CN109815633A - 一种基于地表水地下水耦合模型的边坡稳定性判别方法 - Google Patents

Abstract

本发明提出一种基于地表水地下水耦合模型的边坡稳定性判别方法，包括以下步骤：建立边坡内部水位确定模型，能够根据地表水位观测数据资料以及地表水地下水耦合模型，模拟出边坡内部的水位变化过程；并通过局部边坡内部含水量监测数据和VG函数分析局部边坡内部实际水位，与模拟结果进行比对校正；基于得到的边坡内部水位，建立边坡稳定性分析模型利用智能算法和简化毕肖普法找出最危险滑坡面，得到边坡最小稳定系数，判断边坡的稳定性。本发明能够根据地表水位和边坡内部含水量的观测数据模拟出边坡内部水位的变化过程，继而评估边坡稳定性；并通过智能算法迭代多次计算，准确找出最危险滑动面，预测边坡失稳时间和失稳面积，预报滑坡灾害。

Description

一种基于地表水地下水耦合模型的边坡稳定性判别方法

技术领域

本发明涉及评估边坡在地表水和地下水交换过程中的滑移稳定性，具体提出 一种基于地表水地下水耦合模型的边坡稳定性判别和预测方法。通过实地数据监 测和后台边坡内部水位确定模型、边坡稳定系数确定模型相结合，对地表水和地 下水交换过程中的边坡稳定性进行评估和预测。

背景技术

边坡滑动失稳按照滑坡厚度可分为浅层滑坡、中层滑坡、深层滑坡以及超深 层滑坡四种。目前人们的研究重点在浅层滑坡以及中深层滑坡上，浅层滑坡主要 发生在土壤厚度相对较薄的山体上，失稳较快，发生也较为频繁；而中深层滑坡 往往都是大体积滑坡，失稳时间较长，但一旦发生危害较大。评估一个边坡是否 稳定，主要采用极限平衡法，也就是引入安全系数Fs来表示山坡稳定性，Fs是 土体抗剪能力与下滑力的比值，大于1认为该边坡处于稳定状态，而低于1则被 认为有失稳的趋向。为了更为方便地计算边坡稳定安全系数，人们根据不同滑坡 的特点提出了针对性的方法，现已形成了基本成熟的边坡稳定性计算理论：对于 浅层滑坡，主要采用半无限边坡理论；对于深层滑坡，则有瑞典条分法、毕肖普 法、简布法、不平衡推力法等等。

滑坡的产生是在多因素共同作用下的，有边坡自身地质构造、地形地貌以及 水文地质结构等内在因素的影响，也有诸如降雨、冲刷、地下水位波动、地震、 人类活动等外在诱因，从不同角度看待滑坡问题就有不同的滑坡分析思路。其中 定性方法依赖于对滑坡灾害的调查研究，主要以数据库(LDBs)和滑坡敏感性图 (LSM)的形式展现各地滑坡体的安全性和潜在风险，致力于从整体上把握滑坡 现象，但缺乏边坡破坏的物理概念，通常用作定量分析的基础和指南。还有一种 统计方法是收集、整理相关因素作用下的滑坡现象，分析该因素和滑坡的相关性， 对未来同样因素作用下是否发生滑坡给出评判的方法，但是不能实时监测边坡稳 定性的变化过程，无法准确预测滑坡灾害。

发明内容

为解决上述问题，本发明提供了一种基于地表水地下水耦合模型的边坡稳定 性判别方法，旨在阐明地表水和地下水的交换过程在滑坡问题上的重要作用及影 响机制，通过该模型，能根据地表水位快速获得精确的边坡内部水位结果，结合 智能算法找出最危险滑坡面，分析边坡的稳定性，并以之预测失稳时间以及失稳 面积，为滑坡灾害的预报及防护提供更有效的参考模型。

本发明提供了一种基于地表水地下水耦合模型的边坡稳定性判别方法，包括 以下步骤：

步骤1.利用现场地质勘查和无人机成像的方法，取得研究边坡的形态特征信息、土层分布和厚度，并做相关试验测定边坡土体相应的地质、水文参数，建立起观 测区域的DEM模型；

