Particle distribution characteristics of rock avalanche and the interaction between rock avalanche and houses based on image recognition
-
摘要: 由于崩滑-碎屑流具有高隐蔽性、发生时间短暂以及较低的可预见性,较难直观观测崩滑-碎屑流发生的过程。为了对碎屑动力特性及对房屋的破坏情况进行研究,拟对碎屑流堆积体及其粒径分布进行分析。以普洒村崩塌-碎屑流为例,使用PCAS系统对碎屑流堆积体图像进行颗粒识别、统计,并通过量纲分析法,分析堆积体颗粒与房屋破坏之间的定量联系。分析结果发现:与现场筛分统计相比,图像识别堆积体颗粒的方法得到的数据更全面、详细,并且能节省大量的人力、物力资源。另外,对房屋与碎屑流之间的相互作用进行了探究,发现房屋对碎屑流颗粒有"拦粗排细"的作用。同时,利用图像识别得到的颗粒粒径数据对推导出房屋破坏的判别公式,判别效果较好,能够在地质灾害防治、预测领域发挥一定作用。Abstract: Due to the high concealment, short-lived time and low predictability of the rock avalanche, it is difficult to visually observe the process of it. In order to study the dynamic characteristics and the catastrophicto houses of rock avalanche, this paper analyzes the rock avalanche congeries and its particle size distribution.Taking the rock avalanche in Pusa Village as an example, this paper uses the PCAS system to identify congeries particles by image.And through the dimensional analysis method, the quantitative relationship between the congeries of particles and the damage of the building is analyzed.The author found that: compared with on-site screening statistics, the data obtained by the method of image recognition of congeries particles is more comprehensive and detailed, and can save a lot of manpower and material resources.In addition, the interaction between the house and the rock avalanche is explored, and it is found that the house has the effect of "blocking coarse and fine discharge" on the rock avalanche particles. At the same time, using the particle size data obtained by image recognition to derive the discrimination formula for building damage, the discriminating effect is good, laying the foundation for follow-up research.
-
Key words:
- slump rock avalanche /
- congeries /
- image identification /
- particle size /
- house damage
-
崩滑-碎屑流灾害由于具有滑程远、隐蔽性高、冲击破坏力强等特点,是地质灾害中典型的高危灾害,存在较强的潜在破坏能力。高位岩体在风化作用以及历史地质作用下结构变得极其破碎,在降雨等外部条件的影响下岩体脱离山体,形成“崩→滑→流”复合灾害体[1],对下部人类活动及生活区域带来毁灭性的灾害。近年来,最具代表性的崩滑-碎屑流灾害有2009年重庆武隆鸡尾山发生大规模滑坡,碎屑流冲入铁匠沟之后掩埋12户居民,并造成10人死亡,64人失踪[2];2017年6月24日及8月28日分别发生的四川茂县新磨村滑坡[3]及贵州普洒村崩塌[4-5]均造成了大量人员伤亡;2018年10月及11月发生两次白格滑坡并形成堰塞湖,在社会上造成了极大的不良影响[6]。因此,对崩滑碎屑流破坏程度要素的研究[7]和预测[8-9]、崩滑-碎屑流灾害成因机理及致灾范围的研究对防灾减灾能起到极大的帮助。
另外,由于高位崩塌、滑坡的滑源物质所在地区往往位于人类难以到达的地方,并且崩塌、滑坡的发生时间难以预料,导致崩滑-碎屑流很难直接观测,这需要从另外的角度通过其他手段对碎屑流进行研究。许多学者通过数值模拟[10-11]或物理模拟[12]对碎屑流冲击能力进行了一定的研究。毕钰璋等[13]通过离散元的方法,对碎屑流冲击桥墩的动力响应情况进行了研究。Jiang等[14-15]研究了碎屑流对刚性挡土墙的冲击作用。Adel等[16]用力学模型的方法,通过数值模拟对碎屑流冲击力进行了预测。赵辉[17]通过物理模拟实验以及数值模拟实验研究了粗、细颗粒混合状态土质滑坡堆积体形态,同时,探究了拦挡间距、数量对不同颗粒粒径堆积体运动距离的影响。除了物理模拟及数值模拟,还可以用碎屑流堆积体作为切入点对其进行研究。王品等[18]通过现场筛分的方法得到了沿途碰撞对头寨滑坡-碎屑流颗粒粒径没有影响的结论。张利民等[19]以东河口滑坡-碎屑流为例,研究了其堆积体粒径分布规律,发现大粒径颗粒随碎屑流运动的距离较远。然而,数值模拟及物理模拟缺少真实案例的佐证,而对碎屑流堆积体粒径的统计多为现场筛分,这样的方法将会花费大量的时间成本及人力成本,不利于高效率的科学研究。如今,遥感影像识别技术[20]以及无人机摄影技术[21-22]等影像技术已经得到了较大的发展,并用于解决各种工程地质科研问题[23-24]。因此,本研究拟在前人研究的基础上,以滑坡碎屑流堆积体为突破点,利用更加方便快捷的图像识别技术统计崩滑-碎屑流堆积体粒径。利用统计结果,分析颗粒粒径大小与崩滑-碎屑流对房屋冲击作用的关系,从而为碎屑流冲击灾害的研究做出一定的贡献。需要说明的是,本研究图像识别选取裂隙图像识别与分析系统[Parcles(Pores) and Cracks Analysis System(PCAS)]进行[25-26]。利用PCAS软件统计碎屑流堆积体粒径能增加统计的准确性,并节约大量的时间成本和人力成本,提高研究的效率。而对碎屑流与房屋冲击作用的研究能在崩滑-碎屑流防灾减灾方面起到一定的作用。
