CN115508206A - 一种节理岩质边坡岩体强度参数概率反演方法 - Google Patents

Abstract

本发明涉及一种节理岩质边坡岩体强度参数概率反演方法，属于岩土工程领域。本发明通过现场地质调查和测量边坡信息，确定地质强度指标GSI、岩石材料常数m_i和岩石单轴抗压强度σ_ci的先验分布信息；基于节理岩体强度参数的先验信息，采用拉丁超立方抽样方法抽取m组参数GSI、m_i、σ_ci形成强度参数样本，逐个代入边坡数值模拟模型，进行正演模拟，输出对应的最小安全系数Fs、临界滑面剪入口横坐标x、滑面深度h；构建神经网络预测模型作为边坡数值模拟模型的替代模型，检验替代模型的精度，并统计替代模型与边坡数值模拟模型之间的误差；构造对数似然函数，采用改进的DREAM_(KZS)算法进行岩体强度参数反演；收敛性分析，统计强度参数GSI、m_i、σ_ci后验概率分布中的统计特征值。

Description

一种节理岩质边坡岩体强度参数概率反演方法

技术领域

本发明涉及一种节理岩质边坡岩体强度参数概率反演方法，属于岩土工程领域。

背景技术

Hoek-Brown强度准则综合考虑了岩体结构、岩块强度和应力状态等因素的影响，适合表征岩体介质非线性破坏特征，广泛应用于岩质边坡稳定性分析。然而岩体由完整岩块和内部的结构面共同组成，其强度参数具有较大的变异性，强度参数取值存在主观性和不确定性。常用的GSI表只给出了一个表征岩体块体连续性和结构面质量的GSI区间，没有提及定量化方法，导致GSI取值的存在较大的随机性和模糊性。岩体是一种变异性很大的介质，其单轴抗压强度σ_ci可能存在较大的离散性。m_i是完整岩石常数，常用的方法基于岩石类型和岩石结构同样只能确定m_i的取值范围，传统的确定性反演方法采用试错法进行计算，计算效率低，而且未考虑滑面的测量误差，反演结果不可靠。

发明内容

本发明针对节理岩体边坡岩体强度参数概率反演中，传统的试错反演方法的计算效率低，而且未考虑滑面的测量误差，反演结果不可靠等问题，提出了一种节理岩质边坡岩体强度参数概率反演方法，即利用似然度，筛选初始种群，对DREAM_(KZS)算法进行改进，提高反演识别精度和计算效率。

一种节理岩质边坡岩体强度参数概率反演方法，具体步骤如下：

S1.通过现场地质调查和测量边坡信息，确定地质强度指标GSI、岩石材料常数m_i和岩石单轴抗压强度σ_ci的先验分布信息；

S2.基于节理岩体强度参数的先验信息，采用拉丁超立方抽样方法抽取m组参数GSI、m_i、σ_ci形成强度参数样本，逐个代入边坡数值模拟模型，进行正演模拟，输出对应的最小安全系数Fs、临界滑面剪入口横坐标x、滑面深度h；

S3.构建神经网络预测模型作为边坡数值模拟模型的替代模型，检验替代模型的精度，并统计替代模型与边坡数值模拟模型之间的误差；

S4.构造对数似然函数，采用改进的DREAM_(KZS)算法进行岩体强度参数反演；

S5.收敛性分析，统计强度参数GSI、m_i、σ_ci后验概率分布中的统计特征值。

所述步骤S1中地质强度指标GSI、岩石材料常数m_i和岩石单轴抗压强度σ_ci的先验分布信息确定方法为

(1)通过地质调查确定边坡各层岩石的类型和结构，根据岩石材料常数m_i表确定岩石材料常数m_i的取值范围；

(2)通过试验获取岩石单轴抗压强度σ_ci和重度γ，统计确定岩石单轴抗压强度σ_ci的先验分布类型、平均值和变异系数；

(3)观测岩体块体的连续性和结构面状态，根据地质强度指标GSI表确定节理岩体中GSI的取值范围。

(4)测量边坡的几何参数即高度H和坡角β，测定滑坡体的滑面剪入口的位置和滑面深度。

所述步骤S2具体包括：

(1)基于边坡高度H、坡角β和重度γ，在Slide中建立初始边坡数值模拟模型；

(2)基于节理岩体强度参数的先验信息，采用拉丁超立方抽样方法生成m组服从先验分布的节理岩体强度参数GSI、m_i、σ_ci，逐个代入Slide中的初始边坡数值模拟模型，输出对应的最小安全系数F_S、临界滑面剪入口横坐标x、滑面深度h，获得m组输入值GSI、m_i和σ_ci和对应的输出值F_S、x和h。

