《COMMUN EARTH ENVIRON:强震引起的斜坡损伤评价》

  • 来源专题:岩土力学与工程信息资源网
  • 编译者: 李娜娜
  • 发布时间:2024-07-05
  • 地震和降雨是引发山体滑坡的主要诱因。已有研究表明,这两种自然事件对边坡稳定性有显著的负面影响,并且它们对景观演变也有着深远的影响。尽管存在针对单一诱因(地震或降雨)的全球预测模型,但很少有模型考虑了这两种因素的复合效应。尽管地震后山坡的强度可能保持不变、增加或降低,但通常情况下,强烈的地面震动会削弱山坡,这种削弱被称为地震遗留效应。为了在物理模型中准确表征地震后滑坡易感性的增加,需要估计山坡材料的抗剪强度(RSS)。在区域尺度上进行详细的岩土工程调查是不切实际的,因此需要寻找其他方法来解决这一局限性。

    西南交通大学胡卸文教授团队提出了一种基于震后滑坡反演的物理模型以评估地震扰动下斜坡抗剪强度损伤理论值,并进一步结合数据驱动模型推断整个研究区的强度衰减。对2008年5.12汶川特大地震的研究表明,在0.5-0.9 g的峰值地面加速度范围内,斜坡近地表岩土体抗剪强度降低了60%-75%。研究强调了峰值地面加速度、局部地形和地形位置指数等因素在估计剪切强度减少方面的重要性,并讨论了山坡材料岩土工程表征方面的挑战以及在区域尺度上表征岩体特性的困难。

    研究通过量化受地震扰的山坡的剪切强度降低,为估算地震后滑坡易感性提供了宝贵的见解。这些发现有助于更好地了解和管理地震多发地区的滑坡灾害。相关研究成果发表于《Communications Earth & Environment》[1]。

    [1] Estimating Weakening on Hillslopes Caused

    by Strong Earthquakes

  • 原文来源:https://www.nature.com/articles/s43247-024-01256-3
相关报告
  • 《COMMUN EARTH ENVIRON:量化地形放大对地震引发的滑坡的影响》

    • 来源专题:岩土力学与工程信息资源网
    • 编译者:李娜娜
    • 发布时间:2024-12-18
    • 地震期间辐射的地震能量可能由于地震波与传播路径中的地形(如,沉积盆地或山区)相互作用而导致局部震动水平放大,即地形放大效应。放大的程度与地震波传播介质的特性有关,包括材料、结构特征和地形。地形放大已经通过峰值地面运动速度得到了量化。地形放大会增加山顶的震动水平,并可能导致稳定的坡面濒临失稳。然而,在受强烈地震震动的情境中,它对同震滑坡发生的贡献尚待量化。 研究人员研究了地形放大如何控制2015年廓尔喀地震引发的滑坡的空间分布。研究发现6%-17%的同震滑坡是由于地形放大而引发的。在这些滑坡中,只有13%发生在破裂区附近(<40km),这可能是因为近端坡面由于强烈运动而失稳,而与地形放大无关。相反,由于地形放大导致的大多数滑坡(约60%)发生在远离震中的地方。研究结果表明,在强地震的情况下,地形放大的贡献被高估了,这种解释只适用于远离破裂带的情况。 此外,地形放大是否主要控制远场地区的同震失稳。事实上,如果系统大部分被带到失稳的边缘,地形放大仍然可能在山坡上引入永久变形,这些变形可能在震后阶段发生失稳。为此,研究地形放大对震后斜坡动力学的长期影响,以及它如何与其他地质过程相互作用,对于理解和预测地震后的滑坡风险至关重要。这要求对地形放大效应进行更全面的分析,包括它在不同时间和空间尺度上的作用,以及它如何与其他触发因素相结合,影响山坡的稳定性。相关研究成果发表于《Communications Earth & Environment》[1]。 [1] Quantifying the Influence of Topographic Amplification on the Landslides Triggered by the 2015 Gorkha Earthquake
  • 《COMMUN EARTH ENVIRON:完整的地震波形分析与神经网络相结合改进了同震滑坡预测》

    • 来源专题:岩土力学与工程信息资源网
    • 编译者:李娜娜
    • 发布时间:2024-07-05
    • 地震波能够震动山区地貌,引发数千次滑坡。区域规模的滑坡模型主要依赖于通过简化地面运动时间序列为峰值标量值获得的震动强度参数。这种方法忽略了地面运动相位和振幅及其在空间和时间上的变化的贡献。通过开发一个可解释的深度学习模型来解决这个问题,该模型能够处理整个波场,并将其与装备有标量强度参数的模型进行基准测试。 荷兰特文特大学研究人员利用深度神经网络和变压器组件开发了用于数据驱动的同震滑坡建模的Mod3模型。该模型旨在捕获地震信号的全部特征,包括地震传播期间的相位和振幅变化。它包含输入变量,例如地面运动强度参数、时间序列数据和地形信息。将Mod3的性能与替代模型(包括使用标量地面运动估计值和滤波波形的模型)进行了比较。模型的评估是使用各种评分方法完成的,例如准确度分数、F1分数和相交集合(IOU)分数。通过研究地震波形中不同时间步长和方向的贡献,分析了Mod3的可解释性。研究强调了传统方法在同震滑坡建模中的局限性,并强调了在地震发生后的几分钟内了解失效机制以预测所有事件的重要性。在2015年尼泊尔7.8级地震影响区域进行的实验显示,当纳入完整波形时,预测能力提高了16%。这种改进主要在低地震动(约0.2米/秒)影响的缓坡(约25°)上实现。 研究发现还可以将这种改进主要归因于峰值速度到达前后的地面运动。这突显了单一强度测量的局限性和完整波形信息的未开发潜力。相关研究成果发表于《Communications Earth & Environment》[1]期刊。 [1] Full Seismic Waveform Analysis Combined With Transformer Neural Networks Improves Coseismic Landslide Prediction