2017年8月28日,贵州省纳雍县普洒村发生崩塌-碎屑流地质灾害,碎屑流向坡底运动了近800m的距离,对坡底村庄造成较大的灾害。由于普洒村崩塌-碎屑流灾害流动性较好,具有崩滑-碎屑流的典型性特征,所以,本次研究依托普洒村崩塌-碎屑流灾害进行。
1. 贵州省纳雍县普洒村崩塌概况
2017年8月28日,贵州省纳雍县普洒村后部岩体累计变形达到破坏临界值,在重力势能的作用下,坡体顶部体积约49.1×104 m3的岩体脱离母岩向下部运动,最终形成崩塌-碎屑流地质灾害。碎屑流冲击于下部的普洒村,造成较大的人员伤亡,并造成了不良的社会影响[5]。崩塌-碎屑流致灾范围见图 1。
崩塌区岩体主要为下三叠统夜郎组(T1y)灰岩岩层及上二叠统长兴-大隆组(P2c-d)粉质砂岩、泥质砂岩层,崩塌源区岩层呈现软硬互层现象,且长兴-大隆组岩层内部含有煤线。以图 1中线为剖面线,作出普洒村崩塌工程地质剖面图(图 2)。
由于该区域岩层为软硬互层现象,受到降雨及地下水的影响,岩层交界处结合力不强,并且,受到崩塌源区下部煤层开挖的影响,岩层在重力作用下逐渐弯曲拉裂,崩塌源区产生较多的节理裂隙。当累计变形达到岩体稳定性极限之后,岩体发生不可逆的破坏,大量岩体脱离坡体向下滑落,最终形成碎屑流灾害,对下部村庄造成冲击破坏。
2. 普洒村崩塌堆积体颗粒粒径统计
2.1 PCAS软件图像处理
PCAS是一款用于识别、定量分析图像中孔隙裂缝以及颗粒的专业软件[27-28]。
图像上的像素点是由红黄蓝3原色通过不同比例组合而成,3种颜色RGB取值范围为0~255。由于照片内孔隙和颗粒之间存在颜色差异,组成其形态的像素点RGB数值存在差异。研究人员可以在PCAS软件里利用孔隙和颗粒之间RGB值的差异设定一个参考色,当图片内RGB值与参考色之差的绝对值大于一定值时,该像素点就被识别为颗粒,相对的,差值小于一定值的像素点就被识别为孔隙。
由于PCAS软件方便快捷的特性,已有研究人员利用其对堆积体粒径进行了一定的统计工作,并验证了其可行性,得到PCAS软件能准确快速地统计堆积体颗粒粒径的结论[25]。因此,本研究可以利用PCAS对普洒村堆积体颗粒进行统计。PCAS系统图像识别堆积体粒径过程及结果如图 3所示,图中3-a为原始图片,图 3-b, c为图像识别过程进行的RGB数值计算处理,图 3-d为识别结果,其中各彩色区域为识别颗粒,黑色区域为颗粒之间孔隙。
考虑到碎屑流在运动过程中对地面的铲刮作用影响堆积体侧部颗粒的堆积,且碎屑流中部颗粒堆积更加均匀,本次堆积体粒径识别主要统计了堆积体沿碎屑流运动方向的中部颗粒,为了使颗粒统计在工作量合理的情况下尽可能更加详细,将统计分区的范围划分为100 m×50 m的矩形区域,而本次崩塌-碎屑流在堆积体的右前缘造成了大量房屋破坏,为分析堆积体颗粒受到房屋的影响,统计右前缘B3区域堆积体颗粒粒径,为了与该区域堆积体颗粒进行对比,并为全面分析堆积体整体粒径分布,沿着运动方向两侧选取B1、B2、C1、C2、C3区域统计堆积体颗粒粒径。所以,将普洒村崩塌堆积体按照图 4所示的划分区域进行分区统计。
2.2 统计结果
在利用PCAS统计时,各统计区域图像分辨率为750像素×1500像素,最小识别颗粒粒径0.34 m。由于颗粒识别时设置了最小识别像素,因此,在此像素以下的颗粒难以识别,且当颗粒小于图像像素点时,颗粒不能被识别。
另外,当两个颗粒处于重叠状态时图像识别易将其识别为同一颗粒,此时需要在图像处理过程中对“封闭半径”进行调整,当颗粒重叠度达到一定像素时可以将其分为两个颗粒进行统计,因此,该值的选取也是颗粒识别的重要参数以及误差主要来源之一。
本研究通过不断尝试,利用最佳参数识别得到各统计区域堆积颗粒物理参数,由于投影面与堆积平面之间偶尔不完全平行会造成投影后尺寸一般较小,所以将识别得到的颗粒长度值与宽度值中,选取长度值作为颗粒粒径进行分析,将尺寸变小的影响降到最低。由于识别结果数据量较大,为方便展示统计结果以及统计结果的应用,将颗粒尺寸在各尺寸范围的数量进行统计,以1 m间隔作为统计范围,一共将颗粒直径范围分为11个区域,得到颗粒粒径的统计结果,为直观的表现统计结果,将其做出颗粒粒径累计曲线(图 5, 6),以及各区域不同粒径范围所占比例(图 7)。
由图 5及图 6所得粒径累计曲线可以看到,堆积体中小于2.5 m的颗粒所占比例极高,占比大于90%,堆积体中小粒径较多,大粒径较少。并且由图 5可以看到,实心折线点所表示的堆积体前部区域小于1 m的小粒径占比总体来说比空心折线点少,图 7-a也是对该规律的证明。
由图 7可以看到除了A1区域,随运动距离增加,小于1 m颗粒占比越来越多,相反,大粒径占比越来越少。另外,大于2 m粒径颗粒在A11区域之后含量增多,经现场踏勘可以看到,A11、A12、A13区域有较多原始房屋,大粒径的增多可能与房屋存在相关。
通过对普洒村崩塌-碎屑流堆积体粒度的统计发现,由于通过计算机进行统计,PCAS统计方法相对于传统的现场筛分法,能得到更加全面的颗粒粒径数据,因此,PCAS对堆积体颗粒的识别能更加全面、详细,并且能节省大量的时间以及人力物力资源,促进后续更深入研究的进行。
3. 房屋对碎屑流的阻挡及碎屑流对房屋的破坏作用
3.1 房屋对碎屑流颗粒的阻挡作用
由于本次普洒村崩塌-碎屑流导致坡脚大量房屋破坏,同时,在破坏房屋的时候,对碎屑流颗粒起到了一定的阻挡作用。
将遥感影像图以及滑前无人机航拍图像相结合,在通过现场复核确定了崩塌发生前房屋的位置,将普洒村崩塌堆积区原始房屋位置于图 8中表示出来,由图 8可以看到侧部的B3区域以及C3区域内有大量房屋受到破坏,因此,将侧部区域按照垂直于主滑方向分为3个横向区域进行堆积体粒径统计结果的分析,将3个横向统计区域按照统一横向区域为一组分别命名为:堆积后部区(B1、A2、C1)、堆积中部区(B2、A5、C2)、堆积前缘区(B3、A8、C3)。
