川藏铁路可研阶段重大工程地质风险分析

川藏铁路作为史上修建难度最大的铁路,沿线具有显著的地形高差、强烈的板块活动、密集的深大断裂、频发的山地灾害等恶劣地质环境特点,工程建设面临着复杂多变的地表和地下重大地质安全风险挑战。为深入综合分析川藏铁路可研阶段沿线地质风险,定量评价其对工程的影响,基于川藏铁路沿线翔实的时空数据集及资料,采用三维结构建模、数值统计建模、动力建模、时空建模等方法,进行了地表、地下重大工程地质灾害综合定量风险分析。地表工程地质灾害综合风险分析结果表明:在宏观上,川藏铁路沿线存在3个地表地质灾害高风险区,分别是鲜水河断裂带、金沙江断裂带和东构造结地区。由于川藏铁路采用以隧道为主的设计方案,地表地质灾害的风险大大降低。分别建立了活动断裂、岩爆和大变形等风险评估的普适性模型及综合风险分析模型,以易贡隧道为例,对典型重要隧道全线不同段落断裂活动性、岩爆、大变形等典型地下工程地质风险以及综合风险进行了定量评价。结果表明:川藏铁路沿线的地质灾害、断裂活动、岩爆和大变形等重大工程地质灾害的总体风险等级较高,影响工程安全;定量评估结果可以进一步指导后续的设计与施工的优化和深化。本研究为川藏铁路可行性研究提供了有力的科学支撑,同时也为国内外类似线性工程地质灾害风险分析提供参考。

人工神经网络和决策树模型在滑坡易发性分析中的性能对比

机器学习模型广泛应用于区域性滑坡易发性分析。模型的选择关系到评价结果的可信度、准确率和稳定性。现有滑坡易发性分析模型对比研究侧重模型的预测精度。模型的稳定性和数据量敏感性对机器学习模型的性能评估同样非常重要。本文以福建省南平市蔡源流域为研究区,以四川省绵阳市北川县为验证区,从预测精度、稳定性和数据量敏感性3个方面深入对比BP(Back Propagation)人工神经网络模型和CART(Classification and Regression Tree)决策树模型在滑坡易发性分析中的效果,主要结论如下:①在逐渐增加一定数量训练样本的过程中,BP人工神经网络模型预测精度的增长率更高。在蔡源流域内,当训练样本数量增加10000时,BP人工神经网络模型的预测精度上升5.22%,CART决策树模型的预测精度上升2.11%。②BP人工神经网络的预测精度高于CART决策树模型,且较为稳定。在100组数据集上,BP人工神经网络模型验证集预测精度的均值和验证集滑坡样本预测精度的均值分别为81.60%和84.86%,高于CART决策树模型的72.97%和76.59%。与此同时,BP人工神经网络模型对应预测精度的标准差分别是0.32%和0.37%,小于CART决策树模型的0.35%和0.67%。③BP人工神经网络模型分析的滑坡易发区相比CART决策树模型,更接近实际滑坡的空间分布。最后,北川县的验证实验也出现了相同的现象。