露天开采包括穿爆、铲装、运输、排土4个环节，与井工开采相比不但劳动生产率(t/(人·月))提高5～10倍，同时节约成本30%～60%，具有很大的工效、成本优势[1]。根据中国矿业年鉴的统计数据[2]，2015年全国共有非油气矿山83 648座，其中非煤金属矿山10 100座(黑色金属矿4 913座)，非金属矿山73 548座(煤矿9 686座)，露天开采的矿山中[3-4]:铁矿占77%，有色金属矿占52%，化工占70.7%，建材为100%，我国煤矿经过整合之后目前有6 800座，其中露天开采占比会越来越高[5]，截至2017年数据[6]，我国共有露天煤矿约420座，占全国煤矿数量的6%，产能达到9.5亿t，占全国煤矿总产能的18.6%，其中400万t及以上露天煤矿42处，千万吨级露天煤矿20处。
一个大型露天矿边坡角加陡1°，可以节约剥离成本1亿元以上[7]，但会带来滑坡灾害的风险。根据国家安全生产监督管理总局2015年对125座露天矿山基本信息统计结果[8]，300 m以下边坡占51%，300 m以上500 m以下边坡占35%，500 m以上边坡占14%。随着露天矿产资源的开采，高陡边坡数量逐渐增加，致使露天矿安全事故的发生。根据2001—2007年统计数据[9]，金属非金属露天矿山边坡滑坡坍塌事故1 951起，占事故起数的15%，居第3位，伤亡3 065人，占伤亡人数的18.75%，居于首位;死亡3人以上边坡滑坡坍塌事故228起，占事故起数的38.3%，居于首位，死亡994人，占死亡人数的33%，居于首位。2017年全国非煤矿山较大事故统计[10]，边坡滑坡在矿山安全事故总数和死亡人数方面，居矿山所有安全事故的第3位，占比13.5%和9.3%以上。所以，露天矿高大岩质边坡稳定性问题是露天矿安全生产的核心问题，对于保证矿山安全生产，提高经济效益，具有重要的理论与实际意义。
目前露天矿边坡安全设计、管理和灾害预警防控存在的问题[9]:① 以往边坡角的确定多用类比法(岩性，构造，采矿)，大量的类比案例没有形成数据库和深度分析归纳，缺乏智能化的分析理论，或者给矿山的生产带来安全隐患，或者导致成本增加;② 边坡日常管理过程中，“重采集，轻分析，重监测、轻预警”的现象一直存在，没有建立数据分析方法和预警指标体系，不能实现生产期间边坡监测信息和安全稳定状况的及时反馈和评判，达不到保证安全生产的目的，监测网起不到灾害防控的作用。监测仅是手段，预警才是目的。多数企业未建立边坡管理机构和边坡事故应急救援体系，未制定边坡管理制度[11];③ 缺乏边坡变形时空演化感知、采掘动态过程多元异构数据的协同分析方法:通过坡表监测和坡体内部监测的协同分析，才能确定滑坡体是否发生联动、同步变形和滑面是否贯通，更重要的是分析采掘、爆破过程边坡加固工程是否发挥作用，对后续优化加固方案至关重要;④ 缺乏边坡稳定性动态过程和经济效益优化的协同认知(易浸水风化的边坡及早疏干封闭，利用岩体自身强度，避免出现问题造成压矿、采剥失调)，一般边坡灾害发生后才进行事后的边坡维护，造成极大的浪费。
综上所述，我国露天矿山安全形势依然严峻，矿山安全风险和矿山效益是相互制约的，迫切需要智能化方法实现矿山全生产流程“安全-效益”的动态优化，矿山物联网技术、大数据技术和人工智能方法与矿山实例相结合是解决这些问题的有效途径。笔者提出“位移时间序列阈值、力学机理分析、案例分析及专家系统诊断”三位一体的边坡稳定性智能评价的学术思路，指出采用云平台、人工智能方法、大数据分析结合边坡案例库分析是露天矿边坡稳定性智能评价研究发展趋势。
1 露天矿安全智能评价的内容框架及发展现状
智能化是矿山发展的趋势，矿山智能化的概念是基于现代智慧理念，将物联网、云计算、大数据、人工智能、自动控制、移动互联网、机器人化装备等与现代矿山开发技术深度融合，形成矿山全面感知、实时互联、分析决策、自主学习、动态预测、协同控制的完整智能系统[12]，实现矿山地质勘探(储量、品位、模型)、矿山设计(生产计划、资源调配)、安全保障(人、机、环、管安全)、高效生产(采、掘、机、运、通、水、电高效运行)、经济运营(产销指标、任务分解)和绿色环保(综合利用、环境治理)各环节全过程智能化运行。
对于露天矿智能采矿技术，目前利用卫星定位导航系统，指挥调度采矿各个环节(穿孔、爆破、装载、运输排土)及设备运转技术已经比较成熟。国外在合理高效的开采工艺、智能化的凿岩设备、智能化自动化的出矿及运输设备、先进的生产管控模式等方面处于先进水平。国外初步建立了信息化、智能化、自动化露天矿智慧云生产管理决策平台，实现采、装、运、卸生产过程的实时数据采集、判断、显示、控制与管理，实时监控和优化调度卡车、电铲等设备运行，实时对采矿生产的数据进行监测及控制。国内金属矿山的资源禀赋条件不好，生产规模大、开采条件好的大型露天矿山成为推动矿山智能化的主力和示范，但中小型矿山多，集约化开发程度低，技术、装备和管理水平差距较大，尤其是露天矿安全生产保障环节的智能化(主体是边坡稳定性监测监控、分析预测和防控决策的智能化)技术还不成熟。
1.1 露天矿边坡安全智能评价研究内容框架
冯夏庭教授最早从20世纪末21世纪初提出智能岩石力学理论框架[13]，系统建立了岩石力学智能分析方法，推动了岩石力学的理论发展，尤其是近10 a来随着物联网技术、云计算技术和人工智能理论的飞速发展，加上矿山数字化、信息化水平的提升，极大促进了矿山围岩稳定性及安全防控智能化水平的发展。对于露天矿边坡安全智能化技术，其内容框架包括边坡稳定的“智能感知、智能分析预测和智能决策调控”3方面的要素(图1):
(1)智能感知技术包括高性能智能传感、可靠传输装置装备及数据传输存储显示技术，矿山安全生产信息大数据感知描述方法，矿山特征的深度处理与安全信息发布，解决矿山全息采集与可靠传输技术问题，解决矿山物联网大数据高效接入、存储、计算与交互难题。
图1 露天矿安全生产智能评价流程[14]
Fig.1 Intelligent evaluation process of open pit safety production[14]
(2)智能分析预测方法包括矿山边坡安全判识模型与分析方法，物理与虚拟矿山信息融合可视化技术，矿山生产安全大数据解析方法及灾害预测预警技术，形成面向矿山物联网应用服务的大数据智能分析理论基础。
(3)智能决策调控技术包括构建矿山安全生产全过程安全评价体系、安全应急救援体系、灾后恢复重建体系，实施智能管控、灾害发布、预案编制、应急方案，矿山物联网云交互技术与服务平台，包括安全生产设备与系统协同管控平台、远程在线诊断综合服务系统、安全态势分析及预测预警指标系统，构建“云交互数据管道”的云平台架构，最终目标是创新矿山安全生产管理与决策服务模式，实现“零伤亡”。
1.2 露天矿边坡稳定智能监测方法和设备发展现状
岩质边坡智能感知技术装备包括各种滑坡现象的监测仪器，包括坡表位移计、裂缝计、钻孔倾斜仪、锚索测力计和水压监测仪等，其中红外遥感监测法、激光微小位移监测[15] 、合成孔径雷达干涉测量(SAR interferometry,INSAR)[16]、时间域反射测试光纤技术(TDR)[17-18]、无人机摄影测量[19-20]、声发射(微震)监测技术[21-23]等新技术得到广泛应用[24-31]。
随着科技水平的日益提高，测量系统逐渐走向集成化(RTK、网络RTK、超站仪、一机多天线)、自动化(以测量机器人为代表)、智能化(各种遥控、遥传、遥测系统协同)。目前“天-空-地”多手段有机协同监测(坡表位移、应力监测、坡体内部微震监测)是边坡监测的发展趋势，使之成为边坡稳定性分析结果验证的基础，必将对于边坡破坏机理认识、失稳预测及其加固效果研究具有重要的指导作用。
1.3 露天矿边坡滑坡智能分析预测方法研究现状
滑坡智能评价预测的过程是通过工程地质分析[32]、极限平衡[33] 、数值模拟[34]、可靠性分析[35-36]等方法进行边坡稳定性评价计算，掌握边坡破坏机理和规律;在边坡灾害隐患识别及稳定性分区的基础上，结合监测数据分析对潜在失稳的边坡进行滑坡预测预报乃至预警。