为直观的反应3个区域颗粒的堆积情况,将堆积体颗粒分为小于2,2~4,4~6 m以及6~10 m分别统计其占比,并做出柱状图(图 9)。
在天然河流上,当修建水库之后,随着水流面积加宽,水流运动速度降低,导致水流运输泥沙能力降低,粗泥沙停止运移淤积在水坝附近,而细颗粒泥沙继续向前运动,这就是水坝修建的“拦粗排细”作用。同样的,房屋的阻碍作用导致碎屑流动能消耗,运动速度降低,那么房屋对碎屑流颗粒的运移相应的也应该有一定的阻挡作用,我们知道,质量越大的物体运动需要消耗的能量越大,相应的碎屑流颗粒粒径越大,其运动所需的速度也越大,那么当碎屑流速度在破坏房屋受到影响时,大粒径颗粒会随着速度降低而逐渐停积下来。另外,房屋的存在也导致了碎屑流运动的地形发生改变,形成阻挡碎屑流运动的“挡墙”在跨越此类地形的时候大粒径也将消耗更多的能量,导致大粒径的停积。因此,我们在碎屑流沿途往往能看到有房屋阻挡作用的区域会停留较多的大粒径颗粒。
通过分区粒径统计结果(图 5,6,7)我们能看到各区域堆积体粒径占比的大概情况,其中小粒径占了绝大多数。所以房屋对碎屑流粒径的阻挡作用可以结合各区域不同粒径范围所占比例(图 9)与碎屑流摧毁房屋原始位置图(图 8)进行分析。
需要说明的是,经现场调查发现,该区域摧毁的房屋基本为砖砌房屋,所以对大粒径颗粒含量减小的影响较小,其影响颗粒含量的变化往往在5%左右。
(1) 由图 2,4可以看到,堆积体粒径统计区域A2及A3区原始地形为凹陷地貌,此区域在碎屑流运动过程中对其运动速度有较大的影响,因此在这部分区域小粒径颗粒堆积较多,大粒径堆积较少。
(2) 由图 9-a看到,B3区域内小于2 m颗粒相对于同一个横向区域的A8区及C3区要少。由图 8得知,A8区及C3区原始房屋较少,碎屑流流通过程中摧毁房屋较少,而B3区域原始房屋较多,在摧毁房屋的同时,流经该区域的碎屑流消耗了较多的能量。碎屑流能量减少,难以满足大粒径运动所需的能量,因此,大粒径停留较多,小粒径含量较少。也从侧面证明,房屋对小粒径阻挡作用较小。
(3) 据已有研究结果[29],在远程运动的碎屑流中,大粒径随碎屑运动距离的增加,其含量为“双峰”变化趋势,但是其含量的后部“峰”较前部“峰”小,因此大粒径含量总体上为减小趋势,然而,由本次统计结果来看,A10~A13区域2~10 m颗粒占比大于前部区域(图 7)。由图 8可以看到,A10~A13区域有较多原始房屋。在碎屑流摧毁房屋的时候,消耗了大量的能量,难以携带大块石随碎屑流一起运动,而堆积下来。所以,房屋对大粒径有较强的阻挡作用。
(4) 经现场调查,该碎屑流所破坏房屋基本为两层砖砌房屋,房屋大小差别不大,对颗粒阻挡作用差别不大。另外,房屋之间的间距也是对颗粒阻挡作用的重要因素,由图 8可以看到,在堆积前缘区域的B3、A8、C3 3个区域内,B3区房屋密度较大,房屋间距较小,而由统计结果可以看到,相较于运动距离相同的其他两个区域,其小粒径含量较少,大粒径含量较多,有明显的“拦粗”能力。
(5) 根据图 5~7可以看到,A13区没有房屋,而其大于6 m含量的大粒径颗粒含量比A10和A11都高,此规律说明在碎屑流颗粒堆积存在明显的滞后性,当冲击房屋导致碎屑流能量消耗之后,本应该停止运动的颗粒会在自身惯性力的作用下再次运动一段距离停积下来。
3.2 碎屑流对房屋破坏的影响因素探究
为了能直观地表达出碎屑流对房屋破坏作用,拟利用量纲分析法,通过本崩塌-碎屑流灾害破坏的房屋数据推导出房屋破坏的经验判定公式。
在碎屑流的冲击下,房屋的破坏与否受到很多因素的影响与制约。经上述分析,碎屑流平均粒径d决定了其所包含能量的大小,是对整个碎屑流冲击力的衡量标准之一;房屋距崩塌源中部的水平距离L的大小是衡量其能量消耗多少的指标;同时,房屋所在地与碎屑流物源区的竖直高差ΔH决定了碎屑流冲击的初始能量;当然,地面摩擦力、密度、剪切速率等物理量也是碎裂流冲击房屋的影响因素,由于在现实中难以考虑这些因素的影响,我们将这些影响因素统一用a表示。
为了表达的方便,本研究提出一种考虑碎屑流平均粒径d、房屋距崩塌源中部的水平距离L、房屋所在地与碎屑流物源区的竖直高差ΔH、以及其他难以考虑的影响因素a的房屋破坏与否条件判据,将房屋破坏与否用F作为判别标准,定义当F大于1时房屋被破坏,F小于等于1时房屋不被破坏。那么,运动距离L越远碎屑流能量消耗越大,房屋越不容易破坏,与F成反比;块石平均粒径d越大能量越多,房屋受撞击时越容易破坏,与F成正比。房屋距离崩塌源区的高度差H越大,碎屑流能量越大,房屋越容易破坏,与F成正比,可得如下公式:
F=aˉdαΔHβLγ (1) 式中:F为房屋破坏与否判别标准;d为碎屑流平均粒径(m);ΔH为房屋所在地与碎屑流物源区的竖直高差(m); L为房屋所在地距崩塌源中部的水平距离(m);α为平均粒径的指数(常数);β为房屋所在地与碎屑流物源区的竖直高差的指数(常数);γ为房屋所在地距崩塌源中部的水平距离的指数(常数)。
由于F是无量纲的常量,根据白金汉定理,a是由地面摩擦力、密度、剪切速率等物理量所构成无量纲Π项的四则运算组合,相对于不同的碎屑流a值不同,同时a是无量纲的;同理$ {\pi _i} = \frac{{{{\bar d}^\alpha }{H^\beta }}}{{L\gamma }}$也是无量纲的(采用M-L-T基本量纲体系)。
由量纲的齐次性原则,物理方程等式左右两边的量纲应该是相等的,而方程(1)左边为无量纲量,所以方程右边量纲也应该为零。而dimd=L1;dimΔH=L1;dimL=L1,所以α+β=γ,为使公式尽量简单实用,令α=1;β=1;则γ=2;那么由公式(1)可得如下公式(2):
F=aˉdΔHL2 (2) 为了验证公式的可行性,统计出普洒村被碎屑流摧毁的房屋相对应的各项数据。运用PCAS系统得到堆积体颗粒粒径,通过算数平均,得到本次碎屑流颗粒的平均粒径d=1.09。通过现场调查结合Google Earth软件中提供的卫星图像数据以及无人机航拍图像数据,测得原始房屋所在点距崩塌源中部的水平距离L和房屋所在地与碎屑流物源区的竖直高差ΔH,统计结果如表 1。