步骤2.开展实时检测站点的建设，在地表水源附近和边坡内部埋设传感器模块，建立起实时监测，实时传输和存储的数据控制中心；

步骤3.建立边坡内部水位确定模型，能够根据地表水位观测数据资料以及地表水地下水耦合模型，模拟出边坡内部的水位变化过程；并通过局部边坡内部含水 量监测数据和VG函数分析局部边坡内部实际水位，与模拟结果进行比对校正；

步骤4.基于得到的边坡内部水位，建立边坡稳定性分析模型，以最危险滑动面 处的边坡稳定安全系数作为边坡稳定性的判别指标，利用智能算法和简化毕肖普 法找出最危险滑坡面，得到边坡最小稳定系数，判断边坡的稳定性；

步骤5.通过可视化模块，把实时最危险滑动面和边坡稳定系数显示出来，并绘 出边坡稳定系数变化趋势图，预估滑坡面积和滑坡时间；

步骤6.依据长时间的观测资料，对地表水地下水交换时当地边坡稳定系数的变化特征建立起数据库，继而预测地表水变化时的边坡稳定性。

进一步，所述步骤3模拟边坡内部的水位变化过程时，采用统一的地下水和 地表水耦合模型进行计算，以x方向为例，动量方程可表示为：

式中：x,y,z是三维坐标方向的长度；u、v、w分别是x、y、z方向的速度； t是时间；ρ是密度；P是自由表面压力；γ_w是水体容重；υ是运动粘滞系数； F(u)是流体在多孔介质中运动所受的阻力项，当F(u)＝0时，方程就退化为传统 地表水控制方程；

在探究地表水位与边坡内部水位的相关性时，地表水与地下水的交换以水平 流形式为主，因此对该现象常采用平面二维模型，对公式1沿垂向积分，可得适 用于地下水和地表水运动的扩展型浅水方程如公式2,根据地表水位观测数据利 用公式2可模拟出边坡内部水位的变化：

式中：x_i和x_j分别为二维平面上i、j两个坐标方向的长度，u_i为i方向的速 度，u_j为j方向的速度；g为重力加速度；h是总水深；n为曼宁系数；m与n是 与多孔介质颗粒有关的常数；n_e为介质空隙度；ζ为水位，由总水深h和所取基 面的相对高程确定；q为降雨量或蒸发量。

进一步，所述步骤3中通过局部边坡内部含水量监测数据和VG函数分析局 部边坡内部实际水位，与模拟结果进行比对校正，根据边坡内部含水量的实测资 料，通过土壤水分特征曲线中的VG函数求出传感器插深处的基质吸力，从而反 推出实际水位，与从公式2中模拟计算的水位ζ进行比对，对公式2中相关参数 进行率定，VG函数如下：

式中：θ是实测的含水量；θs、θr分别是饱和含水量和残余含水量；α、 n₁是VG函数中的定量参数；ψ是基质吸力，为传感器高程hc与水位ζ的差值； 由公式3计算出ψ，得到水位ζ的准确值，代入公式2后率定m和n，使m和n 接近真实值，由公式2模拟得到准确的总水深h。

进一步，所述步骤4中在建立边坡稳定系数计算模型时，不断假定滑坡面， 对任意的滑动面采用简化毕肖普法计算边坡稳定系数：

式中：Fs是边坡稳定系数；n是划分的土条数量；Δx是划分的土条宽度； α_i是土条底面倾角；W_i是对整个土体条分法后的单个土条重度；u_i是对整个土 体条分法后的单个土条孔隙水压力；是有效内摩擦角；c_i’是有效内粘聚力；

其中W_i和u_i是在步骤3确定边坡总水深h后，即可确定边坡稳定性分析中 需要的土体重度W和孔隙水压力u。

进一步，所述步骤4中，利用智能算法，不断变化假设滑坡面，分别计算边 坡稳定系数，以边坡稳定系数Fs的大小作为适应度值函数，采用概率化的寻优 方法，自动获取和优化搜索空间，自适应地调整搜索方向，从而找出最危险滑坡 面，得到边坡最小稳定系数Fs；