滑坡孕育过程分不同阶段，所以滑坡预报分中长期预报(0.5～1 a以上)、短期预报(3～6个月)和临滑预报(一般矿山要求提前量2 h但不能超过24～48 h)乃至预警，其中临滑预报和预警是滑坡预报的难点。目前常用的滑坡预测预报方法包括:斋藤法[37-38]为代表的统计归纳法、灰色系统理论[39-41]、时序分析法[42-47]、基于神经网络[48-51]、突变理论[52]、协同理论[53]、重正化群理论[54]、混沌理论[45]等非线性理论的预测方法[55]、系统理论方法[56-58]、多元信息融合法[59]。其中谢谟文、蔡美峰提出了“信息边坡工程学”的概念[60]，利用现代高精尖测量监测技术，结合大数据、深度学习和智能理论方法进行边坡快速实时信息获取及分析处理，是未来边坡智能评价预测的发展趋势[61-62]。
1.4 露天矿边坡安全防控智能决策方法研究现状
在岩土边坡工程中存在大量不确定因素，“数据有限”和“变形破坏机理理解不清”是确定性分析方法的瓶颈。人工智能是自学习、非线性动态处理、演化识别、分布式表达等非一对一的映射研究方法以及多方法的综合集成研究模式，是建立边坡岩体真实特征、实现边坡稳定性智能决策的新型分析理论和方法。目前边坡稳定性防控智能决策方法包括采用大数据分析、神经网络、深度学习、知识图谱等方法，构建灾害多因素多模式识别模型，实现岩体结构类型、破坏模式智能识别、灾害智能诊断，专家系统推理发布灾情，构建安全服务云平台，给出防控预案。目前广泛使用的边坡岩体智能决策方法有以下8种:
(1)粗糙集理论。粗糙集通过分析评判方法对评价对象的支持度和重要性计算得到权重系数，此理论可以将边坡稳定性影响因素敏感性分析问题转化为粗糙集理论中的属性重要性评价问题而不需要任何先验知识[63-64]，但单纯的使用粗糙集理论不一定能完全有效的描述不精确或不确定问题[65]。
(2)模糊逻辑理论。该理论模拟人脑实施规则型推理，解决因“排中律”的逻辑破缺产生的种种不确定问题。其善于表达界限不清晰的定性知识与经验，在边坡领域中与粗糙集理论的有机结合可以大大降低处理信息的维数，有效分析和发现不精确、不一致、不完整的边坡实例信息与边坡稳定性影响因素集之间的隐含知识与潜在规律，从而得到客观的边坡稳定性评价[66-67]。
(3)支持向量机。支持向量机回归算法(SVR)为将原始数据x映射到高维特征空间得到φ(x)，求解该空间中的线性回归问题。在边坡安全系数的计算中，该算法通过给定一个包含人工选定的边坡稳定性影响因素的样本集，通过模型训练得出影响因素与边坡安全系数间的函数映射关系，具有较好的推广能力[68]。针对边坡工程的复杂性、不确定性、数据不完备性和非线性等特点，在与粒子群优化算法结合后能改善该算法人为选取参数的盲目性和随意性，能准确地获得边坡的稳定性系数[69-70]。
(4)蚁群算法。蚁群算法是一种用来在图中寻找优化路径的机率型算法[71]。鲁棒性较强、参数设置简单的蚁群算法可用于对边坡的最小安全系数与最危险的滑动面的搜索，易与其他方法组合优化的特点可以克服其计算效率低下的不足[72-73]。蚁群算法与支持向量机的方法进行结合时，为了避免人为选择支持向量机模型参数的盲目性，提高模型预测精度和泛化能力，俞俊平等[74]引入改进的蚁群算法对支持向量机模型参数进行寻优，得到的模型精度更高，具有更强的泛化能力，预测结果更加合理。
(5)贝叶斯算法。贝叶斯分类算法是统计学的一种分类方法，它是一类利用概率统计知识进行分类的算法[3]。其特点在于能运用到大型数据库中，而且方法简单、分类准确率高、速度快。在边坡稳定性预测中存在许多不确定因素，导致边坡稳定模型和实际的边坡系统之间始终存在着差异，造成模型预测结果和实际情况的偏差，最终导致了设计值的不确定性，严重影响了边坡的安全性和可靠性[75]。贝叶斯算法利用边坡稳定性的主要影响因素和滑坡的稳定状态建立边坡稳定性预测模型，提高了边坡可靠度评估结果合理性[76]。
(6)信息量法。信息量法提出某种地质因素提供发生滑坡的可能性是通过计算其信息量来度量的,即用信息量大小来评价地质因素及其状态与滑坡发生的关系(即危险性)。该方法能解决层次分析法过分依赖专家主观经验的问题[77]并且能够将不同因素统一到同一维度进行比较。在与Logistic模型相结合时将信息量计算方法的严密性与逻辑回归评价结果以概率模式显示，结果更加直观[78]。
(7)多元逻辑回归。多元逻辑回归(Logistic回归)是对受多因素影响的事物做出定量分析的数学方法,为一种较为常用的基于多元统计理论的滑坡危险性评价方法，其特点在于实现简单，计算代价不高，速度快。多元逻辑回归方法较模糊综合评价法需要更多的统计数据，但其评判客观性强，在使用多个影响因子进行滑坡危险性评价时预测结果较为准确[79-80]。
(8)决策树模型。决策树(Decision Tree)为在已知各种情况发生概率的基础上，通过构成决策树来求取净现值的期望值≥0的概率，评价项目风险，判断其可行性的决策分析方法[81]。该方法简单、直观、准确率高，能够利用分析出的滑坡主要影响因素的概率判断是否发生滑坡，是直观运用概率分析的一种图解法[82]。
随着人工智能和大数据的发展，目前边坡岩体智能决策领域未来发展的主要技术有:
(1)深度学习。深度学习是指基于样本数据通过一定的训练方法得到包含多个层级的深度网络结构的机器学习过程[83-84]。深度学习作为实现人工智能的一种方法，可以通过建立分析学习的神经网络以及大量边坡数据样本的训练模仿人脑的工作机制去解译边坡数据与边坡状态的各种潜在联系。近年来随着人工智能技术的飞速发展，深度学习被广泛应用于边坡岩性、破坏模式识别以及边坡稳定性评价、预警中。
(2)专家系统。专家系统是一种智能的计算机程序系统，它应用人工智能技术和计算机技术来模拟人类专家的推理思维过程[85]。在边坡工程领域，它收集相关专家在边坡稳定分析与失稳防护工作积累的工作经验和知识，发掘边坡稳定性影响因素与边坡稳定状况、破坏模式、加固措施之间的潜在规律，对新输入的边坡参数进行推理判断，模拟人类专家给出边坡稳定性评价、破坏模式预测以及加固方案建议，从而为边坡工程提供及时、可靠的指导[86-87]。
(3)灾害预警云平台技术。灾害监测云平台是借助于云计算技术基于专家系统构建的一种的新型应用平台[88-90]。边坡致灾机理复杂，很难通过单一预警手段实现有效的临灾预警，边坡灾害监测云平台通过接收多种监测信息，使用理论或经验公式、监测预警阈值、数理统计方法以及智能算法等对实时数据进行处理，得到监测数据与边坡灾害之间的隐含关系，结合不断修正的数值模拟结果，对边坡安全条件进行风险等级判别，并利用信息发布平台及时发布预警信息及避险建议。与传统监测预警方式相比，灾害监测云平台的实时性、高效性、可靠性显而易见。
目前边坡灾害防控不能实现智能决策，以人为干预决策为主，缺乏科学依据。原因是滑坡智能决策是一个复杂的系统工程，主要体现在地质条件的不确定性、采矿工程动态性、滑坡因素和力学机理的复杂性，所以做到智能决策涉及到内外因素交互影响作用。目前矿山生产过程中大量的案例和数据集合提供了训练样本，同时多种人工智能化算法奠定了理论基础，综上所述，露天矿边坡岩体现场监测+力学理论分析+案例大数据分析及智能诊断的有机协同统一是评价矿山边坡工程稳定性智能分析决策的必由之路。云平台、人工智能方法、大数据分析是串联上述3方面环节有机融合的有效手段。
2 露天矿边坡智能评价研究存在的问题及发展趋势
2.1 露天矿边坡智能评价研究存在的问题
露天矿边坡工程具有“动态”特征:① 采矿活动的多样性(加陡、到界、闭坑、内部排土，井工采动或露天转井下)和影响因素(水、爆破)的复杂性;② 边坡工程的经济-安全的时效性(服务年限内的安全);③ 边坡岩体的可变形性及失稳不可回避性(在不影响生产前提下忍受局部边坡破坏，追求最大效益化的最陡边坡角);④ 边坡工程稳定发展的动态性(自始至终处于复杂的动态开挖、回采过程中);⑤ 边坡稳定性主观认识的阶段性及循环性(露天矿开挖本身就是一种最有效的勘察，尽量做好不同阶段边坡稳定认识和设计生产的衔接);⑥ 露天矿滑坡安全风险和经济效益的相互制约性，安全是保障，效益是动力，在动态博弈过程中如何在安全保障的前提下实现生产效益最大化，科学性、智能性的优化理论和方法是技术关键。
目前的边坡岩石力学评价方法考虑的是影响岩体质量的静态因素，如岩石材料性质、岩体结构特征以及地质赋存条件等，适用于水利、水电、交通等岩体工程的地质勘察和工程初步设计。现有岩体分级系统忽略了矿山采动岩体破坏的动态触发因素(水压变化、爆破震动、工程开挖等)，指出未来岩体质量评价方法应综合考虑动态触发因素和岩体破坏程度[91]。
上述露天矿边坡工程动态特征，使得滑坡智能预报预警存在以下问题:
问题1:露天采矿工艺流程复杂性，导致了其数据具有多源、异构、多解性、时空尺度不统一。矿山大数据(地质、采矿、监控、设备、管理等)涉及几十个作业流程、数百个组态，难点在采矿流程中数据的时间、空间复杂性、地质体不确定性与采矿生产动态性。多元异构监测数据不能有机融合，无法形成协同变形趋势判据分析。
问题2:滑坡岩石力学机理复杂，灾害风险较大，不能实现生产过程的安全性超前评价及预警。边坡岩体结构复杂(空间变异性和时间衰减性)，数据不完备的复杂地质系统与理论严密的力学模型之间相互脱节(衔接不好)使得监测数据、力学分析、专家认识3方面的评价标准难以形成统一的认识。
问题3:滑坡预测预报理论模型多样性，模型的判据指标和阈值难以确定。Emanuele Intrieri等[92]总结了基于运动学参数预测边坡临滑阈值的方法，包括由位移数据的经验公式计算与归一化处理得到速度阈值、对位移-时间曲线求导获取的切线角阈值，将临滑前3 h内与24 h内的平均加速度作比得到的比值阈值。这些方法得到的阈值都具有参考价值，但用于边坡的临滑判断仍具有一定的局限性:① 预报模型较多，每种模型使用条件不同:蠕变等力学理论模型适用条件为中长期预报,缺点是不能考虑触发因素;时序统计模型(灰色，神经网络，黄金分割、Verhust，风险概率，尖点突变等)依托实例反演数据外推，适用临滑预报，缺点是缺乏理论依据，预报条件不充分，事后验证结果好，先验性预报能力差;多元信息融合模型，优点是多维信息、多指标协同分析，缺点是多参数难以统一划归。难以确定阈值，设定固定的阈值很容易误报，产生“狼来了”不良后果。② 预测预报参数指标较多:位移、位移速度、加速度，其他(裂缝、微震)等，单一测点的数据(位移、应力)受环境因素影响较多，其突变不代表边坡整体失稳，对应区域化监测数据的异常如何在时空整体上进行分析。③ 滑坡破坏行为可将滑坡分为渐变型、突发型和稳定型3种类型，不同滑坡类型没有成熟的评价指标体系、阈值、模式识别方法和数学模型。
滑坡预测预报是世界性的难题，对于露天矿边坡工程智能预报问题，主要体现为多元异构监测数据不能有机融合，无法形成协同变形趋势分析;监测数据、力学分析、专家认识3方面的评价标准难以形成统一的认识。建立“位移时间序列阈值、力学机理分析、案例分析及专家系统诊断”三位一体的智能方法是发展趋势。
2.2 露天矿边坡稳定性智能评价研究趋势
综合边坡稳定性研究的发展趋势、露天矿边坡工程的特点和存在的问题，认为:
(1)从边坡岩体监测实践角度来看，目前的各种监测手段得到数据信息和滑坡力学理论脱节，如何处理和解释这些数据需要岩体损伤力学、波动力学方面的理论方法支持。
据此，建立岩体内部应力积累诱发岩体破坏演化规律与微震活动性之间的内在联系，探求岩体微震活动前兆信息，可揭示采动岩体参数空间变异性和时间衰减性规律，为认清边坡岩体破坏机理和稳定性动态评价提供了判别指标。
(2)从边坡岩体失稳机理及稳定性角度分析，数值分析是揭示滑坡机理认识变形特征和规律的理论方法，基于损伤理论的数值分析手段优点是提供边坡稳定性的全面评价数据和机理解释，但缺点是参数确定和实际有一定的距离，力学参数时空演化规律表征方法缺乏试验数据验证，模拟结果评价标准和监测数据阈值无法统一。
据此，研究边坡岩体内部损伤破坏区的形成机理与强度参数表征方法，建立基于微震监测信息反演的岩体损伤演化力学模型(让强度折减法具有客观依据，让微震监测分析有牢固的力学基础)。这样微震分析有牢固的力学基础解译，力学模型有实证条件标定。
(3)从岩土工程不确定性和力学机理的复杂性角度分析，滑坡地质条件和力学机理十分复杂，导致滑坡类型、成因和条件存在不确定性，但露天矿的特点是采掘过程发生大量的滑坡案例，充分整理分析案例十分重要。目前边坡设计采用的类比法就是认识到案例的重要性，但是缺乏对案例的科学性的深度分析学习，如何把老专家的滑坡工程经验梳理成为知识体系是关键。据此，建立滑坡灾害案例大数据平台，对滑坡案例和目的矿山边坡的隐患点编目建库，采用人工智能、大数据分析、深度学习理论方法进行案例类型、模式、成因智能识别，结合目的矿山边坡进行条件匹配，进行滑坡风险评估和排序，确定重点区域、高风险隐患点，识别其潜在的破坏模式，预测变形发展特征与趋势。
3 露天矿边坡智能评价研究思路和实施方案
3.1 露天矿边坡智能评价研究思路
郑颖人提出的滑坡预测预报研究的思路[93]为:通过滑坡宏观现象观察，监测数据分析与数值计算等多种手段，建立全过程标准体系，引进稳定安全系数定量标准和判据，进行持续、全过程的综合分析分阶段进行预报。针对露天矿边坡工程特点，笔者提出了“位移时间序列阈值、力学机理分析、专家系统诊断”三位一体的智能方法(图2):首先，分析目标矿山边坡工程地质条件，构建案例库、知识库和专家系统，建立灾害多因素多模式识别数学模型(深度学习知识图谱)开展分析案例，进行案例聚类和模式匹配;其次，开展目标矿山边坡的参数测试及力学机理计算评价，划分不同等级安全区域，识别隐患区确定滑坡隐患触发因素和条件，建立针对性的监测方案;最后，建立监测预警指标体系和预警阈值，构建案例库、知识库和专家系统-云计算平台，实现建立“位移时间序列阈值、力学机理分析、专家系统诊断”三位一体的智能预警。
图2 三位一体(监测指标、开采因素、理论方程)预警指标体系
Fig.2 Three-in-one(monitoring index,exploit factors,theoretical equation) forewarning index system
3.2 露天矿边坡智能评价研究实施方案
案例库、知识库和专家系统-预警指标确定是复杂的系统工程，实施方案(图3)分3个步骤:
(1)分析露天矿边坡工程地质条件。基础工作包括确定目标露天矿边坡岩体结构类型，分析环境地质条件和采矿因素，建立同类矿山滑坡大数据案例库，通过大量边坡失稳工程案例的分析，收集边坡破坏的各种类的属性特征，如滑坡机制、边坡角度以及工程地质属性，建立专家系统知识库，基于神经网络的算法自动分配权重，根据其对相近矿山进行临滑情况的推理，采用层次分析、模糊聚类、神经网络、深度学习法识别破坏模式和主控因素，把目标矿山边坡的条件和案例库相匹配，得到目标矿山边坡安全状态和潜在的失稳模式。
(2)进行滑坡力学机理分析及隐患识别。在第1个环节工作基础上，通过工程地质模型及其控制条件建立稳定性力学计算模型，进行露天采场边坡破坏机理及稳定性评价计算，根据计算结果划分不同等级安全区域，针对安全区域给出中长期的稳定性预测评价，针对隐患区域边坡结合滑坡机理识别滑坡隐患触发因素和条件，同时有针对性的布置监测方案开展实时监测，为临滑预测预报奠定基础。
(3)监测云平台构建及预测预报预警。通过相关滑坡要素的监测数据时间序列分析，结合环节一案例库匹配得到的滑坡案例控制指标，确定目标滑坡预报模型、预警指标和阈值(图4)，最后通过专家知识推理和环节二理论计算机理分析监测数据时间序列曲线，确定是否预报预警发布滑坡时间、范围，是否启动防控应急预案，最终构建上述3个环节信息综合集成的云平台(图5)。
4 露天矿边坡智能评价实例分析
本节通过大孤山铁矿西北帮滑坡实例分析，基于微震监测数据进行边坡岩体损伤表征和数值模型的修正，标定岩体损伤演化及强度退化指标，给出边坡安全系数变化规律，同时结合滑坡案例库的匹配结果，确定现场数据时序曲线指标阈值(位移累积量、位移速率)，最后科学合理的给出预警警情判别结果，通过云平台实现数据分析、现场模型可视化和预警发布及滑坡诊断。
图3 滑坡预警指标确定的3步骤实施方案
Fig.3 Three step implementation plan for determination of landslide forewarning index
图4 基于变形时间序列曲线和安全系数的边坡滑坡预警指标阈值[94]
Fig.4 Forewarning index threshold of slope landslide based on deformation time series curve and safety factor[94]
图5 边坡监测信息化及智能预警云平台框架[95]
Fig.5 Cloud platform framework of slope monitoring informatization and intelligent forewarning[95]
4.1 大孤山露天矿边坡工程地质分析及边坡监测