表 1 破坏房屋距崩塌源中部的水平距离以及距崩塌物源高度Table 1. Horizontal distance of the damaged house from the middle of the collapse source and the height of the damaged house from collapse source房屋编号 运动距离L/m 高差ΔH/m 房屋编号 运动距离L/m 高差ΔH/m 房屋编号 运动距离L/m 高差ΔH/m 1 613.16 249 16 566.45 242 31 624.43 260 2 645.78 249 17 547.55 240 32 718.49 272 3 678.98 254 18 535.23 241 33 703.67 271 4 682.24 254 19 522.37 238 34 685.68 270 5 658.27 254 20 587.46 249 35 694.40 271 6 639.84 253 21 581.23 249 36 681.21 270 7 641.44 254 22 598.17 251 37 659.85 268 8 708.25 257 23 531.15 239 38 769.52 278 9 558.77 243 24 603.83 250 39 749.19 276 10 574.57 245 25 537.39 246 40 700.61 271 11 592.31 247 26 530.11 246 41 530.47 240 12 582.02 246 27 517.92 246 42 500.80 237 13 559.99 242 28 517.11 244 43 523.11 238 14 602.69 251 29 599.63 256 44 663.77 268 15 578.72 242 30 619.62 258 45 459.26 241 经现场调查发现,图 8中黄色房屋受到碎屑流冲击只有靠碎屑流冲击方向的一面墙体倒塌,房屋总体结构良好。所以,将该房屋定义为公式(2)中F=1的判定标准。据统计,判定标准房屋ΔH=255 m,L=698.55 m。带入公式(2)可得a=1 755.61。由此可知,普洒村崩塌-碎屑流房屋破坏判别公式为:
F=1755.61ˉdΔHL2 (3) 将表 1数据带入公式(3)可得普洒村崩塌-碎屑流冲击房屋破坏与否的判别结果。计算结果如表 2。
表 2 普洒村崩塌冲毁房屋判别结果Table 2. Discriminating results of the houses damaged by collapse in Pusa Village房屋编号 判别结果F 房屋编号 判别结果F 房屋编号 判别结果F 房屋编号 判别结果F 房屋编号 判别结果F 1 1.27 10 1.42 19 1.67 28 1.75 37 1.18 2 1.14 11 1.35 20 1.38 29 1.36 38 0.9 3 1.05 12 1.39 21 1.41 30 1.29 39 0.94 4 1.04 13 1.48 22 1.34 31 1.28 40 1.06 5 1.12 14 1.32 23 1.62 32 1.01 41 1.63 6 1.18 15 1.38 24 1.31 33 1.05 42 1.81 7 1.18 16 1.44 25 1.63 34 1.1 43 1.66 8 0.98 17 1.53 26 1.68 35 1.08 44 1.16 9 1.49 18 1.61 27 1.75 36 1.11 45 2.19 将表 1数据以及公式(2)当F=1时ΔH和L的关系曲线结合起来做出普洒村崩塌-碎屑流房屋破坏的判据图(图 10)。
表 2中F大于1以及图 10中位于曲线左边的房屋判定为受碎屑流冲击破坏;同理,表 2中F小于1以及图 10中曲线右边的房屋判定为受碎屑流冲击没破坏。统计总量为45的房屋只有3栋为统计误差,公式判定准确性达到了95.56%,可见公式的适用性较好。
由于不同滑坡、崩塌碎屑流发生时地面摩阻力、密度、剪切速率等因素的不同,而这些因素会极大地影响a值的确定。因此,a值的确定是判别公式的重点。
3.3 房屋破坏判定公式误差分析
判定为没有破坏的房屋为表 2中的8号、38号以及39号。同时将误差判定的房屋在图 8中由紫色标出。可以看到,误差判定的房屋位于碎屑流堆积物的前端两侧分析造成误差判定的原因由以下3点:
(1) 普洒村崩塌-碎屑流在向前运动过程中,由于运动铲刮作用,裹挟了大量的泥土随碎屑流一起向前运动。据向两边现场调查发现,碎屑流前部含有大量泥土,同理,由于扩散流动的原因,碎屑流两侧也裹挟有较之于中部更多的泥土。碎屑流运动过程中会伴随着颗粒碰撞以传递能量,但是,随着颗粒的碰撞也会有大量的能量消耗。因此,同样多的能量消耗,位于泥土含量较多的前部两侧运动距离较之于中部将会更远。
(2) 碎屑流运动过程中挤压碰撞必然会使颗粒破碎。然而,碎屑流在运动过程中由于颗粒之间处于相对紧密接触的状态,无法产生相对有效的自由碰撞。所以,在挤压过程中压力超过颗粒抗压强度的破坏才是碎屑流运动过程中颗粒破坏的主要形式[18]。这就导致颗粒破坏会消耗大量的能量。因此,泥土含量较多的碎屑流前部两侧颗粒解体的概率相对较小,能量消耗较少,运动距离较远。
(3) 彭双麒[29]通过大量室内滑槽试验得出,碎屑流前部的堆积更多是以抛洒的形式形成的,与中后部的运动形式不同,用相同的判定公式判定房屋的破坏与否难免出现误差。
4. 讨论与分析
4.1 PCAS统计堆积体粒径方法的讨论与分析
(1) 优势 通过PCAS方法能高效快捷地得到崩滑-碎屑流堆积体颗粒粒径参数,相对于以往的现场筛分法,PCAS统计法将极大地节省科研工作者的时间及精力。并且,由于能得到较多的统计数据,存在偶然误差的可能性相对较低,能得到相对准确的颗粒粒径统计数据。
(2) 不足 PCAS统计方法对堆积体航拍影像要求较高,正射影像的分辨率直接影响了堆积体颗粒识别的准确性以及能识别的最小颗粒,因此,对小粒径的识别较为困难。另外,在颗粒识别过程中对操作人员要求较高,对于各种参数的设置及图片处理要求较高,容易出现操作上的误差。
4.2 房屋与碎屑流相互作用探究的讨论与分析
碎屑流在摧毁房屋的过程中将消耗部分能量,而碎屑流能量降低将会直接反应到其堆积粒径大小的不同。大粒径由于能量的消耗被堆积下来,小粒径能随着碎屑流继续向前运动,这就是房屋对碎屑流颗粒表现出的“拦粗排细”作用。
通过量纲分析,推导房屋破坏的判定公式。本公式能通过简单的物理参数基本判定碎屑流对房屋的冲击摧毁作用。另外,该公式的推导为碎屑流冲击破坏作用的研究提供了一种思路及方法,能有效促进碎屑流防灾减灾的研究。
5. 结论
(1) PCAS统计方法相对于传统的现场筛分法,其对堆积体颗粒的识别能更加全面、详细,并且能节省大量的人力物力资源,促进后续更深入研究的进行。