所述智能算法以圆弧型滑坡面的位置为变量，可由圆心横纵坐标(x₀,y₀) 与圆半径r₀三个参数控制，用X_r ^Gen(x₀,y₀,r₀)来代表，其中上标Gen为进化代 数，初始种群为1；下标r为每一代种群中的个体编号；每个滑坡面个体X_r ^Gen(x₀, y₀,r₀)的三个参数x₀,y₀,r₀分别用X_r ^Gen(1)，X_r ^Gen(2)，X_r ^Gen(3)来表示；智能算法 包括四个步骤：

a、生成初始种群：确定种群规模为N后，生成N个滑坡面作为初始种群；首先 预估圆弧圆心坐标及相应半径的取值范围[X_min(x_min,y_min,r_min),X_max(x_max,y_max, r_max)]，由公式5生成2N个个体(i＝1,2…2N)，每个个体都能确 定一个滑坡面，

用公式4计算每个滑坡面对应的适应度函数值筛选取前N个适应度 值较小的个体作为初始种群

b、变异：如公式6所示，对上一次迭代结果的滑坡面参数X_i ^Gen(x₀,y₀,r₀)进行 变异操作，按传统遗传算法生成中间变异个体V_i’^Gen，用公式4计算相应的适应 度值并按值从小到大重新排序，引入权重因子后确定选用变异个体V_i ^Gen

式中：P_m是变异概率，取值范围为[0.5,1]；r₁、r₂、r₃＝1,2…N，且三者不能 等于i；若生成的中间变异个体超出了初始范围，重新生成中间变异个体；α₁是权重因子，理论上α₁越小算法收敛速度越快，但同时也要控制种群的多样性， 在本文中取0.1；

c、交叉：如公式7所示，对变异过后的变异个体V_i ^Gen的参数V_i ^Gen(j)与初始滑 坡面参数X_i ^Gen(j)进行交叉操作，按传统遗传算法生成中间交叉个体的参数 U_i’^Gen(j)，从而得到交叉后的个体U_i’^Gen，用公式4计算相应的适应度值并从小到 大排序，引入权重因子后确定选用交叉后的个体U_i ^Gen；

式中：P_c是交叉概率，取值范围为[0.8,1]，jrand是[1,3]上的随机整数；

d、选择：如公式8所示，将进行过变异和交叉操作得到的滑坡面参数U_i ^Gen(x₀,y₀,r₀)与初始滑坡面参数X_i ^Gen(x₀,y₀,r₀)进行比对选择操作，依据传统遗传算法生 成中间选择个体X_i’^Gen+1，用公式4计算相应的适应度值并从小到大排序，引入权 重因子后确定选用选择稳定系数较小的滑坡面个体X_i ^Gen+1，进入下一轮迭代

以步骤b-d为一次计算，不断迭代后得到最小稳定系数Fs，即可确定相应的滑 坡面与实时边坡稳定性，当Fs>1时，边坡处于稳定状态；若Fs＝1，边坡处于极 限平衡状态；若Fs<1，边坡处于不稳定状态。

进一步，所述步骤1利用无人机完成监测范围内的高程提取后，组织现场勘 察进行校准，并通过试验测定土体主要参数，包括边坡坡度、土壤有效内摩擦角、 粘聚力、土壤容重、土体残余含水量、饱和含水量、土水特征曲线VG函数的相 关参数。

进一步，所述步骤2中布置传感器模块时，在地表水源附近布置静压液位计 观测实时水位，在边坡内部布置土壤水分自动观测仪观测边坡含水率特征。

有益效果：本发明通过提供一种基于地表水地下水耦合模型的边坡稳定性判 别和预测方法，能够根据地表水位和边坡内部含水量的观测数据模拟出边坡内部 水位的变化过程，继而评估边坡稳定性；并通过智能算法迭代多次计算，准确找 出最危险滑动面，预测边坡失稳时间和失稳面积。本发明可以反映地表水地下水 交换过程对边坡稳定性的影响，为滑坡灾害的预报及防护提供更有效的参考模 型，并协助工作人员拟定滑坡预防措施。