作为鞍钢矿业公司[96]四大铁矿石生产基地之一，大孤山铁矿年设计生产能力600万t，矿场封闭圈标高+90 m，截止到2019年底已开采到-330 m水平，形成了长1 620 m，宽1 560 m，高度超过400 m的高陡边坡，是典型的深凹露天铁矿[97]。如图6所示，目前矿山主要有两个矿石开采工作面，分别位于北帮-210 m台阶及以下大孤山矿体和东北帮-198 m平台及以下小孤山矿体。矿石首先由运矿卡车运送至南帮-234 m平台的矿石破碎站，通过初碎后经边坡内部运矿廊道使用皮带运送至地表选矿厂;岩石亦由卡车运输至东帮-198 m平台岩石破碎站，继而由地表皮带输送至胶带排土场。
随着开采深度的不断增加，从2016年6月开始，西北帮-66 m台阶出现平行边坡走向长约105 m的裂缝，裂缝宽度5～10 cm，同时西端帮-66 m水泵站场地及以下边坡坡面出现开裂变形和表层塌滑，如图7(a)所示。此外，长期监测项目表明，大孤山西北边帮的变形场和温度场出现异常。综合以上现象，为保证矿山正常的生产活动，选择西北帮边坡为稳定性监测预警重点研究区域，安装的监测系统成功捕获了2018-05-27发生在-138 m平台至-210 m平台发生的楔体滑坡，如图7(b)所示。
图6 大孤山铁矿地质采矿信息综合三维模型
Fig.6 Comprehensive 3D model of geology and mining information in Dagushan iron ore
图7 大孤山铁矿西北边坡岩体破坏照片
Fig.7 Photos of rock mass failure in northwest slope of Dagushan iron mine
在详细的工程地质调查与推断的基础上，建立大孤山西北边帮的三维地质模型如图8(a)所示。区域边坡岩性主要包括片理化的混合岩、磁铁石英岩、绿泥岩和玢岩，两条平均厚度为6 m的断层相互切割形成一条低品位矿石条带。摄影测量结果表明边坡岩体结构为两组构面控制，平均方位角为179°∠54°和45°∠53°，受地下水弱化影响边坡局部易发生楔体滑坡。区域内主要有3条运输平台，分别位于-66 m台阶、-138 m台阶和-210 m台阶，位于-66 m平台的水泵房负责将坑内汇水抽送至地表。此外，在楔体滑坡处选择垂直于坡表的典型剖面进行后续详细的边坡稳定性数值分析，如图8(b)剖面。
图8 大孤山露天矿西北帮边坡及采场三维地质模型和剖面
Fig.8 Three dimensional geological model and sectional view of northwest slope and stope in Dagushan open pit mine
首先在大孤山铁矿布置一套包括InSAR位移监测和红外温度场监测的长期监测系统。在长期监测项目的选型上，选择大范围、低精度、周期性监测设备用来以相对廉价的方式识别潜在滑坡体，圈定危险区域界线。进而在潜在滑坡区域安装由微震监测、裂缝计和GPS等设备组成的临滑监测系统，用于最终滑坡的预报预警，临滑监测设备应具有高精度、实时在线和可靠度高等特点。其中长期和临滑监测系统相互独立运行，可以充分发挥不同监测设备的特点，利用有限的监测资源优化监测点的空间布置。大孤山铁矿边坡监测系统从2017-01-01开始投入运行，对楔体滑坡的全生命周期进行了跟踪监测。同时在监测周期内研究区域内共有6个台阶被开挖，监测系统布置情况与采矿生产安排如图9所示。
GPS变形监测的结果如图10所示，滑坡初期变形速度在一定范围内振动，无明显突跳，累计变形稳定上升;在滑坡后期变形速度急速上升至4 mm/d，在最后的滑坡阶段变形速度剧升至13 mm/d。变形-时间序列曲线与记录得到楔体滑坡孕育发展直至最终破坏的全过程，可为滑坡预警提供定量化的阈值。微震监测结果如图11所示，微震事件主要集中出现在-66 m台阶至-138 m台阶与-138 m台阶至-210 m台阶两个区域，与滑坡位置有良好的相关性。在监测时段内微震事件有序出现在上述两个滑坡监测区域内，可以利用监测所得微震数据对边坡滑坡发展阶段内岩体损伤进行深入研究。
4.2 大孤山露天矿西北帮边坡稳定性分析
基于损伤力学和地震学矩张量理论，建立了基于微震数据驱动的损伤力学方程，通过边坡微震实时数据映射技术，对边坡岩体表征单元体损伤力学参数进行动态标定，建立了基于微震监测数据驱动强度折减模型[98]，对大孤山边坡西北帮边坡进行稳定性分析，得到动态变化的边坡安全系数。
考虑一个单位体积的岩石单元在外力作用下产生变形，假设该物理过程与外界没有热交换，外力功所产生的总输入能量为U，根据热力学第一定律，有
U=UE+UD
(1)
其中，U为外力对岩石单元作用的总功;UE为单位体积内储存的可释放弹性应变能;UD为受力过程中的耗散能，用于形成单元内部损伤和塑性变形。假定岩石单元的破裂过程属于弹脆性变形，对单元体积内能量耗散与可释放应变能定量关系的简化处理。若将压应力看作为正且假定岩石表现为各向同性，则有
(2)
其中，σ1,σ2,σ3分别为第1，第2，第3主应力；ν为泊松比；E0为岩体未发生破坏前的位体积内岩石初始弹性模量。假定岩体单元分配得到的微震事件能量UM与单元耗散能UD的比值为一固定值(0<η<1)，定义该比值为地震效率η，则有
图9 监测系统与采矿活动甘特图
Fig.9 Monitoring system and Gantt chart of mining activities
图10 基于变形时间序列曲线和安全系数的边坡滑坡预警指标阈值确定
Fig.10 Determination of forewarning index threshold of slope landslide based on deformation time series curve and safety factor
图11 大孤山西北帮边坡岩体微震监测及损伤区分布
Fig.11 Microseismic monitoring and damage area distribution of the northwest slope in Dagushan Iron Mine
UM=ηUD
(3)
其中,地震效率η可以通过爆破事件进行标定。那么该单元的损伤变量为
(4)
将大孤山边坡的稳定性分析按照开挖步骤分成若干个阶段，将每一阶段出现的微震事件映射至对应的数值模型中，模拟边坡岩体在反复开采扰动中的劣化过程，对弹性模型、黏聚力和内摩擦角进行同等程度的弱化，有
ED=E0(1-Dk)=E0(1-Dk-1)(1-Dk)
CD=C0(1-Dk)=C0(1-Dk-1)(1-Dk)
tan φD=tan φ0(1-Dk)=tan φ0(1-Dk-1)(1-Dk)
(5)
式中，Dk为第k步累积损伤;Dk为第k步瞬时损伤;C0和φ0分别为无损伤时黏聚力和内摩擦角;当D = 1时岩体单元完全损伤，D = 0时表示未损伤。
对于所有的微震事件，无论其破坏模式如何，都会在周边形成一个非弹性变形区域，称为视体积，它表示了微震事件波及范围的大小，视体积的计算公式为
(6)
其中，VA为视体积，表示震源非弹性变形区的体积;M为地震距，表示声发射事件强度的大小;E为声发射事件能量;G为剪切模量。将视体积假设为一个球体，在每一步骤对球体内所有岩体单元力学参数进行相同程度折减，则弱化球体的半径R为
(7)
基于上述考虑微震驱动的岩石细观损伤表征方程，标定得到具有动态损伤效应的岩体力学参数场，并基于此对边坡稳定性进行动态评价，结果如图12所示。
图12 基于微震监测数据驱动强度折减方程得到的边坡稳定性评价结果
Fig.12 Evaluation results of slope stability based on driving strength reduction equation from microseismic monitoring data
4.3 大孤山露天矿西北帮边坡滑坡预警云平台
工程类比方法广泛应用于矿山工程中，类似滑坡案例可以为目标滑坡提供预警阈值上的参考[99]。为此构建了包含48个露天矿边坡滑坡案例的数据库，每个滑坡案例的边坡特征、地质条件、失稳过程、监测资料被详细记录。为实现对滑坡特征进行定量化描述，根据露天矿边坡滑坡力学机制、边坡结构特征与工程地质条件，把对边坡稳定起重要作用的特征因素分为9项:滑坡模式、滑面角、滑面表面等级、主要结构面与坡面夹角、岩体质量等级、边坡角、卸荷松动圈深度、地下水水位和降雨量，其中滑面表面等级的定量化可参照文献[94]。目前文献统计缺乏实例矿山相关爆破引起的边坡振动监测数据，爆破影响暂时没有考虑，将在今后的案例因素分析中逐步完善。针对大孤山西北帮结构面控制的楔体滑坡类型，应用智能方法对同类型边坡岩体进行破坏模式识别，依据每项特征因素的特点，分别罗列出该特征因素的可能情况并进行分类，并对该特征因素的不同情况按照实际情况进行打分，称之为特征值，则对于每个滑坡案例i，可形成特征值向量Fi，目标滑坡的特征值向量为G。定义目标滑坡特征值向量与滑坡案例i特征值向量的匹配向量Di:
Di=min(Gj,Fi,j)/max(Gj,Fi,j)
(8)
式中，i=1,2,…,n,n为案例库中滑坡数目；j=1,2,…,9。
同时考虑各特征因素对目标滑坡的影响程度，确定权重向量μ分别为：滑坡模式21.8%、滑面角14.0%、滑面表面等级10.9%、主要结构面与坡面夹角10.0%、岩体质量等级10.0%、边坡角10.0%、卸荷松动圈深度7.8%、地下水位5.4%以及降雨量10.1%，然后定义各滑坡案例与目标滑坡的相似度为
Si=μDi
(9)
针对大孤山西北帮结构面控制的楔体滑坡类型，通过搜索滑坡案例库，见表1，匹配安家岭煤矿、大冶铁矿、抚顺西露天煤矿和国外某铜矿等高相似度滑坡案例，其变形监测数据如图13所示。结合大孤山的变形监测结果，确定大孤山西北帮边坡预警阈值为变形速度10 mm/d。
表1 类似矿山案例库中匹配得到的楔体滑坡
Table 1 Wedge landslide matching in similar mine case base
滑坡案例滑坡模式滑面角滑面表面等级主要结构面与坡面夹角岩体质量等级边坡角卸荷松动圈深度地下水位降雨量相似度/%大孤山铁矿特征值楔体滑坡 4212234547248.20打分646254421—安家岭煤矿特征值楔体滑坡2882732344310.50打分63424352186.81大冶铁矿特征值楔体滑坡 40123448452612.8183.2打分64645443585.12抚顺西露天煤矿特征值楔体滑坡29853234487.32.3打分62413362175.27国外某铜矿特征值顺层滑移 15838—2124—170.0打分32434242560.05
图13 匹配得到的类似矿山案例变形监测数据
Fig.13 Deformation monitoring data of similar mine cases obtained by matching
综合上述结果，建立得到集监测时间序列曲线、力学机理分析、案例推理于一体的边坡稳定性预警体系如图10所示。将滑坡预警划分为蓝色、黄色、橙色和红色4个等级，分别给出对应的变形速率、变形曲线切线角、边坡安全性系数、裂纹扩展情况与微震活动性特征。其中变形曲线切线角主要参考许强[94]的工作，认为等速变形阶段的变形速率v为一恒定值，通过用位移除以v的办法将变形-时间曲线的纵坐标变换为与横坐标相同的时间量纲:
(10)
其中，ΔS为某一监测周期边坡变形量;v为等速变形阶段的位移速率，对于大孤山铁矿西北帮楔体滑坡取稳定变形阶段的平均值1.66 mm/d;T为变换后与时间相同量纲的纵坐标值。则变形曲线的切线角α定义为
(11)
显然当α<45°时，边坡处于初始变形阶段;当α≈45°时，边坡处于匀速变形阶段;当α>45°时，边坡处于加速变形阶段。
对于大孤山铁矿西北边帮楔体滑坡，当边坡变形速度大于10 mm/d，变形曲线切线角大于80°，安全性系数小于0.95，滑坡体上缘裂缝两侧错动急剧增大时，即可认为边坡滑坡进行不可逆的阶段，发布红色预警，封闭附近150 m附近的区域，严禁人员与设备的进入。事后分析表明，红色预警提前于最终滑坡5 d的2018-05-22发布，确保了生命财产的安全。
据此，搭建了大孤山采场滑坡多灾种风险监测预警云平台，设计并开发了12个模块，分别是:登录模块、注册模块、漫游飞行模块、体积分析模块、坡度坡向分析模块、剖面分析模块、空间测量模块、地质信息模块、水文信息模块、边坡力学计算结果信息集成模块、数据监测模块、环境规划模块。每个模块下又包含多个子功能，针对性强，实用性强，且在UI设计上力求界面简洁、操作方便、突出主题，方便了操作人员的使用。同时将系统发布到PC端、移动端和网页，如图14所示，可以实现现场地质模型、采矿要素和多源监测数据、数值模拟所得应力场及损伤场结果集成并真三维动态显示功能，以便于技术人员解读分析多种数据和诊断决策，为露天矿滑坡灾害防控提供决策平台。
图14 大孤山露天矿边坡稳定性监测预警云平台
Fig.14 Cloud platform for monitoring and early warning of slope stability in Dagushan open pit mine
5 结 论
(1)露天矿边坡安全智能化技术内容包括边坡稳定的“智能感知、智能分析和智能决策控制”3方面的要素。其中“重采集，轻分析，重监测，轻预警”的现象一直存在，没有建立大数据智能分析方法和预警指标体系，缺乏智能化的分析和智能决策的理论。
(2)分析露天矿边坡工程特点和智能预报研究现状，认为边坡时空多元异构监测数据、力学计算数据、采掘工程数据不能有机融合，无法形成滑坡协同变形、力学演化趋势分析;监测数据、力学分析、专家认识三方面的评价标准难以形成统一的认识。建立“位移时间序列阈值、力学机理分析、案例大数据分析及专家系统智能诊断”三位一体的智能方法是露天矿边坡研究的发展趋势。
(3)本文的研究思路为：首先构建边坡失稳案例库、知识库和专家系统，通过滑坡灾害多因素多模式识别数学模型分析，进行案例聚类和模式匹配;其次开展目标矿山边坡力学机理计算评价，揭示滑坡机理及识别因素条件;最后结合滑坡力学机理分析和案例匹配结果确定监测预警指标体系和预警阈值，实现 “位移时间序列阈值、力学机理分析、案例匹配及专家系统诊断”三位一体滑坡智能预警，最后构建滑坡智能预警防控云平台。
(4)结合大孤山铁矿西北帮滑坡实例，基于现场微震、变形监测数据进行边坡岩体损伤表征和数值模型的修正，标定岩体损伤演化及强度退化指标，给出边坡安全系数变化规律，同时结合滑坡案例库的匹配结果，确定现场数据时序曲线指标阈值(位移累积量、位移速率、曲线切线角)，最后科学合理的给出预警警情判别结果，通过云平台实现数据分析、现场模型可视化和预警发布及滑坡诊断。该方法通过滑坡机理和实测数据分析的有机结合实现了滑坡评判预测预警，不仅可以提高预测预警的准确性，还可以认清灾害发生原因，为针对性的采取防灾措施提供了技术支撑。
[1] 王青,任凤玉.采矿学[M].北京:冶金工业出版社,2011.
[2] 《中国矿业年鉴》编辑部.中国矿业年鉴(2016—2017)[M].北京:地震出版社,2019:341-355.
[3] 杨天鸿,张锋春,于庆磊,等.露天矿高陡边坡稳定性研究现状及发展趋势[J].岩土力学,2011,32(5):1437-1451，1472.
YANG Tianhong,ZHANG Fengchun,YU Qinglei,et al.Research situation of open-pit mining high and steep slope stability and its developing trend[J].Rock and Soil Mechanics,2011,32(5):1437-1451，1472.
[4] 卢世宗.我国露天矿山边坡研究概况与展望[A].第四届全国工程地质大会文集[C].青岛:中国海洋科学出版社,1992:7-14.
[5] 田会,才庆祥,甄选.中国露天采煤事业的发展展望[J].煤炭工程,2014,46(10):11-14.
TIAN Hui,CAI Qingxiang,ZHEN Xuan.Development prospects of surface coal mining industry in China[J].Coal Engineering,2014,46(10):11-14.
[6] 田会,白润才,赵浩.中国露天釆矿的成就及发展趋势[J].露天采矿技术,2019,34(1):1-9.
TIAN Hui,BAI Runcai,ZHAO Hao.Achievement and developing trend of open-pit mining in China[J].Opencast Mining Technology,2019,34(1):1-9.
[7] 孙玉科,倪会宠,姚宝魁.边坡岩体稳定性分析[M].北京:科学出版社,1988.