(2) 通过对房屋分布结合纵横向堆积体粒径的统计结果分析,发现房屋对堆积体粒径具有“拦粗排细”作用。即房屋对小粒径颗粒的阻挡作用较小,对大粒径颗粒阻挡作用较大。
(3) 在量纲分析的基础上,提出了考虑碎屑流平均粒径d、房屋所在地与碎屑流物源区的竖直高差ΔH、房屋所在地距崩塌源中部的水平距离L的碎屑流冲击房屋破坏判据,即$F = a\overline {d\Delta H} /{L^2} $,当F大于1时房屋被破坏,当F小于1时,房屋不被破坏。经纳雍崩塌摧毁房屋的验证,判别效果较好,能够在地质灾害预测领域发挥一定作用。
-
表 1 破坏房屋距崩塌源中部的水平距离以及距崩塌物源高度
Table 1. Horizontal distance of the damaged house from the middle of the collapse source and the height of the damaged house from collapse source
房屋编号 运动距离L/m 高差ΔH/m 房屋编号 运动距离L/m 高差ΔH/m 房屋编号 运动距离L/m 高差ΔH/m 1 613.16 249 16 566.45 242 31 624.43 260 2 645.78 249 17 547.55 240 32 718.49 272 3 678.98 254 18 535.23 241 33 703.67 271 4 682.24 254 19 522.37 238 34 685.68 270 5 658.27 254 20 587.46 249 35 694.40 271 6 639.84 253 21 581.23 249 36 681.21 270 7 641.44 254 22 598.17 251 37 659.85 268 8 708.25 257 23 531.15 239 38 769.52 278 9 558.77 243 24 603.83 250 39 749.19 276 10 574.57 245 25 537.39 246 40 700.61 271 11 592.31 247 26 530.11 246 41 530.47 240 12 582.02 246 27 517.92 246 42 500.80 237 13 559.99 242 28 517.11 244 43 523.11 238 14 602.69 251 29 599.63 256 44 663.77 268 15 578.72 242 30 619.62 258 45 459.26 241 表 2 普洒村崩塌冲毁房屋判别结果
Table 2. Discriminating results of the houses damaged by collapse in Pusa Village
房屋编号 判别结果F 房屋编号 判别结果F 房屋编号 判别结果F 房屋编号 判别结果F 房屋编号 判别结果F 1 1.27 10 1.42 19 1.67 28 1.75 37 1.18 2 1.14 11 1.35 20 1.38 29 1.36 38 0.9 3 1.05 12 1.39 21 1.41 30 1.29 39 0.94 4 1.04 13 1.48 22 1.34 31 1.28 40 1.06 5 1.12 14 1.32 23 1.62 32 1.01 41 1.63 6 1.18 15 1.38 24 1.31 33 1.05 42 1.81 7 1.18 16 1.44 25 1.63 34 1.1 43 1.66 8 0.98 17 1.53 26 1.68 35 1.08 44 1.16 9 1.49 18 1.61 27 1.75 36 1.11 45 2.19 -
[1] 黄润秋. 20世纪以来中国的大型滑坡及其发生机制[J]. 岩石力学与工程学报, 2007, 26(3): 433-454. doi: 10.3321/j.issn:1000-6915.2007.03.001Huang R Q. Large-scale landslides and their sliding mechanisms in China since the 20th century[J]. Chinese Journal of Rock Mechanics and Engineering, 2007, 26(3): 433-454(in Chinese with English abstract). doi: 10.3321/j.issn:1000-6915.2007.03.001 [2] 许强, 黄润秋, 殷跃平, 等. 2009年6·5重庆武隆鸡尾山崩滑灾害基本特征与成因机理初步研究[J]. 工程地质学报, 2009, 17(4): 433-444. doi: 10.3969/j.issn.1004-9665.2009.04.001Xu Q, Huang R Q, Ying Y P, et al. The Jiweishan landslide of June 5, 2009 in Wulong, Chongqing: Characteristics and failure mechanism[J]. Journal of Engineering Geology, 2009, 17(4): 433-444(in Chinese with English abstract). doi: 10.3969/j.issn.1004-9665.2009.04.001 [3] 许强, 李为乐, 董秀军, 等. 四川茂县叠溪镇新磨村滑坡特征与成因机制初步研究[J]. 岩石力学与工程学报, 2017, 36(11): 2612-2628. https://www.cnki.com.cn/Article/CJFDTOTAL-YSLX201711002.htmXu Q, Li W L, Dong X J et al. The Xinmocun landslide on June 24, 2017 in Maoxian, Sichuan: Characteristics and failure mechanism[J]. Chinese Journal of Rock Mechanics and Engineering, 2017, 36(11): 2612-2628(in Chinese with English abstract). https://www.cnki.com.cn/Article/CJFDTOTAL-YSLX201711002.htm [4] 彭双麒, 许强, 郑光, 等. 