所述步骤S3中神经网络预测模型的构建方法，采用MATLAB中的神经网络拟合APP，构建输入参数(GSI、m_i和σ_ci)与输出参数(F_S、x及h)的响应面关系，以构建神经网络预测模型作为替代模型，采用泰勒图来检验替代模型的精度，并统计替代模型与模拟模型之间的误差；包括：

(1)分别以岩质边坡的强度参数和临界滑面特征参数作为输入数据和目标数据；

(2)从先验分布中随机抽取样本，并分为神经网络预测模型的训练集、验证集和测试集；

(3)设置隐含层的神经元个数，建立神经网络结构，采用BayesianRegularization训练算法对建立的神经网络结构进行训练、验证和测试，得到神经网络预测模型。

所述步骤S4中对数似然函数的构造方法，似然函数用以描述模拟结果与观测数据之间的似然度，包括：

(1)对于一个含n层不同性质岩体的二维边坡，将岩体强度参数构成的向量定义为θ(θ＝[GSI₁，(m_i)₁，(σ_ci)₁，···，GSI_n，(m_i)_n，(σ_ci)_n])；假设其破坏时安全系数F_S＝1，通过滑面调查得到滑面特征值，设y＝{F_S，x，h}；

(2)以F(θ)为预测边坡安全系数和滑面特征点的模型，在贝叶斯推理中，考虑模型总误差ε，观测数据y表示为：

y＝F(θ)+ε

式中：向量θ采用随机变量表征，ε＝{ε_Fs，ε_x，ε_h}，表示测量误差和预测模型的总误差，采用均值为0和方差为σ的正态分布表示，即ε～N(0，σ²)，其中σ＝{σ_FS,σ_x,σ_h}，表示总误差的标准差；

(3)利用岩体强度指标θ先验信息和观测数据，岩体参数的后验分布为：

p(θ|y)∝L(y|θ)p(θ)

式中：p(θ)为先验概率密度函数，p(θ|y)为后验概率密度函数，L(y|θ)为似然函数；似然函数L(y|θ)的表达式为：

似然函数L(y|θ)取对数形式：

式中：L(y|θ)为似然函数；n为不同性质岩体的层数，σ_i表示总误差的标准差，y_i表示滑面特征值。

式中：L(y|θ)为似然函数；n为不同性质岩体的层数，σ_i表示总误差的标准差，y_i表示滑面特征值。

所述步骤S4中改进DREAM_(KZS)算法特征为利用对数似然函数筛选算法的初始种群。

所述步骤S4中岩体强度参数反演方法，包括：

(1)从待求变量的先验分布中随机抽取5000个参数样本，并计算每组参数样本的似然度，按照似然度从小到大对参数样本进行排序，筛选前3组参数样本作为初始种群；

(2)确定DREAM_(KZS)算法中马尔科夫链的数量N、迭代次数T，基于先验分布、对数似然函数和初始种群，设置安全系数误差及滑面误差，采用改进的DREAM_(KZS)算法对岩体强度参数的后验分布进行采样。

所述安全系数误差为替代模型与边坡数值模拟模型之间的计算误差，滑面误差为测量误差；安全系数误差服从正态分布或均匀分布的函数；测量误差可设置为常数0m，0.1m，0.2m等，或服从正态分布或均匀分布的函数；

