋華，譚飛，等.基于Copula理論的深圳市地面塌陷致災(zāi)因素的聯(lián)合概率分析［J］.武漢大學(xué)學(xué)報(bào)（工學(xué)版），2023，56（5）：549-556.

［7］朱泳霖.城市小區(qū)地陷的成因探討與防治辦法：以烏魯木齊地陷為例［J］.低碳世界，2022（1）：67-69.

［8］胡聿涵，白玉川，徐海玨.近10年中國(guó)城市道路塌陷原因及防治對(duì)策分析［J］.公路，2016，61（9）：130-135.

［9］TANG Y，ZHU D Z，CHAN D H.Experimental study on submerged sand erosion through a slot on a defective pipe［J］.Journal of Hydraulic Engineering，2017，143（9）：04017026.

［10］GUO S，ZHU D Z.Soil and groundwater erosion rates into a sewer pipe crack［J］.Journal of Hydraulic Engineering，2017，143（7）：06017008.

［11］TANG Y，ZHU D Z，CHAN D H.Modeling soil loss by water infiltration through sewer pipe defects［C］∥World Environmental and Water Resources Congress.Minneapolis：ASCE，2018：254-262.

［12］TANG Y，CHAN D H，ZHU D Z.A coupled discrete element model for the simulation of soil and water flow through an orifice［J］.International Journal for Numerical and Analytical Methods in Geomechanics，2017，41（14）：1477-1493.

［13］GUO S，SHAO Y，ZHANG T，et al.Physical modeling on sand erosion around defective sewer pipes under the influence of groundwater［J］.Journal of Hydraulic Engineering，2013，139（12）：1247-1257.

［14］SATO M，KUWANO R.Influence of location of subsurface structures on development of underground cavities induced by internal erosion［J］.Soils and Foundations，2015，55（4）：829-840.

［15］MUKUNOKI T，KUMANO N，OTANI J.Image analysis of soil failure on defective underground pipe due to cyclic water supply and drainage using X-ray CT［J］.Frontiers of Structural and Civil Engineering，2012，6（2）：85-100.

［16］ELUYODE O，AKOMOLAFE D.Comparative study of biological and artificial neural networks［J］.European Journal of Applied Engineering and Scientific Research，2013，2（1）：36-46.

［17］LECUN Y，BENGIO Y，HINTON G.Deep learning［J］.Nature，2015，521（7553）：436-444.

［18］AGARWAL A H，MISHRA S K，SINGH J K.Simulation of runoff and sediment yield using artifitial neural networks［J］.Biosystems Engineering，2006，97（4）：597-613.

［19］RAGHUWANSHI N S，SINGH R，REDDY L S.Runoff and sediment yield modeling using artificial neural networks：upper Siwane River，India［J］.Journal of Hydrologic Engineering，2006，11（1）：71-78.

［20］KADDOURA K，ZAYED T.Erosion void condition prediction models for buried linear assets［J］.Journal of Pipeline Systems Engineering and Practice，2018，10（1）：04018029.

［21］王淑楠，顧峰峰，李俊花，等.基于BP神經(jīng)網(wǎng)絡(luò)的長(zhǎng)江口深水航道回淤量預(yù)測(cè)［J］.人民長(zhǎng)江，2023，54（2）：206-213.

［22］KIM K，KIM J，KWAK T Y，et al.Logistic regression model for sinkhole susceptibility due to damaged sewer pipes［J］.Natural Hazards，2018，93：765-785.

［23］袁青，于錦，熊齊歡，等.基于人工神經(jīng)網(wǎng)絡(luò)的隧道斷層帶突涌水風(fēng)險(xiǎn)評(píng)估［J］.人民長(zhǎng)江，2023，54（1）：140-144.

（編輯：劉 媛）

Risk assessment on ground collapse induced by sewer breakage based

on artificial neural network models

TANG Yangbo^1，2，HUANG Biao³，LI Wei^1，2，GUAN Menglin^1，2

（1.National Engineering Center of Eco-Environments in Yangtze River Economic Zone，Wuhan 430014，China； 2.Yangtze Eco-Environment Engineering Research Center，China Three Gorges Corporation，Wuhan 430014，China； 3.School of Civil and Environmental Engineering and Geography Science，Ningbo University，Ningbo 315211，China）

Abstract：Urban ground collapses pose significant threats to human life and property safety.To identify the influence indicators of ground collapse，find out risk areas，and reduce potential disaster losses，a ground collapse risk assessment method was established.Taking Hengyang City as an example，the basic data of the drainage network were collected.The artificial neural network （ANN） was used to predict the size of the sewer breakage，and the logistic regression algorithm was used to predict the occurrence rate of ground collapse around the sewer.The results show that the average variance between the ANN predicted values and the true values is 0.026，and the ground collapse risk is highly correlated with the sewer breakage according to the logistic regression algorithm.The Chengxi and Linhu drainage areas have the high risk of ground collapse，which might be caused by sewer breakage，surface loading，extreme rainfall，high-speed flow，etc.This study provides support for the prevention and control of ground collapse in urban areas of the middle reaches of the Changjiang River.

Key words：drainage sewer; sewer breakage; ground collapse; artificial neural network; prevention measures; urban drainage system; Hengyang City