排序方式： 共有9条查询结果，搜索用时 31 毫秒
1
1.
针对典型滑坡滑动单元在地震过程中的滑移特征,制作了典型振动台物理模型,通过输入不同频率、峰值和持时的正弦地震波,开展了一系列的实验研究工作,得了一些比较有意义的新成果:（1）在输入地震波强度足够大时会出现瞬时沿滑带向上的滑移行为,存在向上和向下两个滑移屈服加速度;（2）在研究分析中,不可以坡底输入的地震加速度值而应以滑带处局部加速度值作为判别滑移与否和滑移量大小的计算数据;（3）滑体沿滑带产生的永久滑移总量随地震波持时增加呈阶梯波状增长;（4）不同时刻任一周期的振动滑移特征相对独立,且每一地震波周期时间内具有几乎相同的周期性滑移特征,总体滑移量是无数周期内滑移量的累加;（5）在每一地震波周期时间内,滑体向上和向下的滑移特征受控于相应向上和向下屈服加速度,其向上和向下滑移矢量和构成每一周期时间内的永久位移。 相似文献
2.
福建省滑坡灾害群发,点多面广,开展区域滑坡灾害预警业务是有效防灾减灾的重要手段,预警模型的科学性和有效性是预警业务的核心问题。传统区域滑坡灾害预警模型,受到滑坡诱发机理复杂、数据积累有限,以及大数据分析方法不足等限制,存在预警精度有限、精细化不足等问题。本文基于近9年地质与气象大数据,采用随机森林算法,构建了福建省区域滑坡灾害预警模型并开展实例校验。研究得出如下结论:①提出区域滑坡灾害训练样本集构建的优化方法,并构建了福建省区域滑坡灾害训练样本集,样本集包括地质环境、降雨等26个输入特征属性和1个输出特征属性,涵盖了福建省近9年(2010~2018年)全部样本数量达15 589个(其中:正样本3562个,负样本12 027个,正负样本比例约1 : 3.4); ②基于随机森林算法,对福建训练样本集进行学习训练、模型优化和模型存储。模型训练采用5折交叉验证法,采用贝叶斯优化算法进行模型参数优化,采用精确度、ROC曲线和AUC值等指标校验模型准确度和模型泛化能力。优化后的模型准确率和泛化能力均较好(准确率94.3%,AUC为0.954); ③选取2021年6月22日和28日的实际滑坡灾害发生情况,采用本文新提出的预警模型进行实况模拟运行,命中率均为100%。对比原显式统计模型预警结果,新模型命中率是原模型的6倍(6月22日)或相当(6月28日),新模型预警区内滑坡密度是原模型的1.6~1.7倍。初步验证表明基于随机森林的新模型优势明显,命中率更高,预警区面积更小,能够实现更加精准的预警。后续将继续跟踪研究区新发滑坡灾害情况,进行模型校验与修正完善。 相似文献
3.
2018年10月17日5时许,西藏林芝市雅鲁藏布江左岸色东普沟上游发生冰崩岩崩,冲击下部的早期崩坡积物和冰碛物,形成滑坡-碎屑流进入雅鲁藏布江,堵江堰塞约56 h后自然漫顶泄流,整个过程形成崩滑-碎屑流-堰塞湖-溃决洪水灾害链。采用多年气温降水数据分析、多时相卫星遥感解译冰川退缩、直升机抵近观察堰塞坝、Scheidegger公式计算崩滑-碎屑流运动速度、Gutenberg-Richter公式计算地震活动序列b值和多因素赋值统计研判未来冰崩地点规模,得到堰塞坝体积约为3100×10~4m~3(含以往多次崩滑堵江残留堆积),滑坡-碎屑流运动距离超过8 km,平均运动速度约20 m/s,整个运动过程历时6.7 min,具有高速远程性质。色东普沟域崩滑-碎屑流是在地貌高陡、岩体破碎、气候变暖、局地降水、冰川退缩、断裂活动和地震效应(b值在0.7左右)等多种因素综合作用下形成的,今后相当长的时期内仍会多次发生。初步预测,当局地平均气温超过13℃、1 h降雨量超过5 mm或24 h降雨量超过10 mm,或地震PGA大于0.18 g,可能引发新的崩滑-碎屑流事件,造成雅鲁藏布江再次壅堵。针对该区域山高谷深,人烟稀少,交通困难的实际,提出了适应自然、全面避让和适当疏导的防灾减灾对策。 相似文献
4.
