岩土体的流变效应是影响边坡变形及稳定性的重要因素,对边坡进行稳定性评价、结合变形监测资料对边坡进行预警预报,都有必要考虑岩土体的流变效应。本文针对具有流变特性的一类工程高边坡,以强度折减法为基础,研究了岩土体流变特性对边坡变形及稳定性的影响,用神经网络-遗传算法的智能方法对流变参数进行了反演,在此基础上从滑坡宏观变形现象观测、变形监测数据分析、数值计算三个方面提出了一套滑坡全过程、多手段综合预报预警方法,并给出了滑坡各个变形阶段的预警标准。最后将该方法成功应用于重庆张飞庙东侧园区滑坡,验证了本文提出的全过程、多手段滑坡预警预报方法的合理性,为滑坡预警预报提供了一种新的思路。本文主要研究成果概括如下:(1)用强度折减法分析边坡稳定性时,不需要事先假定滑面的位置和形状,因此具有较强的适用性。目前在岩土体的力学性质方面仅考虑了弹塑性,而忽略了岩土体的流变特性。流变是岩土材料的基本力学特性,很多边坡产生大变形乃至失稳都与岩土体流变具有一定关系。本文采用强度折减原理,分析了岩土体流变特性对边坡变形及稳定的影响。研究表明,在强度折减相同的情况下岩土材料的流变特性使边坡变形增大,同时对边坡稳定具有不利影响。(2)在FLAC的流变计算过程中,不管边坡能否达到静力平衡,程序总会计算到设定的时间为止,因此不能以数值计算不收敛作为边坡失稳的判据。本文采用的岩土体流变模型具有衰减蠕变的特性,对于稳定的边坡,虽然变形随时间发展,但最终会趋于稳定。如果将岩土体的强度折减到使边坡趋近于极限状态,边坡沿滑带会产生很大的塑性剪切变形,与流变产生的变形相比,这种塑性变形要大得多。此时边坡上特别是滑带以上岩土体的位移经历很长时间都不会稳定下来,因此我们可以在滑带上取一些关键点,记录这些点的水平位移随时间的变化。如果这些点的位移在足够长的时间不能稳定下来,我们就可以判断边坡失稳。(3)本文采用神经网络和遗传算法,根据现场实测位移对边坡岩土体的流变参数进行了智能反演。先采用粘弹塑性数值方法建立工程边坡的计算模型,通过大量的数值分析获得神经网络的训练样本;再利用神经网络的学习和记忆功能对样本进行逆辨识学习,训练网络;利用遗传算法的全局优化性能对神经网络初始权值进行优化;由人工神经网络的非线性映射功能建立岩土体流变位移与待反演参数之间的特征关系;最后,将实测位移代入训练好的神经网络进行反分析得到一组流变参数,通过后验差的方法验证了反演结果的合理性,为后续的数值计算提供了基础。(4)针对数学模型方法在滑坡中长期预报、短期预报中的不足,本文提出了一套多手段(现场宏观变形现象观察、变形监测数据分析、数值分析)、动态的全过程滑坡预警预报方法。首先根据滑坡变形破坏的阶段性特点,将滑坡预报分为中长期预报、短期预报、临滑预报,并通过归纳、总结大量边坡变形规律,典型工程边坡的数值计算分析(考虑岩土体流变特性的强度折减)建立滑坡各个变形阶段的预警评判标准。标准中包括边坡现场变形破坏指标、关键测点监测数据指标(包括位移、位移速率等),数值计算指标。(5)按照上述思路,对京珠高速公路K108滑坡、重庆张飞庙东侧园区滑坡进行了预报分析,得到了比较满意的结果,表明本文提出的边(滑)坡变形破坏全过程预警评价方法和指标是可行的,为边(滑)坡预测预警提供了一种全新的思路。