所述步骤S5中收敛性分析方法，包括：

(1)计算收敛诊断指标R_stat；

(2)若收敛诊断指标R_stat≤1.2，马尔科夫链收敛到平稳分布，计算结束；否则，增加马尔科夫链数目N或迭代次数T重新进行计算，直至收敛。

所述步骤S5中统计特征值包括均值和方差；即从平稳分布中随机采样，并对样本进行统计分析，得出模型参数θ的后验概率分布及其统计特征值(均值和方差)。

本发明的有益效果是：

(1)本发明提出的节理岩质边坡岩体强度参数概率反演方法，利用似然度，筛选初始种群，对DREAM_(KZS)算法进行改进，提高反演识别精度和计算效率；

(2)本发明提出的节理岩质边坡岩体强度参数概率反演方法，考虑滑面的测量误差，反演结果更符合实际；

(3)本发明提出的节理岩质边坡岩体强度参数概率反演方法，降低岩土体强度参数取值的不确定性，有利于提高对边坡参数的认识。

附图说明

图1为实施例涉及的节理岩质边坡的岩体强度参数概率反演流程图；

图2为实施例的岩质边坡模型示意图；

图3为实施例中评估替代模型精度的泰勒图；

图4为实施例的替代模型误差统计图；

图5为实施例的改进DREAM_(KZS)算法收敛指标R_stat的变化曲线；

图6为实施例的岩体强度参数反演结果示意图；

图7为实施例在不同滑面测量误差下的岩体强度参数后验分布。

具体实施方式

下面结合具体实施方式对本发明作进一步详细说明，但本发明的保护范围并不限于所述内容。

本发明节理岩质边坡岩体强度参数概率反演方法，即利用似然度，筛选初始种群，对DREAM_(KZS)算法进行改进，提高反演识别精度和计算效率。

一种节理岩质边坡岩体强度参数概率反演方法，具体步骤如下：

S1.通过现场地质调查和测量边坡信息，确定地质强度指标GSI、岩石材料常数m_i和岩石单轴抗压强度σ_ci的先验分布信息；

其中地质强度指标GSI、岩石材料常数m_i和岩石单轴抗压强度σ_ci的先验分布信息确定方法为

(1)通过地质调查确定边坡各层岩石的类型和结构，根据岩石材料常数m_i表确定岩石材料常数m_i的取值范围；

(2)通过试验获取岩石单轴抗压强度σ_ci和重度γ，统计确定岩石单轴抗压强度σ_ci的先验分布类型、平均值和变异系数；

(3)观测岩体块体的连续性和结构面状态，根据地质强度指标GSI表确定节理岩体中GSI的取值范围。

(4)测量边坡的几何参数即高度H和坡角β，测定滑坡体的滑面剪入口的位置和滑面深度。

S2.基于节理岩体强度参数的先验信息，采用拉丁超立方抽样方法抽取m组参数GSI、m_i、σ_ci形成强度参数样本，逐个代入边坡数值模拟模型，进行正演模拟，输出对应的最小安全系数Fs、临界滑面剪入口横坐标x、滑面深度h；

(1)基于边坡高度H、坡角β和重度γ，在Slide中建立初始边坡数值模拟模型；

(2)基于节理岩体强度参数的先验信息，采用拉丁超立方抽样方法生成m组服从先验分布的节理岩体强度参数GSI、m_i、σ_ci，逐个代入Slide中的初始边坡数值模拟模型，输出对应的最小安全系数F_S、临界滑面剪入口横坐标x、滑面深度h，获得m组输入值GSI、m_i和σ_ci和对应的输出值F_S、x和h；

S3.构建神经网络预测模型作为边坡数值模拟模型的替代模型，检验替代模型的精度，并统计替代模型与边坡数值模拟模型之间的误差；

神经网络预测模型的构建方法，采用MATLAB中的神经网络拟合APP，构建输入参数(GSI、m_i和σ_ci)与输出参数(F_S、x及h)的响应面关系，以构建神经网络预测模型作为替代模型，采用泰勒图来检验替代模型的精度，并统计替代模型与模拟模型之间的误差；包括：

(1)分别以岩质边坡的强度参数和临界滑面特征参数作为输入数据和目标数据；

(2)从先验分布中随机抽取样本，并分为神经网络预测模型的训练集、验证集和测试集；

(3)设置隐含层的神经元个数，建立神经网络结构，采用BayesianRegularization训练算法对建立的神经网络结构进行训练、验证和测试，得到神经网络预测模型；

S4.构造对数似然函数，采用改进的DREAM_(KZS)算法进行岩体强度参数反演；

对数似然函数的构造方法，似然函数用以描述模拟结果与观测数据之间的似然度，包括：

(1)对于一个含n层不同性质岩体的二维边坡，将岩体强度参数构成的向量定义为θ(θ＝[GSI₁，(m_i)₁，(σ_ci)₁，···，GSI_n，(m_i)_n，(σ_ci)_n])；假设其破坏时安全系数F_S＝1，通过滑面调查得到滑面特征值，设y＝{F_S，x，h}；