附图说明

图1是本发明中的步骤流程图；

图2是本发明中地表地下水耦合模型示意图；

图3是本发明中采用的VG函数示意图；

图4是本发明中简化毕肖普法示意图。

具体实施方式

如图1，本发明提供了一种基于地表水地下水耦合模型的边坡稳定性判别方 法，包括以下步骤：

步骤1.利用现场勘查和无人机成像的方法，完成相应监测范围内的高程提取， 建立起观测区域的DEM模型，并组织现场观测进行校准。通过地质勘查确定研究 边坡的形态特征信息、土层分布和厚度，并通过现场或实验室试验的方法测定边 坡土体相应的地质、水文参数，主要包括：边坡坡度，土壤有效内摩擦角、粘聚 力，土壤容重，土体残余含水量、饱和含水量，土水特征曲线中的VG参数等。 在本实例中，边坡内部土体的相应地质和水文参数如表1所示。

表1

步骤2.开展实时检测站点的建设，在地表水源附近布置静压液位计，放置在最 低水位以下20cm左右。在边坡内部埋设传感器模块，根据当地实际地下水位分 布特征，将土壤含水量传感器埋设在20～50cm以精准测量，垂直挖20cm左右直 径的坑，将传感器钢针水平插入坑壁，将坑填埋压实，确保与士壤紧密接触，在 既定深度稳定一段时间后,即可进行连续的测量和记录；所有传感器均采用太阳 能供电，配备GPRS无线终端将数据传输到数据控制中心。以建立起实时监测， 实时传输和存储的数据控制中心；

步骤3.建立边坡内部水位确定模型，能够根据地表水位观测数据资料以及地表水地下水耦合模型，模拟出边坡内部的水位变化过程；并通过局部边坡内部含水 量监测数据和VG函数分析局部边坡内部实际水位，与模拟结果进行比对校正；

步骤4.基于得到的边坡内部水位，建立边坡稳定性分析模型，以最危险滑动面 处的边坡稳定安全系数作为边坡稳定性的判别指标，利用智能算法和简化毕肖普 法找出最危险滑坡面，得到边坡最小稳定系数，判断边坡的稳定性；

步骤5.通过可视化模块，把实时最危险滑动面和边坡稳定系数显示出来，并绘 出边坡稳定系数变化趋势图，预估滑坡面积和滑坡时间；

步骤6.依据长时间的观测资料，对地表水地下水交换时当地边坡稳定系数的变化特征建立起数据库，继而预测地表水变化时的边坡稳定性。

图2是本发明中地表地下水耦合模型示意图。所述步骤3模拟边坡内部的水 位变化过程时，采用统一的地下水和地表水耦合模型进行计算，以x方向为例， 动量方程可表示为：

式中：x,y,z是三维坐标方向的长度；u、v、w分别是x、y、z方向的速度； t是时间；ρ是密度；P是自由表面压力；γ_w是水体容重；υ是运动粘滞系数； F(u)是流体在多孔介质中运动所受的阻力项，当F(u)＝0时，方程就退化为传统 地表水控制方程；

在探究地表水位与边坡内部水位的相关性时，地表水与地下水的交换以水平 流形式为主，因此对该现象常采用平面二维模型，对公式1沿垂向积分，可得适 用于地下水和地表水运动的扩展型浅水方程如公式2,根据地表水位观测数据利 用公式2可模拟出边坡内部水位的变化：

式中：x_i和x_j分别为二维平面上i、j两个坐标方向的长度，u_i为i方向的速 度，u_j为j方向的速度；g为重力加速度；h是总水深；n为曼宁系数；m与n是 与多孔介质颗粒有关的常数；n_e为介质空隙度；ζ为水位，由总水深h和所取基 面的相对高程确定；q为降雨量或蒸发量。

进一步，所述步骤3中通过局部边坡内部含水量监测数据和VG函数分析局 部边坡内部实际水位，与模拟结果进行比对校正，根据边坡内部含水量的实测资 料，通过土壤水分特征曲线中的VG函数求出传感器插深处的基质吸力，从而反 推出实际水位，与从公式2中模拟计算的水位ζ进行比对，对公式2中相关参数 进行率定，VG函数如下：

式中：θ是实测的含水量；θs、θr分别是饱和含水量和残余含水量；α、 n₁是VG函数中的定量参数；ψ是基质吸力，为传感器高程hc与水位ζ的差值； 由公式3计算出ψ，得到水位ζ的准确值，代入公式2后率定m和n，使m和n 接近真实值，由公式2模拟得到准确的总水深h。图3是本发明中采用的VG函 数示意图。