5.12汶川地震引发了数以万计的崩塌、滑坡、泥石流等地质灾害。为了研究双面坡在强震条件下的动力响应规律,本文在大量野外调查的基础上,采用振动台物理模拟试验手段,设计完成了四类11个模型试验,从改变模型的坡度和坡顶宽度、软岩硬岩结合、阶梯状坡形等角度,较系统地研究了双面坡在强震作用下的响应规律。试验结果显示:强震条件下地震水平惯性力是导致边坡破坏的主要原因;在地震情况下边坡变形破坏表现出明显的初动破坏效应;振动过程中双坡具有明显的共剪效应,坡面为阶梯状时其共剪效应更明显;坡体结构为上软下硬时下部硬岩对振动具有一定的放大效应,上硬下软时坡体易整体偏移产生变形破坏。试验结论与实际情况基本符合。 相似文献
5.
震裂斜坡是强震作用下形成的一类分布范围广、震裂变形严重、潜在危害大的次生地质灾害,为了深入系统地分析其震裂机理及变形破坏机制模式,本文结合"5.12"汶川大地震造成的震裂斜坡及其破坏现象的详细调查,在对强震中的地震波效应深入分析的基础上,以双面斜坡为例,首先对震裂变形的力学机理进行了系统分析。认为强震中的体波效应将导致斜坡体处于量值和方向不断变化的拉-剪应力和反压应力的交替作用之下,其形成的拉-剪破裂效应和潜在的楔劈效应是斜坡震裂变形的重要力学因素之一。同时,面波效应将导致坡体表面处于鼓胀拉力和扭力的作用之下,是坡体表部整体震裂破碎甚至破坏的另一重要力学因素。二者共同作用均使坡体应力场处于不断的动态变化过程中,坡体(面)震裂变形甚至破坏更为严重。在此基础上,对强震中斜坡变形破坏的机制模式进行了归纳,认为主要有四种表现形式,即旋转-拉裂型、旋转-剪滑型、鼓胀-拉裂型和滑移-拉裂型。研究成果为震裂斜坡稳定性分析以及灾后重建和防灾减灾提供了有力参考。 相似文献
6.
Verhulst生物生长模型是一种统计型的滑坡预测预报模型,针对原始Verhulst模型中把第一个数据点作为已知条件的理论依据不存在,可能导致预报精度较低问题,将前人改进Verhulst模型的方法应用到滑坡预测预报中,推导出用改进模型和速度最大值判据预报滑坡发生时间的计算公式。通过分析表明,原始Verhulst模型中以速度最大值作为预报滑坡发生时间的判据缺乏合理性,以加速度和加加速度最大值作为预报判据应更合理,并推导出用加速度和加加速度最大值判据预报的计算公式。基于推导的公式,编写Matlab程序进行计算,将原始和改进的Verhulst模型以及3种判据应用于一些滑坡实例的预报中。结果表明,（1）与原始Verhulst模型相比,改进模型的预报效果较好,其预报滑坡发生的时间更早,且更准确;（2）与速度最大值判据相比,加速度和加加速度最大值判据的预报效果较好,其预报时间较早,且较准确;（3）可把原始模型中单一的时间预报值拓展为一段预报的时间范围,该预报时间范围的上限是加速度最大值时刻,下限是加加速度最大值时刻;（4）用改进模型和该时间段范围判据进行预报能起到提前预报的作用,且预报结果较准确。此外,经讨论认为临近破坏时,裂缝的增多以及动摩擦系数小于静摩擦系数导致抗滑力降低,剩余下滑力增大,是使滑体产生加速度逐渐增大运动的原因。 相似文献
7.