(2)以F(θ)为预测边坡安全系数和滑面特征点的模型，在贝叶斯推理中，考虑模型总误差ε，观测数据y表示为：

y＝F(θ)+ε

式中：向量θ采用随机变量表征，ε＝{ε_Fs，ε_x，ε_h}，表示测量误差和预测模型的总误差，采用均值为0和方差为σ的正态分布表示，即ε～N(0，σ²)，其中σ＝{σ_FS,σ_x,σ_h}，表示总误差的标准差；

(3)基于贝叶斯公式，利用岩体强度指标θ先验信息和观测数据，岩体参数的后验分布为：

p(θ|y)∝L(y|θ)p(θ)

式中：p(θ)为先验概率密度函数，p(θ|y)为后验概率密度函数，L(y|θ)为似然函数；似然函数L(y|θ)的表达式为：

似然函数L(y|θ)取对数形式：

式中：L(y|θ)为似然函数；n为不同性质岩体的层数，σ_i表示总误差的标准差，y_i表示滑面特征值；

改进DREAM_(KZS)算法特征为利用对数似然函数筛选算法的初始种群；

岩体强度参数反演方法，包括：

(1)从待求变量的先验分布中随机抽取5000个参数样本，并计算每组参数样本的似然度，按照似然度从小到大对参数样本进行排序，筛选前3组参数样本作为初始种群；

(2)确定DREAM_(KZS)算法中马尔科夫链的数量N、迭代次数T，基于先验分布、对数似然函数和初始种群，设置安全系数误差及滑面误差，采用改进的DREAM_(KZS)算法对岩体强度参数的后验分布进行采样。

所述安全系数误差为替代模型与边坡数值模拟模型之间的计算误差，滑面误差为测量误差；

S5.收敛性分析，统计强度参数GSI、m_i、σ_ci后验概率分布中的统计特征值；

收敛性分析方法，包括：

(1)计算收敛诊断指标R_stat；

(2)若收敛诊断指标R_stat≤1.2，马尔科夫链收敛到平稳分布，计算结束；否则，增加马尔科夫链数目N或迭代次数T重新进行计算，直至收敛；

统计特征值包括均值和方差；即从平稳分布中随机采样，并对样本进行统计分析，得出模型参数θ的后验概率分布及其统计特征值(均值和方差)。

实施例1：以一个理想的均质节理岩质边坡数值算例为研究对象对本方法进行详细说明，其中待求变量都是已知值，通过将待求变量的反演识别结果与“已知值”进行对比，从而评价所提方法的有效性；

一种节理岩质边坡岩体强度参数概率反演方法，具体步骤如下：

S1.通过现场地质调查和测量边坡信息，确定地质强度指标GSI、岩石材料常数m_i和岩石单轴抗压强度σ_ci的先验分布信息；

其中地质强度指标GSI、岩石材料常数m_i和岩石单轴抗压强度σ_ci的先验分布信息确定方法为

(1)测量边坡的几何参数即高度H和坡角β(见图2)，高度为10m，坡角为45°，图中红色虚线为临界滑动面，滑面剪入口距模型左边界的距离为x，滑面深度为h；通过地质调查确定边坡各层岩石的类型和结构，根据完整岩石材料常数m_i表确定岩石材料常数m_i的取值范围；

(2)通过试验获取岩石单轴抗压强度σ_ci和重度γ，统计确定岩石单轴抗压强度σ_ci的先验分布类型、平均值和变异系数；假定边坡岩块单位重度γ为25Kg/m³，基本材料强度参数先验统计值见表1，

表1岩体强度参数先验概率分布

参数名称	均值μ	标准差σ	分布类型	取值范围
					GSI	24	4.8	正态	19.2～28.8
m<sub>i</sub>	10	2	正态	8～12
					σ<sub>ci</sub>/KPa	2000	400	正态	1600～2400

(3)测定滑坡体的滑面剪入口的位置和滑面深度，观测岩体块体的连续性和结构面状态，根据地质强度指标GSI表确定节理岩体中GSI的取值范围；假设岩体强度参数GSI，m_i，σ_ci相互独立且服从正态分布，GSI，m_i，σ_ci的变异系数均为0.2，GSI，m_i，σ_ci的范围分别为[19.2,28.8]，[8,12]和[1600,2400]，岩体强度参数的先验统计值见表1；