碎屑流堆积物粒度分布与运动特性的关系: 以贵州纳雍普洒村崩塌为例[J]. 水文地质工程地质, 2018, 45(4): 129-136. https://www.cnki.com.cn/Article/CJFDTOTAL-SWDG201804019.htmPeng S Q, Xu Q, Zheng G, et al. Realationship between particle size distribution and movement characteristics of rock avalanche deposits in Nayongpusa Village, Guizhou Province[J] Hydrogeology & Engineering Geology, 2018, 45(4): 129-136(in Chinese with English abstract). https://www.cnki.com.cn/Article/CJFDTOTAL-SWDG201804019.htm [5] 郑光, 许强, 巨袁臻, 等. 2017年8月28日贵州纳雍县张家湾镇普洒村崩塌特征与成因机理研究[J]. 工程地质学报, 2018, 26(1): 223-240. https://www.cnki.com.cn/Article/CJFDTOTAL-GCDZ201801023.htmZheng G, Xu Q, Ju Y Z, et al. The Pusacun rock avalanche on August 28, 2017 in Zhangjiawan Nayongxian, Guizhou: Characteristics and failure mechanism[J]. Journal of Engineering Geology, 2018, 26(1): 223-240(in Chinese with English abstract). https://www.cnki.com.cn/Article/CJFDTOTAL-GCDZ201801023.htm [6] 彭双麒, 许强, 郑光, 等. 白格滑坡-碎屑流堆积体颗粒识别与分析[J]. 水利水电技术, 2020, 51(2): 144-154. https://www.cnki.com.cn/Article/CJFDTOTAL-SJWJ202002017.htmPeng S Q, Xu Q, Zheng G, et al. Recognition and analysis of deposit body grain of Baige Landslide-Debris Flow[J] Water Resources and Hydropower Engineering, 2020, 51(2): 144-154(in Chinese with English abstract). https://www.cnki.com.cn/Article/CJFDTOTAL-SJWJ202002017.htm [7] Li H J, Xu Q, He Y. et al. Prediction of landslide displacement with an ensemble-based extreme learning machine and copula models[J]. Landslides, 2018, 15(10): 2047-2059. doi: 10.1007/s10346-018-1020-2 [8] 覃瀚萱, 桂蕾, 余玉婷, 等. 基于滑坡灾害预警分级的应急处置措施[J]. 地质科技情报, 2021, 40(4): 187-195. https://www.cnki.com.cn/Article/CJFDTOTAL-DZKQ202104018.htmQin H X, Gui L, Yu Y T, et al. Emergency measures based on early warning classification of landslide[J]. Bulletin of Geological Science and Technology, 2021, 40(4): 187-195(in Chinese with English abstract). https://www.cnki.com.cn/Article/CJFDTOTAL-DZKQ202104018.htm [9] 吴益平, 唐辉明, 殷坤龙. 物元模型在滑坡灾害风险预测中的应用[J]. 地质科技情报, 2003, 22(4): 96-100. https://www.cnki.com.cn/Article/CJFDTOTAL-DZKQ200304018.htmWu Y P, Tang H M, Yin K L. Application of matter-element model in landslide hazard risk assessment[J]. Geological Science and Technology Information, 2003, 22(4): 96-100(in Chinese with English abstract). https://www.cnki.com.cn/Article/CJFDTOTAL-DZKQ200304018.htm [10] Yang Q, Cai F, Su Z, et al. Numerical simulation of granular flows in a Large Flume using discontinuous deformation analysis[J]. Rock Mechanics and Rock Engineering, 2014, 47(6): 2299-2306. doi: 10.1007/s00603-013-0489-1 [11] Yuan R M, Tang C I, Hu J C, et al. Mechanism of the Donghekou landslide triggered by the 2008 Wenchuan earthquake revealed by discrete element modeling[J]. Natural Hazards and Earth System Sciences, 2014, 14(6): 1195-1205. http://www.onacademic.com/detail/journal_1000040545889410_b1b1.html [12] Yu X, Chen X. Variational laws of debris flow impact force on the Check Dam surface based on orthogonal experiment design[J]. Geotechnical and Geological Engineering, 2017, 35(6): 2511-2522. doi: 10.1007/s10706-017-0258-0 [13] 毕钰璋, 何思明, 王东坡, 等. 