刘阔1，姜龙2，赵宇飞2，梁经纬3
1. 河北工程大学水利水电学院，邯郸 056021；2.中国水利水电科学研究院，北京，100048；3. 湖南省水利水电科学研究院，长沙，410131
摘要：随着水利工程大力兴建，所遇工程问题越来越多，边坡变形及稳定性问题出现的概率也越来越大。依据边坡变形海量资料，应用K-Means聚类法，进行边坡变形时空演化规律研究，建立了基于位移和位移速率两指标控制的边坡变形时空演化特征，很好地揭示了边坡变形动态区域和演化特征，可为类似边坡变形提供参考和借鉴。
关键词：边坡；时空演化；K-Means聚类算法
Research on spatio-temporal evolution law of slope deformation based on K-Means clustering algorithm
Liu Kuo1,Jiang Long2,Zhao Yufei2
(1.College of Water Conservancy and Hydropower, Hebei University of Engineering,Handan ,056021,China;2. China Institute of Water Resources and Hydropower Research, Beijing,100048,China; 3.Hunan Institute of Water Resources and Hydropower Research,Changsha,410131,China)
Abstract: With the vigorous construction of water conservancy projects, more and more engineeri-ng problems are encountered, and the probability of slope deformation and stability problems is inc-reasing. Based on the massive data of slope deformation, using the K-Means clustering method to study the spatio-temporal evolution law of slope deformation, establishing the spatio-temporal evol-ution characteristics of slope deformation based on displacement and displacement rate control.The dynamic region and evolution characteristics of slope deformation are well revealed, which can pro-vide reference for similar slope deformation.
Key words: slope; Spatial-temporal evolution; K-Means clustering algorithm
1前言
随着水利工程大力兴建，所遇工程问题越来越多，边坡变形及稳定性问题出现的概率也越来越大。边坡变形监测可以有效抓捕滑坡发育过程中表现出的各种特征和现象，然而仅仅获得监测数据是不够的，还需要对监测的结果进行深入的分析，从而形成有效的预警。传统解析分析是以结构力学、弹塑性力学理论为基础的，现代数据挖掘分析是以大量有价值的经验数据和研究数据为基础的。
本文提出基于K-Means聚类法的边坡变形预测模型，该模型可以不断用新数据替换过时的数据，并且判断各个监测点之间的相关性，从而得出边坡的变形演化规律。其算法是实现边坡灾害预报的有效手段，对降低灾害导致的财产损失及人员伤亡具有重要意义。
2K-Means聚类算法原理及实现
2.1K-Means聚类算法的基本原理
.png)
K-means聚类算法从一个初始的K类别划分开始，然后将各数据点指派到各个类别中，以减小总的距离平方和。因为K-means聚类算法中总的距离平方和随着类别个数K的增加而趋向于减小（当K=n时，J（C）=0）。因此，总的距离平方和只能在某个确定的类别个数K下，取得最小值。
2.2K-Means 聚类算法的算法实现
K-means算法是一个反复迭代过程，目的是使聚类域中所有的样品到聚类中心距离的平方和J（C）最小，算法流程包括4个步骤，具体流程图如图1所示。
.png)
3边坡表面变形动态演化
3.1边坡监测布置
某水库右岸边坡出现裂缝后，布置了12个表面变形监测点（图2），并于2020年10月11日取得初始值。
.png)
3.2边坡表面变形时程演化
图3和图4为某边坡典型测点表面变形时程曲线和速率变化曲线。边坡表面变形呈微增加趋势，且变形速率基本趋于0。
.png)
4边坡表面变形时空特征
图5为边坡表面变形聚类图谱。基于上述监测数据以及测点布设情况，应用K-means算法，进行边坡表面变形聚类分析，研究边坡表面变形时空演化规律。从位移值、位移速率以及位移和位移速率三角度出发，分别进行了边坡监测点的无序聚类分析。从位移演化看，监测点2#和11#为一类，4#、6#、8#和10#为一类，其他为一类；从位移速率看，监测点5#和11#为一类，4#、7#、9#、10#和12#为一类，其他为一类；从位移和位移速率看，5#和11#为一类，1#、3#、7#、9#和12#为一类，其他为一类。结合边坡监测点布设情况，4#、6#、8#和10#位于边坡裂缝下缘，7#和9#位移边坡裂缝上缘，且均位于边坡裂缝中间部位。边坡裂缝下缘4#、6#、8#和10#部位出现变形后，影响上缘7#和9#部位，涉列其他部位，随即可确定变形区域和主滑方向。
.png)
5结论及建议
K-Means聚类法可用于边坡变形时空区划，且位移量值和位移速率二指标能更好地反映边坡时空演化规律和特征。
参考文献：
[1]Jiang Minhui, Wang Shuang tao, Mei Jun, et al. Finite time synchronization control of a class of memristor-based recurrent neural networks.[J].Neural Networks, 2015, 63 (1) :133-140.
[2]张向东,白仁钰,黄建国. 基于FAHP和K-Means聚类的边坡稳定性模型[J]. 长江科学院院报, 2019，36(01)：111-116.
[3]徐哲，胡焕校，邓超.K-means聚类神经网络在边坡稳定性评价中的应用探究[J].水资源与水工程学报，2017，28(3):198-204.
[4] ZHAO J，WANG Z，DONG S P. Online sequential extreme learning machine with forgetting mechanism[J].Neurocomputing，2012，87(15)：79-89.