进一步，所述步骤4中在建立边坡稳定系数计算模型时，不断假定滑坡面， 对任意的滑动面采用简化毕肖普法计算边坡稳定系数：

式中：Fs是边坡稳定系数；n是划分的土条数量；Δx是划分的土条宽度； α_i是土条底面倾角；W_i是对整个土体条分法后的单个土条重度；u_i是对整个土 体条分法后的单个土条孔隙水压力；是有效内摩擦角；c_i’是有效内粘聚力；

其中W_i和u_i是在步骤3确定边坡总水深h后，即可确定边坡稳定性分析中 需要的土体重度W和孔隙水压力u。

如图4为简化毕肖普法示意图，图中：O为圆心位置；R是圆弧半径；αi 是某土条处的滑坡角；q为该土条土体坡面上作用的竖向超载；di为该土条中心 与圆心在水平方向的距离；qi为该土条坡面上作用的均布竖向超载；Qi为该土 条的受到的总水平力；Wi为该土条的自重；Ei是条块间水平力,hi是其作用点 位置；Ni和Ti是滑动面上的两个作用力分量，由于土条宽度不大，可近似认为 作用于该边中点。

进一步，所述步骤4中，利用智能算法，不断变化假设滑坡面，分别计算边 坡稳定系数，以边坡稳定系数Fs的大小作为适应度值函数，采用概率化的寻优 方法，自动获取和优化搜索空间，自适应地调整搜索方向，从而找出最危险滑坡 面，得到边坡最小稳定系数Fs。

所述智能算法以圆弧型滑坡面的位置为变量，可由圆心横纵坐标(x₀,y₀) 与圆半径r₀三个参数控制，用X_r ^Gen(x₀,y₀,r₀)来代表，其中上标Gen为进化代 数，初始种群为1；下标r为每一代种群中的个体编号；每个滑坡面个体X_r ^Gen(x₀, y₀,r₀)的三个参数x₀,y₀,r₀分别用X_r ^Gen(1)，X_r ^Gen(2)，X_r ^Gen(3)来表示；智能算法 包括四个步骤：

a、生成初始种群：确定种群规模为N后，生成N个滑坡面作为初始种群；首先 预估圆弧圆心坐标及相应半径的取值范围[X_min(x_min,y_min,r_min),X_max(x_max,y_max, r_max)]，由公式5生成2N个个体(i＝1,2…2N)，每个个体都能确 定一个滑坡面，

用公式4计算每个滑坡面对应的适应度函数值筛选取前N个适应度 值较小的个体作为初始种群

b、变异：如公式6所示，对上一次迭代结果的滑坡面参数X_i ^Gen(x₀,y₀,r₀)进行 变异操作，按传统遗传算法生成中间变异个体V_i’^Gen，用公式4计算相应的适应 度值并按值从小到大重新排序，引入权重因子后确定选用变异个体V_i ^Gen

式中：P_m是变异概率，取值范围为[0.5,1]；r₁、r₂、r₃＝1,2…N，且三者不能 等于i；若生成的中间变异个体超出了初始范围，重新生成中间变异个体；α₁是权重因子，理论上α₁越小算法收敛速度越快，但同时也要控制种群的多样性， 在本文中取0.1；

c、交叉：如公式7所示，对变异过后的变异个体V_i ^Gen的参数V_i ^Gen(j)与初始滑 坡面参数X_i ^Gen(j)进行交叉操作，按传统遗传算法生成中间交叉个体的参数 U_i’^Gen(j)，从而得到交叉后的个体U_i’^Gen，用公式4计算相应的适应度值并从小到 大排序，引入权重因子后确定选用交叉后的个体U_i ^Gen；

式中：P_c是交叉概率，取值范围为[0.8,1]，jrand是[1,3]上的随机整数；

d、选择：如公式8所示，将进行过变异和交叉操作得到的滑坡面参数U_i ^Gen(x₀,y₀,r₀)与初始滑坡面参数X_i ^Gen(x₀,y₀,r₀)进行比对选择操作，依据传统遗传算法生 成中间选择个体X_i’^Gen+1，用公式4计算相应的适应度值并从小到大排序，引入权 重因子后确定选用选择稳定系数较小的滑坡面个体X_i ^Gen+1，进入下一轮迭代