[8] 代永新,赵武鹍.露天矿超高边坡灾变影响因素与防控关键技术研究综述[J].金属矿山,2016(11):1-9.
DAI Yongxin,ZHAO Wukun.Overview about disaster factors and critical control technique for super high slope of open-pit mine[J].Metal Mine,2016(11):1-9.
[9] 国家安全生产监督管理总局.金属非金属露天矿山大中型边坡稳定性调查报告[R].2007.
[10] 《2017年全国非煤矿山生产安全事故统计分析报告》发布[J].职业卫生与应急救援,2018,36(3):284.
The report of non coal mine production safety accident statistical analysis in,2017[J].Occupational Health and Emergency Rescue,2018,36(3):284.
[11] 李军.金属非金属露天矿山边坡安全管理建议[J].金属矿山,2010(10):172-17.
LI Jun.Recommendations on the safety management of metal and nonmetal open-pit slope[J].Metal Mine,2010(10):172-175.
[12] 王国法,刘峰,孟祥军,等.煤矿智能化(初级阶段)研究与实践[J].煤炭科学技术,2019,47(8):1-36.
WANG Guofa,LIU Feng,MENG Xiangjun,et al.Research and practice on intelligent coal mine construction(primary stage)[J].Coal Science and Technology,2019,47(8):1-36.
[13] 冯夏庭.智能岩石力学导论[M].北京:科学出版社,2000.
[14] 钟琛,胡乃联,段绍甫,等.有色金属绿色矿山评价体系研究[J].矿业研究与开发,2019,39(7):146-151.
ZHONG Chen,HU Nailian,DUAN Shaofu,et al.Research on evaluation system of green minesin non-ferrous metal industry[J].Mining Research and Development,2019,39(7):146-151.
[15] 史云,陈实,冯苍旭,等.地质灾害监测新仪器——激光微小位移监测系统[J].中国地质灾害与防治学报,2002(1):72-73.
SHI Yun,CHEN Shi,FENG Cangxu,et al.A new instrument on geological hazard monitoring—laser monitoring system on displacement[J].The Chinese Journal of Geological Hazard and Control,2002(1):72-73.
[16] FRUNEAU B,ACHACHE J,C DELACOURT.Observation and modeling of the Saint-Etienne-de-Tine landslide using SAR interferometry[J].Tectonophys,1996,265(3-4):181-190.
[17] 张青,史彦新,朱汝烈.TDR滑坡监测技术的研究[J].中国地质灾害与防治学报,2001,12(2):67-69.
ZHANG Qing,SHI Yanxin,ZHU Rulie.The study on landslide monitoring with TDR technology[J].The Chinese Journal of Geological Hazard and Control,2001,12(2):67-69.
[18] 邓建辉,王浩,姜清辉,等.利用滑动变形计监测岩石边坡松动区[J].岩石力学与工程学报,2002,21(2):180-184.
DENG Jianhui,WANG Hao,JIANG Qinghui,et al.Monitoring the loose area of rock slope with sliding deformation meter[J].Chinese Journal of Rock Mechanics and Engineering,2002,21(2):180-184.
[19] GUO Jiateng,WU Lixin,ZHANG Minmin,et al.Towards automatic discontinuity trace extraction from rock mass point cloud without triangulation[J].International Journal of Rock Mechanics and Mining Sciences,2018,112,226-237.
[20] GUO Jiateng,LIU Shanjun,ZHANG Peina,et al.Towards semi-automatic rock mass discontinuity orientation and set analysis from 3D point clouds[J].Computers & Geosciences,2017,103:164-172.
[21] 徐奴文,唐春安,周钟,等.基于三维数值模拟和微震监测的水工岩质边坡稳定性分析[J].岩石力学与工程学报,2013,32(7):1373-1381.
XU Nuwen,TANG Chun’an,ZHOU Zhong,et al.Stability analysis of hydraulic rock slope based on three-dimensional numerical simulation and microseismic monitoring[J].Chinese Journal of Rock Mechanics and Engineering,2013,32(7):1373-1381.
[22] 贾海波,周春宏.雅砻江锦屏二级水电站招标设计阶段引水隧洞岩爆发生的时空效应研究和防治措施专题报告[R].成都:成都理工大学,2006.
[23] 马克,唐春安,李连崇,等.基于微震监测与数值模拟的大岗山右岸边坡抗剪洞加固效果分析[J].岩石力学与工程学报,2013,32(6):1239-1247.
MA Ke,TANG Chun’an,LI Lianchong,et al.Reinforcement effects of anti-shear gallery of Dagangshan right bank slope based on microseismic monitoring and numerical simulations[J].Chinese Journal of Rock Mechanics and Engineering,2013,32(6):1239-1247.
[24] 唐春安,王继敏.岩爆及其微震监测预报:可行性与初步实践[J].岩石力学与工程动态,2010,89(1):43-55.
TANG Chun’an,WANG Jimin.Rock burst and its microseismic monitoring and prediction-feasibility and preliminary practice[J].Rock Mechanics and Engineering Dynamics,2010,89(1):43-55.
[25] 唐春安.岩石的破裂、失稳及岩爆[M].南京:河海大学出版社,2004.
[26] 李庶林,尹贤刚,郑文达,等.凡口铅锌矿多通道微震监测系统及其应用研究[J].岩石力学与工程学报,2005,24(12):2048-2053.
LI Shulin,YIN Xiangang,ZHENG Wenda,et al.Research of multi-channel microseismic monitoring system and its application to Fankou lead-zinc mine[J].Chinese Journal of Rock Mechanics and Engineering,2005,24(12):2048-2053.
[27] 姜福兴,叶根喜,王存文,等.高精度微震监测技术在煤矿突水监测中的应用[J].岩石力学与工程学报,2008,27(9):1932-1937.
JIANG Fuxing,YE Genxi,WANG Cunwen,et al.Application of high-precision microseismic monitoring technique to water inrush monitoring in coal mine[J].Chinese Journal of Rock Mechanics and Engineering,2008,27(9):1932-1937.
[28] 姜福兴,苗小虎,王存文,等.构造控制型冲击地压的微地震监测预警研究与实践[J].煤炭学报,2010,35(6):900-903.
JIANG Fuxing,MIAO Xiaohu,WANG Cunwen,et al.Predicting research and practice of tectonic-controlled coal burst by microseismic monitoring[J].Journal of China Coal Society,2010,35(6):900-903.
[29] 冯夏庭,陈炳瑞,明华军,等.深埋隧洞岩爆孕育规律与机制:即时型岩爆[J].岩石力学与工程学报,2012,31(3):433-444.
FENG Xiating,CHEN Bingrui,MING Huajun,et al.Evolution law and mechanism of rockbursts in deep tunnels:Immediate rockburst[J].Chinese Journal of Rock Mechanics and Engineering,2012,31(3):433-444.
[30] 杨承祥,罗周全,唐礼忠.基于微震监测技术的深井开采地压活动规律研究[J].岩石力学与工程学报,2007,26(4):818-824.
YANG Chengxiang,LUO Zhouquan,TANG Lizhong.Study on rule of geostatic activity based on microseismic monitoring technique in deep mining[J].Chinese Journal of Rock Mechanics and Engineering,2007,26(4):818-824.
[31] MICHELE Salvoni.Rock damage assessment in a large unstable slope from microseismic monitoring-MMG century mine case study[D].Perth:The University of Western Australia,2017.
[32] 孙广忠.岩体结构力学[M].北京:科学出版社,1988.
[33] 陈祖煜,弥宏亮,汪小刚.边坡稳定三维分析的极限平衡方法[J].岩土工程学报,2001,23(5):525-529.
CHEN Zuyu,MI Hongliang,WANG Xiaogang.A three-dimensional limit equilibrium method for slope stability analysis[J].Chinese Journal of Geotechnical Engineering,2001,23(5):525-529.
[34] 刘汉东,贾金禄.岩土工程数值计算方法[M].郑州:黄河水利出版社,1998.
[35] 祝玉学.边坡可靠性分析[M].北京:冶金工业出版社,1993.
[36] 王家臣.边坡工程随机分析原理[M].北京:煤炭科学出版社,1996.
[37] 伍法权,王年生.一种滑坡位移动力学预报方法探讨[J].中国地质灾害与防治学报,1996,7(S1):38-41,85.
WU Faquan,WANG Niansheng.A dynamic prediction method of landslide displacement[J].The Chinese Journal of Geological Hazard and Control,1996,7(S1):38-41,85.
[38] 晏同珍,殷坤龙,伍法权,等.滑坡定量预测研究的进展[J].水文地质工程地质,1988,15(6):8-14.
YAN Tongzhen,YIN Kunlong,WU Faquan,et al.Progress in quantitative prediction of landslides[J].Hydrogeology and Engineering Geology,1988,15(6):8-14.
[39] 邓聚龙.灰色控制系统[M].武汉:华中工学院出版社,1985.