S2.基于节理岩体强度参数的先验信息，采用拉丁超立方抽样方法抽取1000组参数GSI、m_i、σ_ci形成强度参数样本，利用MATLAB自编函数自动导入Aslide程序，逐个代入边坡数值模拟模型，进行正演模拟计算边坡稳定性，并输出不同岩体强度参数下的临界滑面特征参数，即输出对应的最小安全系数Fs、临界滑面剪入口横坐标x、滑面深度h，构成了1000组输入-输出训练样本；

(1)基于边坡高度H、坡角β和重度γ，在Slide V5.0软件中(Rocscience 2012)建立初始边坡数值模拟模型，滑动面选用圆弧滑动面，滑动面经过坡趾，计算方法选用严格极限平衡条分法Spencer法；

(2)基于节理岩体强度参数的先验信息，采用拉丁超立方抽样方法抽取1000组参数GSI、m_i、σ_ci形成强度参数样本，利用MATLAB自编函数自动导入Aslide程序，逐个代入边坡数值模拟模型，进行正演模拟计算边坡稳定性，并输出不同岩体强度参数下的临界滑面特征参数，即输出对应的最小安全系数Fs、临界滑面剪入口横坐标x、滑面深度h，构成了1000组输入值GSI、m_i和σ_ci和对应的输出值F_S、x和h的样本集；在Aslide分析软件中，计算得安全系数为1时，临界滑面特征值如表2所示；

表2临界滑面特征值

安全系数	x(m)	h(m)
			1.000	26.5	3.0

S3.利用MATLAB(2019b)软件中的神经网络拟合工具箱(Neural Net Fitting)进行训练和测试，构建神经网络预测模型作为复杂的边坡数值模拟模型的替代模型，检验替代模型的精度，并统计替代模型与边坡数值模拟模型之间的误差；

神经网络预测模型的构建方法，采用MATLAB中的神经网络拟合APP，构建输入参数(GSI、m_i和σ_ci)与输出参数(F_S、x及h)的响应面关系，以构建神经网络预测模型作为替代模型，采用泰勒图来检验替代模型的精度，并统计替代模型与模拟模型之间的误差；包括：

(1)分别以岩质边坡的强度参数和临界滑面特征参数作为输入数据和目标数据；

(2)从先验分布中随机抽取样本，并分为神经网络预测模型的训练集、验证集和测试集，其中训练集、验证集和测试集3种类型数据的比例为8:1:1；

(3)设置隐含层的神经元个数为16个，建立神经网络结构，包括3个输入层、16个隐含层、3个输出层，采用Bayesian Regularization训练算法对建立的神经网络结构进行训练、验证和测试，得到神经网络预测模型；采用泰勒图评估替代模型的精度，从先验分布中抽取100组样本，采用替代模型进行计算，结果如图3所示；安全系数F_s的相关系数最大，接近于1，h的相关系数较少，为0.7，F_s，x和h的标准偏差均小于0.15，替代模型的精度满足要求。用统计直方图对替代模型的误差进行统计，并用正态分布曲线进行拟合，结果如图4所示；安全系数F_s的误差平均值为0.01，标准差为0.01；x误差的平均值为0，标准差为0.06；h误差的平均值为0，标准差为0.13；

S4.构造对数似然函数，采用改进的DREAM_(KZS)算法进行岩体强度参数反演；

对数似然函数的构造方法，似然函数用以描述模拟结果与观测数据之间的似然度，包括：

(1)对于一个理想的均质节理岩质边坡数值模型，将岩体强度参数构成的向量定义为θ(θ＝[GSI，m_i，σ_ci])；假设其破坏时安全系数F_S＝1，通过滑面调查得到滑面特征值，设y＝{FS，x，h}；

(2)以F(θ)为预测边坡安全系数和滑面特征点的模型，在贝叶斯推理中，考虑模型总误差ε，观测数据y表示为：

y＝F(θ)+ε

式中：向量θ采用随机变量表征，ε＝{ε_Fs，ε_x，ε_h}，表示测量误差和预测模型的总误差，采用均值为0和方差为σ的正态分布表示，即ε～N(0，σ²)，其中σ＝{σ_FS,σ_x,σ_h}，表示总误差的标准差；

(3)基于贝叶斯公式，利用岩体强度指标θ先验信息和观测数据，岩体参数的后验分布为：

p(θ|y)∝L(y|θ)p(θ)