以步骤b-d为一次计算，不断迭代后得到最小稳定系数Fs，即可确定相应 的滑坡面与实时边坡稳定性，当Fs>1时，边坡处于稳定状态；若Fs＝1，边坡处 于极限平衡状态；若Fs<1，边坡处于不稳定状态。

Claims (8)

1.一种基于地表水地下水耦合模型的边坡稳定性判别方法，其特征在于包括以下步骤：

步骤1.取得研究边坡的形态特征信息、土层分布和厚度，并做相关试验测定边坡土体相应的地质、水文参数，建立起观测区域的DEM模型；

步骤2.在地表水源附近和边坡内部埋设传感器模块，建立起实时监测；

步骤3.建立边坡内部水位确定模型，能够根据地表水位观测数据资料以及地表水地下水耦合模型，模拟出边坡内部的水位变化过程；并通过局部边坡内部含水量监测数据和VG函数分析局部边坡内部实际水位，与模拟结果进行比对校正；

步骤4.基于得到的边坡内部水位，建立边坡稳定性分析模型，以最危险滑动面处的边坡稳定安全系数作为边坡稳定性的判别指标，利用智能算法和简化毕肖普法找出最危险滑坡面，得到边坡最小稳定系数，判断边坡的稳定性。

2.根据权利要求1所述的基于地表水地下水耦合模型的边坡稳定性判别方法，其特征在于：所述步骤3模拟边坡内部的水位变化过程时，采用统一的地下水和地表水耦合模型进行计算，以x方向为例，动量方程可表示为：

式中：x,y,z是三维坐标方向的长度；u、v、w分别是x、y、z方向的速度；t是时间；ρ是密度；P是自由表面压力；γ_w是水体容重；υ是运动粘滞系数；F(u)是流体在多孔介质中运动所受的阻力项，当F(u)＝0时，方程就退化为传统地表水控制方程；

对公式1沿垂向积分，可得适用于地下水和地表水以水平流形式交换的扩展型浅水方程如公式2,根据地表水位观测数据利用公式2可模拟出边坡内部水位的变化：

式中：x_i和x_j分别为二维平面上i、j两个坐标方向的长度，u_i为i方向的速度，u_j为j方向的速度；g为重力加速度；h是总水深；n为曼宁系数；m与n是与多孔介质颗粒有关的常数；n_e为介质空隙度；ζ为水位，由总水深h和所取基面的相对高程确定；q为降雨量或蒸发量。

3.根据权利要求2所述的基于地表水地下水耦合模型的边坡稳定性判别方法，其特征在于：所述步骤3中通过局部边坡内部含水量监测数据和VG函数分析局部边坡内部实际水位，与模拟结果进行比对校正，根据边坡内部含水量的实测资料，通过土壤水分特征曲线中的VG函数求出传感器插深处的基质吸力，从而反推出实际水位，与从公式2中模拟计算的水位ζ进行比对，对公式2中相关参数进行率定，VG函数如下：

式中：θ是实测的含水量；θs、θr分别是饱和含水量和残余含水量；α、n₁是VG函数中的定量参数；ψ是基质吸力，为传感器高程hc与水位ζ的差值；由公式3计算出ψ，得到水位ζ的准确值，代入公式2后率定m和n，使m和n接近真实值，由公式2模拟得到准确的总水深h。

4.根据权利要求3所述的基于地表水地下水耦合模型的边坡稳定性判别方法，其特征在于：所述步骤4中在建立边坡稳定系数计算模型时，不断假定滑坡面，对任意的滑动面采用简化毕肖普法计算边坡稳定系数：

式中：Fs是边坡稳定系数；n是划分的土条数量；Δx是划分的土条宽度；α_i是土条底面倾角；W_i是对整个土体条分法后的单个土条重度；u_i是对整个土体条分法后的单个土条孔隙水压力；是有效内摩擦角；c_i’是有效内粘聚力；

其中W_i和u_i是在步骤3确定边坡总水深h后，即可确定边坡稳定性分析中需要的土体重度W和孔隙水压力u。

5.根据权利要求4所述的基于地表水地下水耦合模型的边坡稳定性判别方法，其特征在于：所述步骤4中，利用智能算法，不断变化假设滑坡面，分别计算边坡稳定系数，以边坡稳定系数Fs的大小作为适应度值函数，采用概率化的寻优方法，自动获取和优化搜索空间，自适应地调整搜索方向，从而找出最危险滑坡面，得到边坡最小稳定系数Fs；