[40] 陈明东,王兰生.边坡变形破坏的灰色预报方法[A].全国第三次工程地质大会论文选集(下)[C].成都:成都科技大学出版社,1988:1226-1240.
[41] 蒋刚,林鲁生,刘祖德,等.边坡变形的灰色预测模型[J].岩土力学,2000,21(3):244-246.
JIANG Gang,LIN Lusheng,LIU Zude,et al.Prediction grey model for slope displacement[J].Rock and Soil Mechanics,2000,21(3):244-246.
[42] 郝小员,郝小红,熊红梅,等.滑坡时间预报的非平稳时间序列方法研究[J].工程地质学报,1999,7(3):279-283.
HAO Xiaoyuan,HAO Xiaohong,XIONG Hongmei,et al.Research on landslide time forecast by the unstable time series method[J].Journal of Engineering Geology,1999,7(3):279-283.
[43] 周创兵,陈益峰.基于相空间重构的边坡位移预测[J].岩土力学,2000,21(3):205-208.
ZHOU Chuangbing,CHEN Yifeng.Application of phase space reconstruction in slope displacement forecasting[J].Rock and Soil Mechanics,2000,21(3):205-208.
[44] 赵洪波,冯夏庭.非线性位移时间序列预测的进化——支持向量机方法及应用[J].岩土工程学报,2003,25(4):468-471.
ZHAO Hongbo,FENG Xiating.Study and application of genet ic support vector machine for nonlinear displacement time series forecasting[J].Chinese Journal of Geotechnical Engineering,2003,25(4):468-471.
[45] 刘华明,齐欢,蔡志强.滑坡预测的非线性混沌模型[J].岩石力学与工程学报,2003,22(3):434-437.
LIU Huaming,QI Huan,CAI Zhiqiang.Nonlinear chaotic model of landslide forecasting[J].Chinese Journal of Rock Mechanics and Engineering,2003,22(3):434-437
[46] 唐璐,齐欢.混沌和神经网络结合的滑坡预测方法[J].岩石力学与工程学报,2003,33(12):1984-1987.
TANG Lu,QI Huan.Prediction of landslide based on chaos and neural networks[J].Chinese Journal of Rock Mechanics and Engineering,2003,33(12):1984-1987.
[47] 李邵军,冯夏庭,杨成祥,等.基于三维地理信息的滑坡监测及变形预测智能分析[J].岩石力学与工程学报,2004,23(24):3673-3678.
LI Shaojun,FENG Xiating,YANG Chengxiang,et al.Landslide monitoring and intelligent analysis on deformation prediction based on three dimensional geographic information[J].Chinese Journal of Rock Mechanics and Engineering,2004,23(24):3673-3678.
[48] 吕金虎,陈益峰,张锁春,基于自适应神经网络的边坡位移预测[J].系统工程理论与实践,2001,12:124-129.
LÜ Jinhu,CHEN Yifeng,ZHANG Suochun.Slope displacement forecast based on adaptive neural network[J].Systems Engineering-Theory & Practice,2001,12:124-129.
[49] 胡铁松,王尚庆,滑坡预测的改进前馈网络方法研究[J].自然灾害学报,1998,7(1):53-58.
HU Tiesong,WANG Shangqing.Study on improved feedforward network method for landslide prediction[J].Journal of Natural Disasters,1998,7(1):53-58.
[50] 吴承祯,洪伟.滑坡预报的BP-GA混合算法[J].山地学报,2000,18(4):360-364.
WU Chenzhen,HONG Wei.BP-GA mixed algorithms for landslide prediction[J].Journal of Mountain Research,2000,18(4):360-364.
[51] 高玮.基于人工神经网络的岩土工程位移预测研究[J].武汉工业学院学报,2004,23(1):55-61.
GAO Wei.Study on neural network model for displacement prediction in geotechnical engineering[J].Journal of Wuhan Polytechnic University,2004,23(1):55-61.
[52] 黄润秋.突变理论在工程地质中的应用[J].工程地质学报,1993(1):65-73.
HUANG Runqiu.Application of catastrophe theory in engineering geology[J].Journal of Engineering Geology,1993(1):65-73.
[53] 黄润秋,许强.斜坡失稳时间的协同预测模型[J].山地研究,1997,15(1):7-12.
HUANG Runqiu,XU Qiang.Cooperative prediction model of slope instability time[J].Journal of Mountain Research,1997,15(1):7-12.
[54] 秦四清,张倬元,王士天,等.应用重正化群理论探讨斜坡滑动面演化的普适性质[J].地质灾害与环境保护,1993(1):49-52.
QIN Siqing,ZHANG Zhuoyuan,WANG Shitian,et al.Discussion on the universal properties of the evolution of slope sliding surface by using renormalization group theory[J].Journal of Geological Hazards and Environment Preservation,1993(1):49-52.
[55] 张玉池.边坡失稳地球物理特征及其应用研究[D].长沙:中南大学,2007.
ZHANG Yuchi.Study on geophysical feature of slope failure and its Application[D].Changsha:Central South University,2007.
[56] 崔政权,李宁.边坡工程——理论与实践新发展[M].北京:水利水电出版社,2001.
[57] 谢和平,刘夕才,王金安.关于21世纪岩石力学发展战略的思考[J].岩土工程学报,1996，2(4):98-102.
XIE Heping,LIU Xicai,WANG Jin’an.On the development strategy of rock mechanics in the 21st century[J].Chinese Journal of Geotechnical Engineering,1996,2(4):98-102.
[58] 郑颖人,刘兴华.近代非线性科学与岩石力学问题[J].岩土工程学报,1996,18(1):98.
ZHENG Yingren,LIU Xinghua.Modern nonlinear science and rock mechanics[J].Chinese Journal of Geotechnical Engineering,1996,18(1):98.
[59] 韩崇昭,朱洪艳,段战胜,等.多源信息融合[M].北京:清华大学出版社,2006.
[60] 谢谟文,蔡美峰.信息边坡工程学的理论与实践[M].北京:科学出版社,2005.
[61] 谢谟文,蔡美峰,江崎哲郎.基于GPS边坡稳定三维极限平衡方法的开发及应用[J].岩土力学,2006,27(1):117-122.
XIE Mowen,CAI Meifeng,ESAKI Tetsuro.GIS-based three-dimensional slope stability limit equilibrium method and application[J].Rock and Soil Mechanics,2006,27(1):117-122.
[62] XIE M W,ESAKI T,CAI M F.A GIS-based method for the critical 3D slip surface in a slope[J].Computers and Geotechniques,2004,31(4):267-277.
[63] 闫长斌.边坡稳定性预测的粗糙集-距离判别模型及其应用[J].工程地质学报,2016(2):204-210.
YAN Changbin.Rough set-distance discriminant analysis model of slope stability prediction and its application[J].Journal of Engineering Geology,2016(2):204-210.
[64] 何忠明,刘可,付宏渊，等.基于集对可拓粗糙集方法的高边坡爆破施工安全风险评价[J].中南大学学报(自然科学版),2017,48(8):2217-2223.
HE Zhongming,LIU Ke,FU Hongyuan,et al.Safety risk assessment of high slope blasting construction based on set pair-extension analysis[J].Journal of Central South University(Science and Technology),2017,48(8):2217-2223.
[65] 赵佩华,张卫国.粗糙集理论及其内在意义初探[J].太平洋学报,2008(11):66-72.
ZHAO Peihua,ZHANG Weiguo.Rough set theory and its internal significance[J].Pacific Journal,2008(11):66-72.
[66] 李兴,张鹏.基于模糊神经网络的高速公路边坡危险性评价与防护策略[J].公路工程,2018,43(5):305-309.
LI Xing,ZHANG Peng.Risk assessment and protection strategy of expressway slope based on fuzzy neural network[J].Highway Engineering,2018,43(5):305-309.
[67] 陈乐求,彭振斌,陈伟,等.基于模糊控制的人工神经网络模拟在土质边坡安全预测中的应用[J].中南大学学报(自然科学版),2009,40(5):1381-1387.
CHEN Leqiu,PENG Zhenbin,CHEN Wei,et al.Artificial neural network simulation on prediction of clay slope stability based on fuzzy controller[J].Journal of Central South University(Science and Technology),2009,40(5):1381-1387.
[68] 王健伟,徐玉胜,李俊鑫.基于网格搜索支持向量机的边坡稳定性系数预测[J].铁道建筑,2019,59(5):94-97.
WANG Jianwei,XU Yusheng,LI Junxin.Prediction of slope stability coefficient based on grid search support vector machine[J].Railway Engineering,2019,59(5):94-97.
[69] 洪勇,邵珠山,马力.支持向量机在边坡稳定分析预测的应用[J].沈阳建筑大学学报(自然科学版),2017,33(6):1004-1010.
HONG Yong,SHAO Zhushan,MA Li.Application of a support vector machine for analysis and prediction of slope stability[J].Journal of Shenyang Jianzhu University(Natural Science),2017,33(6):1004-1010.