碎屑流冲击下的桥墩动力响应特征分析[J]. 中国地质灾害与防治学报, 2017, 28(4): 16-21. https://www.cnki.com.cn/Article/CJFDTOTAL-ZGDH201704004.htmBi Y Z, He S M, Wang D P, et al. Discrete-element investigation of rock avalanches impact on the bridge pier[J]. The Chinese Journal of Geological Hazard and Control, 2017, 28(4): 16-21(in Chinese with English abstract). https://www.cnki.com.cn/Article/CJFDTOTAL-ZGDH201704004.htm [14] Jiang Y J, Zhao Y, Towhata I, et al. Influence of particle characteristics on impact event of dry granular flow[J]. Powder Technology, 2015, 270(A): 53-67. http://www.researchgate.net/profile/Yuan-Jun_Jiang/publication/267100618_Influence_of_particle_characteristics_on_impact_event_of_dry_granular_flow/links/54f5893f0cf2f28c1364e99c.pdf [15] Jiang Y J, Towhata I. Experimental study of dry granular flow and impact behavior against a rigid retaining wall[J]. Rock Mechanics and Rock Engineering, 2013, 46(4): 713-729. doi: 10.1007/s00603-012-0293-3 [16] Adel A, Stéphane L, Thierry F. Dry granular avalanche impact force on a rigid wall: Analytic shock solution versus discrete element simulations[J]. Physical Review E, 2018, 97(5): 052903. doi: 10.1103/PhysRevE.97.052903 [17] 赵辉. 粗颗粒堆积体塌滑蔓延试验与遮挡措施研究[D]. 北京: 北京交通大学, 2018.Zhao H. Experimental studies on sliding and scattering characteristics of coarse-aggregate soil mass and blocking measures of sliding soil mass[D]. Beijing: Beijing Jiaotong University, 2018(in Chinese with English abstract). [18] 王品, 徐则民. 头寨大型高速远程滑坡碎屑流堆积体的粒度组成[J]. 山地学报, 2013, 31(6): 745-752. doi: 10.3969/j.issn.1008-2786.2013.06.014Wang P, Xu Z M. The grain size composition of Touzhai rock-avalanche deposits[J]. Journal of Mountain Science, 2013, 31(6): 745-752(in Chinese with English abstract). doi: 10.3969/j.issn.1008-2786.2013.06.014 [19] Zhang L M, Xu Y, Huang R Q, et al. Particle flow and segregation in a giant landslide event triggered by the 2008 Wenchuan earthquake, Sichuan, China[J]. Natural Hazards & Earth System Sciences, 2011, 11(4): 1153-1162. http://www.onacademic.com/detail/journal_1000040545869710_3773.html [20] 徐丽坤, 刘晓东, 向小翠. 基于深度信念网络的遥感影像识别与分类[J]. 