式中：p(θ)为先验概率密度函数，p(θ|y)为后验概率密度函数，L(y|θ)为似然函数；似然函数L(y|θ)的表达式为：

似然函数L(y|θ)取对数形式：

式中：L(y|θ)为似然函数；n为不同性质岩体的层数，σ_i表示总误差的标准差，y_i表示滑面特征值；

改进DREAM_(KZS)算法特征为利用对数似然函数筛选算法的初始种群；

岩体强度参数反演方法，包括：

(1)从待求变量的先验分布中随机抽取5000个参数样本，并计算每组参数样本的似然度，按照似然度从小到大对参数样本进行排序，筛选前3组参数样本作为初始种群(见表3)；

表3DREAM_(kzs)算法的初始种群

Parameters	GSI	m<sub>i</sub>	σ<sub>ci</sub>/KPa
				1	24.35	9.56	2021
2	24.37	9.54	1977
				3	26.29	10.09	1916

(2)确定DREAM_(KZS)算法中马尔科夫链的数量N为3、迭代次数T为6000，基于先验分布、对数似然函数和初始种群，设置安全系数误差(替代模型与边坡数值模拟模型之间的计算误差)服从均值为0.01，标准差为0.01的正态分布，滑面误差(测量误差)为0.1m，采用改进的DREAM_(KZS)算法对岩体强度参数的后验分布进行采样；

S5.收敛性分析(见图5)，统计强度参数GSI、m_i、σ_ci后验概率分布中的统计特征值；

收敛性分析方法，包括：

(1)计算收敛诊断指标R_stat；

(2)若收敛诊断指标R_stat≤1.2，马尔科夫链收敛到平稳分布，计算结束；否则，增加马尔科夫链数目N或迭代次数T重新进行计算，直至收敛；

改进的DREAM_(kzs)算法计算6000次后，满足规定的收敛阈值1.2，表明N＝3和T＝6000可以保证马尔科夫链收敛于目标分布；在马尔科夫链收敛到平稳状态后，选取每条马尔科夫链的后4000组样本进行统计分析，获得后验概率分布及其统计特征值，包括均值、方差；采样过程达到静态分布时，3个模型参数的边缘后验概率分布(见图6)，后验概率密度分布有明显的峰值，统计得GSI，m_i，σ_ci的后验均值分别为24.4，10.1，1990，与先验均值接近，岩体强度参数得到有效识别；

设置滑面测量误差为0m，0.3m，0.5m，0.7m，0.9m，重复运行改进的DREAM_(kzs)算法，在不同滑面测量误差下，岩体强度参数的后验分布见图7。

以上对本发明的具体实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。

Claims (10)

1.一种节理岩质边坡岩体强度参数概率反演方法，其特征在于，具体步骤如下：

S1.通过现场地质调查和测量边坡信息，确定地质强度指标GSI、岩石材料常数m_i和岩石单轴抗压强度σ_ci的先验分布信息；

S2.基于节理岩体强度参数的先验信息，采用拉丁超立方抽样方法抽取m组参数GSI、m_i、σ_ci形成强度参数样本，逐个代入边坡数值模拟模型，进行正演模拟，输出对应的最小安全系数Fs、临界滑面剪入口横坐标x、滑面深度h；

S3.构建神经网络预测模型作为边坡数值模拟模型的替代模型，检验替代模型的精度，并统计替代模型与边坡数值模拟模型之间的误差；

S4.构造对数似然函数，采用改进的DREAM_(KZS)算法进行岩体强度参数反演；

S5.收敛性分析，统计强度参数GSI、m_i、σ_ci后验概率分布中的统计特征值。

2.根据权利要求1所述节理岩质边坡岩体强度参数概率反演方法，其特征在于：步骤S1中地质强度指标GSI、岩石材料常数m_i和岩石单轴抗压强度σ_ci的先验分布信息确定方法为