[70] 刘仁志,黄张裕,秦洁,等.基于粒子群优化支持向量机的边坡稳定性预测[J].甘肃科学学报,2019,31(1):99-103.
LIU Renzhi,HUANG Zhangyu,QIN Jie,et al.Slope stability prediction based on vector machine with particle swarm optimization support[J].Journal of Gansu Sciences,2019,31(1):99-103.
[71] GUTJAHR W J.A Graph-based ant system and its convergence[J].Future Generation Computer Systems,2000(16):873-888.
[72] 石露,李小春,任伟,等.蚁群算法与遗传算法融合及其在边坡临界滑动面搜索中的应用[J].岩土力学,2009,30(11):3486-3492.
SHI Lu,LI Xiaochun,REN Wei,et al.Hybrid of ant colony algorithm and genetic algorithm and its application to searching critical slope slip surface[J].Rock and Soil Mechanics,2009,30(11):3486-3492.
[73] 徐飞,徐卫亚,王珂.基于蚁群优化最小二乘支持向量机模型的边坡稳定性分析[J].工程地质学报,2009,17(2):253-257.
XU Fei,XU Weiya,WANG Ke.Slope stability analysis using least square support vector machine optimized with ant colony algorithm[J].Journal of Engineering Geology,2009,17(2):253-257.
[74] 俞俊平,陈志坚,武立军,等.基于蚁群算法优化支持向量机的边坡位移预测[J].长江科学院院报,2015,32(4):22-27.
YU Junping,CHEN Zhijian,WU Lijun,et al.Forecasting slope displacement based on support vector machine optimized by ant colony algorithm[J].Journal of Yangtze River Scientific Research Institute,2015,32(4):22-27.
[75] 李东利,孟强,赵明.边坡稳定不确定性分析的贝叶斯方法[J].河南城建学院学报,2013(5):9-13.
LI Dongli,MENG Qiang,ZHAO Ming.Analysis of Bayesian methods for slope stability model uncertainty[J].Journal of Henan University of Urban Construction,2013(5):9-13.
[76] 胡安龙,王孔伟,邓华锋,等.基于贝叶斯的滑坡稳定性预测对比分析研究[J].灾害学,2016,31(3):202-206，210.
HU Anlong,WANG Kongwei,DENG Huafeng,et al.Comparative analysis of landslide stability prediction based on bayesian theory[J].Journal of Catastrophology,2016,31(3):202-206，210.
[77] 胡芹龙,王运生.基于加权信息量与GIS的滑坡易发性评价[J].水力发电,2018,44(8):31-35.
HU Qinlong,WANG Yunsheng.Landslide susceptibility assessment based on GIS and weighted information value model[J].Water Power,2018,44(8):31-35.
[78] 樊芷吟,苟晓峰,秦明月,等.基于信息量模型与Logistic回归模型耦合的地质灾害易发性评价[J].工程地质学报,2018,26(2):340-347.
FAN Zhiyin,GOU Xiaofeng,QIN Yueming,et al.Information and logistic regression models based coupling analysis for susceptibility of geological hazards[J].Journal of Engineering Geology,2018,26(2):340-347.
[79] 马思远,许冲,田颖颖,等.基于逻辑回归模型的九寨沟地震滑坡危险性评估[J].地震地质,2019,41(1):162-177.
MA Siyuan,XU Chong,TIAN Yingying,et al.Application of logistic regression model for hazard assessment of earthquake-triggered landslides a case study of,2017 Jiuzhaigou(China)MS7.0 event[J].Seismology and Geology,2019,41(1):162-177.
[80] 徐狮,张学焱,柳传毅,等.露天矿边坡稳定性分析评价方法比较研究[J].矿业研究与开发,2016,36(5):94-97.
XU Shi,ZHANG Xueyan,LIU Chuanyi,et al.Comparative study on the analysis and evaluating method for slope stability in open-pit mine[J].Mining Research and Development,2016,36(5):94-97.
[81] 邓锋.自然资源分类及经济特征研究[D].北京:中国地质大学(北京),2019.
DENG Feng.Classification and economic characteristics of natural resources[D].Beijing:China University of Geosciences(Beijing),2019.
[82] 付红伟,张爱华,张志强，等.决策树算法在数据挖掘中的研究与应用[J].科技创业月刊,2008(7):133-135.
FU Hongwei,ZHANG Aihua,ZHANG Zhiqiang,et al.Research and application of decision tree algorithm in data mining[J].Pioneering with Science & Technology Monthly,2008(7):133-135.
[83] 敖志刚.人工智能及专家系统[M].北京:机械工业出版社,2010:164-170.
[84] 谢洪涛,陈帆.基于贝叶斯网络的土质边坡垮塌事故诊断方法[J].中国安全科学学报,2012(9):128-133.
XIE Hongtao,CHEN Fan.Bayesian network based method for diagnosis of soil slope collapse accident[J].China Safety Science Journal,2012(9):128-133.
[85] 周冲,张和生.井工煤矿沉陷区土地复垦评价专家系统初步设计[J].中国水土保持,2013(4):55-58.
ZHOU Chong,ZHANG Hesheng.Preliminary design of expert system for land reclamation evaluation in subsidence area of Jinggong coal mine[J].Soil and Water Conservation in China,2013(4):55-58.
[86] BENGIO Y.Learning deep architectures for AI[M].Boston:Now Publishers Inc,2009:1-127.
[87] RANZATO M,BOUREAU Y,CHOPRA S,et al.A unified energy-based framework for unsupervised learning[A].Proceedings of the Eleventh International Conference on Artificial Intelligence and Statistics[C].2007:371-379.
[88] PALMIERI F,FICCO M,PARDI S,et al.A cloud-based architecture for emergency management and first responders localization in smart city environments[J].Computers and Electrical Engineering,2016,56:810-830.
[89] MONIKA M,ASHIS K P,SUMA D,et al.Cloud based management and control system for smart communities:A practical case study[J].Computers in Industry,2015(74):162-172.
[90] KURTZ W,LAPIN A,SCHILLING Os,et al.Integrating hydrological modelling,data assimilation and cloud computing for real-time management of water resources[J].Environmental Modelling & Software,2017(93):418-435.
[91] PANTELIDIS Lysandros.Rock slope stability assessment through rock mass classification systems[J].International Journal of Rock Mechanics and Mining Sciences,2009,46:315-325.
[92] INTRIERI E,CARL
Tommaso,GIGLI G.Forecasting the time of failure of landslides at slope-scale:A literature review[J].Earth-Science Reviews,2019.
[93] 郑颖人,陈祖煜,王恭先,等.边坡预滑坡工程治理[M].北京:人民交通出版社,2007.
[94] 许强,曾裕平,钱江澎,等.一种改进的切线角及对应的滑坡预警判据[J].地质通报,2009,28(4):501-505.
XU Qiang,ZENG Yuping,QIAN Pengjiang,et al.Study on a improved tangential angle and the corresponding landslide pre-warning criteria[J].Geological Bulletin of China,2009,28(4):501-505.
[95] 刘亚静,姚纪明,冉维维.金属矿山采矿方法优选GIS系统的设计与实现[J].金属矿山,2016(3):121-126.
LIU Yajing,YAO Jiming,RAN Weiwei.Design and realization of gis system for mining method selection of metal mine[J].Metal Mine,2016(3):121-126.
[96] 张宝才,刘树森,陈庆丰，等.大孤山铁矿边帮运输巷道破坏机理研究[J].采矿与安全工程学报,2011，28(1):148-152.
ZHANG Baocai,LIU Shusen,CHEN Qingfeng,et al.Research on failure mechanism of the slope transportation tunnel of Dagushan iron mine[J].Journal of Mining & Safety Engineering,2011，28(1):148-152.
[97] 朱万成,任敏,代风,等.现场监测与数值模拟相结合的矿山灾害预测预警方法[J].金属矿山,2020(1):151-162.
ZHU Wancheng,REN Min,DAI Feng,et al.Prediction and early warning of mining-induced disasters based on combined in-situ monitoring and numerical simulation[J].Metal Mine,2020(1):151-162.
[98] 刘飞跃,杨天鸿,张鹏海,等.基于声发射的岩石破裂应力场动态反演[J].岩土力学,2018,39(4):1517-1524.
LIU Feiyue,YANG Tianhong,ZHANG Penghai,et al.Dynamic inversion of rock fracturing stress field based on acoustic emission[J].Rock and Soil Mechanics,2018,39(4):1517-1524.
[99] 李聪,姜清辉,周创兵,等.基于实例推理系统的滑坡预警判据研究[J].岩土力学,2011,32(4):1069-1076.
LI Cong,JIANG Qinghui,ZHOU Chuangbing,et al.Research on early warning criterion of landslides using case-based reasoning[J].Rock and Soil Mechanics,2011,32(4):1069-1076.