地质科技情报, 2017, 36(4): 244-249. https://www.cnki.com.cn/Article/CJFDTOTAL-DZKQ201704032.htmXu L K, Liu X D, Xiang X C. Recognition and classification for remote sensing image based on depth belief network[J]. Geological Science and Technology Information, 2017, 36(4): 244-249(in Chinese with English abstract). https://www.cnki.com.cn/Article/CJFDTOTAL-DZKQ201704032.htm [21] Hitzl A P, Jörres R A, Heinemann F, et al. Aerial photography collected with a multirotor drone reveals impact of Eurasian beaver reintroduction on ecosystem structure[J]. Journal of Unmanned Vehicle Systems, 2015, 3(3): 123-130. doi: 10.1139/juvs-2015-0005 [22] Xu Q, Li H J, He Y, et al. Comparison of data-driven models of loess landslide runout distance estimation[J]. Bulletin of Engineering Geology and the Environment, 2019, 78: 1281-1294. doi: 10.1007/s10064-017-1176-3 [23] Jiao K, Yao S, Liu C, et al. The characterization and quantitative analysis of nanopores in unconventional gas reservoirs utilizing FESEM-FIB and image processing: An example from the lower Silurian Longmaxi Shale, upper Yangtze region, China[J]. International Journal of Coal Geology, 2014, 128/129(3): 1-11. http://www.sciencedirect.com/science/article/pii/S0166516214000664 [24] Liu Y, Wu L. Geological disaster recognition on optical remote sensing images using deep learning[J]. Procedia Computer Science, 2016, 91: 566-575. doi: 10.1016/j.procs.2016.07.144 [25] 彭双麒, 许强, 李骅锦, 等. 基于高精度图像识别的堆积体粒径分析[J]. 工程地质学报, 2019, 27(6): 1290-1301. https://www.cnki.com.cn/Article/CJFDTOTAL-GCDZ201906011.htmPeng S Q, Xu Q, Li H J, et al. Grain size distribution analysis of landslide deposits with reliable image identification[J]. Journal of Engineering Geology, 2019, 27(6): 1290-1301(in Chinese with English abstract). https://www.cnki.com.cn/Article/CJFDTOTAL-GCDZ201906011.htm [26] Liu C, Shi B, Zhou J. Quantification and characterization of microporosity by image processing, geometric measurement and statistical methods: Application on SEM images of clay materials[J]. Applied Clay Science, 2011, 54(1): 97-106. doi: 10.1016/j.clay.2011.07.022 [27] Lin Q, Yan J, Zhou J, et al. Microstructure study on intact clay behavior subjected to cyclic principal stress rotation[J]. Procedia Engineering, 2016, 143: 991-998. doi: 10.1016/j.proeng.2016.06.088 [28] Liu C, Pollard D D, Aydin A, et al. Mechanism of formation of wiggly compaction bands in porous sandstone: Observations and conceptual model[J]. Journal of Geophysical Research, 2015, 120(12): 8138-8152. doi: 10.1002/2015JB012374 [29] 彭双麒. 滑坡-碎屑流堆积体粒度分布研究[D]. 成都: 成都理工大学, 2020.Peng S Q. The study for grain size distribution of rock avalanche deposit[D]. Chengdu: Chengdu University of Technology, 2020 (in Chinese with English abstract). 期刊类型引用(5)
1. 卢彦丞,李军,梁风,史文兵,王军义. 岩溶典型区崩塌落石被动防护网失效概率模拟. 地质科技通报. 2024(03): 240-250 . 本站查看
2. 韩幽铭,桂蕾,朱兴华,陈丽霞,余玉婷,陈琴. 滑坡张拉变形区砌体房屋变形破坏特征数值模拟. 地质科技通报. 2023(03): 55-62 . 本站查看
3. 程什,代贞伟,付小林,张安乐,王鲁琦,张晨阳,杨龙伟,蒋先念. 三峡库区巫溪凤凰山危岩体失稳机理与碎屑流动力学特征. 华南地质. 2023(03): 470-481 . 百度学术
4. 张亚彬,左双英,吴道勇,杨国生. 基于结合水膜厚度变化的红黏土收缩机理研究. 地质科技通报. 2023(05): 241-248 . 本站查看
5. 刘士奇,王环玲,高闯,屈晓. 滑坡堰塞坝堆积形态影响因素离散元分析. 地质科技通报. 2022(02): 165-175 . 本站查看
其他类型引用(1)
-