充分考虑振动台实验揭示出来的基本地震滑坡单元体震动滑移特征,总结得到其永久位移的估算方法:（1）考虑地震动惯性力和重力的联合作用,计算相应向上和向下滑移的屈服加速度,以反应其可能向上和向下滑移的行为;（2）在适度简化斜坡岩土体动力学模型的基础上,考虑斜坡岩土体自振特性和滑体所在高度对地震波的放大效应,得到滑体附近的局部地震加速度;（3）考虑滑体附近局部加速度和滑移屈服加速度的控制作用,计算每一地震波的周期内滑体相对滑床所能达到的最大滑移速度（向上和向下）,进而得到相对动能;（4）考虑到滑体的动能基本耗散在滑带上,基于能量守恒原理,将相对动能除以滑带上的摩擦力,即可估算出每一周期内的永久位移;（5）将每一地震波周期内产生的永久位移相累加,即可得到总体的滑动位移。经与实验结果对比,本估算方法具有较高的精度与可靠性,虽只考虑了水平向地震动作用的影响,但对于存在竖向地震动的情况,其思路同样适用,只是需要计入竖向地震动惯性作用力的影响。 相似文献
8.
贵州纳雍“8·28”崩塌破坏过程与变形破坏机理初探 总被引：1，自引：0，他引：1
2017年8月28日,贵州省纳雍县张家湾镇普洒村发生山体崩塌,崩塌方量约6×10~5m^3,造成35人遇难。本文通过应急调查、过程还原及工程地质分析,对崩塌破坏过程及机理初步研究,以期有益于后续防治及类似灾害防范。研究发现,崩塌主要发生在三叠系下统夜郎组灰岩和粉砂岩地层中,岩层面近水平,受构造和卸荷作用,发育有平行于坡面的陡倾节理,受长期重力作用和风化作用影响,溶蚀漏斗和塌陷发育,节理在长期的风化过程中形成裂隙带和沉陷带;崩塌过程还原显示,崩塌可分为"沉陷带变形崩塌-坡面局部崩塌-整体溃屈崩塌-撞击地面-碎屑流"五个阶段;根据崩塌变形和运动特征,崩塌可分为崩塌源区、崩积区、碎屑流区和变形区四个区;崩塌体在降雨和采矿作用影响下,拉裂沉陷带和水体的楔形侧向挤压和劈裂作用加剧了坡顶临空岩土体的变形,崩塌发生前的降雨过程对崩塌的发生有重要的促进作用。 相似文献
9.
基于机器学习的区域滑坡灾害预警模型研究 总被引：1，自引：0，他引：1
中国滑坡灾害严重,区域滑坡灾害预警是防灾减灾的重要手段之一,预警模型是开展区域滑坡灾害预警的关键问题。本文系统开展了基于机器学习的区域滑坡灾害预警模型研究,并以四川省青川县为例,基于近10年地质与气象数据,构建了青川县区域滑坡灾害预警模型并开展实例校验。研究得出如下结论:(1)提出了基于机器学习的区域滑坡灾害预警模型的构建方法,主要包括训练样本集构建、样本学习训练与优化建模、模型保存与预警输出等几个关键步骤。(2)提出了区域滑坡训练样本集的构建方法,即以正样本为基础,在时空约束条件下随机采样获取负样本,最终获得完整的训练样本集。(3)样本学习训练中,以训练样本集的80%作为训练集,20%作为测试集,进行5折交叉验证,采用精确度、ROC曲线和AUC值校验模型准确度和模型泛化能力。采用贝叶斯优化算法进行模型优化。(4)实际预警中,调用训练好的预警模型输出滑坡灾害可能发生的概率。依据概率大小,分级确定预警等级。分级依据为:当输出概率P≥40%且P＜60%时,发布黄色预警;当输出概率P≥60%且P＜80%时,发布橙色预警;当输出概率P≥80%时,发布红色预警。(5)以青川县为例,构建了青川县区域滑坡训练样本集,采用6种机器学习算法进行模型训练,结果显示随机森林算法表现最好,其准确率最高(0.963),模型无过拟合现象,模型泛化能力最好(AUC=0.986);其次为逻辑回归算法;再次为人工神经网络算法和决策树算法。选取2018年6月26日的青川县日常预警业务进行实例校验。结果显示:当日17处滑坡灾害点中,100%的灾害点全部落入预警区范围内,其中:70.6%的滑坡落在红色预警区内,17.6%的滑坡落在橙色预警区内,11.8%的滑坡落在黄色预警区内。 相似文献
1