(1)通过地质调查确定边坡各层岩石的类型和结构，根据岩石材料常数m_i表确定岩石材料常数m_i的取值范围；

(2)通过试验获取岩石单轴抗压强度σ_ci和重度γ，统计确定岩石单轴抗压强度σ_ci的先验分布类型、平均值和变异系数；

(3)观测岩体块体的连续性和结构面状态，根据地质强度指标GSI表确定节理岩体中GSI的取值范围。

(4)测量边坡的几何参数即高度H和坡角β，测定滑坡体的滑面剪入口的位置和滑面深度。

3.根据权利要求2所述节理岩质边坡岩体强度参数概率反演方法，其特征在于：步骤S2具体包括：

(1)基于边坡高度H、坡角β和重度γ，在Slide中建立初始边坡数值模拟模型；

(2)基于节理岩体强度参数的先验信息，采用拉丁超立方抽样方法生成m组服从先验分布的节理岩体强度参数GSI、m_i、σ_ci，逐个代入Slide中的初始边坡数值模拟模型，输出对应的最小安全系数F_S、临界滑面剪入口横坐标x、滑面深度h，获得m组输入值GSI、m_i和σ_ci和对应的输出值F_S、x和h。

4.根据权利要求1所述节理岩质边坡岩体强度参数概率反演方法，其特征在于：步骤S3中神经网络预测模型的构建方法，包括：

(1)分别以岩质边坡的强度参数和临界滑面特征参数作为输入数据和目标数据；

(2)从先验分布中随机抽取样本，并分为神经网络预测模型的训练集、验证集和测试集；

(3)设置隐含层的神经元个数，建立神经网络结构，采用Bayesian Regularization训练算法对建立的神经网络结构进行训练，得到神经网络预测模型。

5.根据权利要求1所述节理岩质边坡岩体强度参数概率反演方法，其特征在于：步骤S4中对数似然函数的构造方法，包括：

(1)对于一个含n层不同性质岩体的二维节理岩质边坡，将岩体强度参数构成的向量定义为θ(θ＝[GSI₁，(m_i)₁，(σ_ci)₁，···，GSI_n，(m_i)_n，(σ_ci)_n])；假设其破坏时安全系数F_S＝1，通过滑面调查得到滑面特征值，设y＝{F_S，x，h}；

(2)以F(θ)为预测边坡安全系数和滑面特征点的模型，在贝叶斯推理中，考虑模型总误差ε，观测数据y表示为：

y＝F(θ)+ε

式中：向量ε采用随机变量表征，ε＝{ε_Fs，ε_x，ε_h}，表示测量误差和预测模型的总误差，采用均值为0和方差为σ的正态分布表示，即ε～N(0，σ²)，其中σ＝{σ_FS,σ_x,σ_h}，表示总误差的标准差；

(3)基于贝叶斯公式，利用岩体强度指标θ先验信息和观测数据，岩体参数的后验分布为：

p(θ|y)∝L(y|θ)p(θ)

式中：p(θ)为先验概率密度函数，p(θ|y)为后验概率密度函数，L(y|θ)为似然函数；似然函数L(y|θ)的表达式为：

似然函数L(y|θ)取对数形式：

式中：L(y|θ)为似然函数；n为不同性质岩体的层数，σ_i表示总误差的标准差，y_i表示滑面特征值。

6.根据权利要求5所述节理岩质边坡岩体强度参数概率反演方法，其特征在于：步骤S4中改进DREAM_(KZS)算法特征为利用对数似然函数筛选算法的初始种群。

7.根据权利要求6所述节理岩质边坡岩体强度参数概率反演方法，其特征在于：步骤S4中岩体强度参数反演方法，包括：

(1)从待求变量的先验分布中随机抽取5000个参数样本，并计算每组参数样本的似然度，按照似然度从小到大对参数样本进行排序，筛选前3组参数样本；

(2)确定DREAM_(KZS)算法中马尔科夫链的数量N、迭代次数T，基于先验分布、对数似然函数和初始种群，设置安全系数误差及滑面误差，采用改进的DREAM_(KZS)算法对岩体强度参数的后验分布进行采样。

8.根据权利要求7所述节理岩质边坡岩体强度参数概率反演方法，其特征在于：安全系数误差为替代模型与边坡数值模拟模型之间的计算误差，滑面误差为测量误差。

9.根据权利要求7所述节理岩质边坡岩体强度参数概率反演方法，其特征在于：步骤S5中收敛性分析方法，包括：

(1)计算收敛诊断指标R_stat；

(2)若收敛诊断指标R_stat≤1.2，马尔科夫链收敛到平稳分布，计算结束；否则，增加马尔科夫链数目N或迭代次数T重新进行计算，直至收敛。

10.根据权利要求1所述节理岩质边坡岩体强度参数概率反演方法，其特征在于：步骤S5中统计特征值包括均值和方差。

Images