基于监测数据的边坡参数统计特征及可靠度更新∗

掌握详细的边坡岩土体参数信息是进行边坡加固与风险评估的重要前提。目前大多采用马尔可夫链蒙特卡洛模拟方法基于现场或室内试验数据进行不确定性参数统计信息及边坡可靠度更新。然而,该方法存在计算量大、计算结果不易收敛和难以解决高维边坡不确定性参数统计特征及可靠度更新等问题。本文基于粒子群优化反向传播神经网络算法建立边坡位移代理模型优化计算过程,提出了改进的基于子集模拟的贝叶斯更新方法,进而基于边坡变形监测数据进行参数统计特征及可靠度更新。最后,将提出方法应用到长春西客站深基坑边坡工程。 结果表明：提出方法能够融合有限的场地信息有效地更新边坡岩土体参数统计特征,推断其后验概率密度函数,进而更新边坡失效概率。利用更新的土体参数计算的边坡位移与实测数据吻合,验证了提出方法的适用性和有效性。另外融合监测数据进行贝叶斯更新之后,虽然土体参数的不确定性明显降低,但是边坡失效概率受外界气温、 监测点位置及数据量值的影响会增大。