所述智能算法以圆弧型滑坡面的位置为变量，可由圆心横纵坐标(x₀,y₀)与圆半径r₀三个参数控制，用X_r ^Gen(x₀,y₀,r₀)来代表，其中上标Gen为进化代数，初始种群为1；下标r为每一代种群中的个体编号；每个滑坡面个体X_r ^Gen(x₀,y₀,r₀)的三个参数x₀,y₀,r₀分别用X_r ^Gen(1)，X_r ^Gen(2)，X_r ^Gen(3)来表示；智能算法包括四个步骤：

a、生成初始种群：确定种群规模为N后，生成N个滑坡面作为初始种群；首先预估圆弧圆心坐标及相应半径的取值范围[X_min(x_min,y_min,r_min),X_max(x_max,y_max,r_max)]，由公式5生成2N个个体X_i ⁰(x₀,y₀,r₀)(i＝1,2…2N)，每个个体都能确定一个滑坡面，

用公式4计算每个滑坡面对应的适应度函数值F(X_i ⁰)，筛选取前N个适应度值较小的个体作为初始种群X_i ¹(x₀,y₀,r₀)；

b、变异：如公式6所示，对上一次迭代结果的滑坡面参数X_i ^Gen(x₀,y₀,r₀)进行变异操作，按传统遗传算法生成中间变异个体V_i ^’Gen，用公式4计算相应的适应度值并按值从小到大重新排序，引入权重因子后确定选用变异个体V_i ^Gen

式中：P_m是变异概率，取值范围为[0.5,1]；r₁、r₂、r₃＝1,2…N，且三者不能等于i；若生成的中间变异个体超出了初始范围，重新生成中间变异个体；α₁是权重因子；

c、交叉：如公式7所示，对变异过后的变异个体V_i ^Gen的参数V_i ^Gen(j)与初始滑坡面参数X_i ^Gen(j)进行交叉操作，按传统遗传算法生成中间交叉个体的参数U_i ^’Gen(j)，从而得到交叉后的个体U_i ^’Gen，用公式4计算相应的适应度值并从小到大排序，引入权重因子后确定选用交叉后的个体U_i ^Gen；

式中：P_c是交叉概率，取值范围为[0.8,1]，jrand是[1,3]上的随机整数；

d、选择：如公式8所示，将进行过变异和交叉操作得到的滑坡面参数U_i ^Gen(x₀,y₀,r₀)与初始滑坡面参数X_i ^Gen(x₀,y₀,r₀)进行比对选择操作，依据传统遗传算法生成中间选择个体X_i ^’Gen+1，用公式4计算相应的适应度值并从小到大排序，引入权重因子后确定选用选择稳定系数较小的滑坡面个体X_i ^Gen+1，进入下一轮迭代

以步骤b-d为一次计算，不断迭代后得到最小稳定系数Fs，即可确定相应的滑坡面与实时边坡稳定性。

6.根据权利要求1所述的基于地表水地下水耦合模型的边坡稳定性判别方法，其特征在于：所述步骤1利用无人机完成监测范围内的高程提取，组织现场勘察进行校准，并通过试验测定土体主要参数，包括边坡坡度、土壤有效内摩擦角、粘聚力、土壤容重、土体残余含水量、饱和含水量、土水特征曲线VG函数的相关参数。

7.根据权利要求6所述的基于地表水地下水耦合模型的边坡稳定性判别方法，其特征在于：所述步骤2中布置传感器模块时，在地表水源附近布置静压液位计观测实时水位，在边坡内部布置土壤水分自动观测仪观测边坡含水率特征。

8.根据权利要求1-7任意一项所述的基于地表水地下水耦合模型的边坡稳定性判别方法，其特征在于：还包括以下步骤

步骤5.通过可视化模块，把实时最危险滑动面和边坡稳定系数显示出来，并绘出边坡稳定系数变化趋势图，预估滑坡面积和滑坡时间；

步骤6.依据长时间的观测资料，对地表水地下水交换时当地边坡稳定系数的变化特征建立起数据库，继而预测地表水变化时的边坡稳定性。