作为一种常见的自然灾害，滑坡往往会造成巨大的破坏，引发严重的人员伤亡和财产损失^[1-2]。中国是亚洲乃至世界上滑坡灾害最为严重的国家之一，特别是随着经济建设和城镇化的高速发展，城市土地利用向滑坡灾害高风险地区扩展，滑坡灾害呈逐年加重趋势。据初步统计，目前中国地质灾害点超过30万处，威胁1 500多万人和5 000多亿元财产安全。2019年发生在贵州六盘水的“7·23水城县山体滑坡事件”，造成近1 600人受灾，43人死亡，9人失踪，700余人紧急转移安置，直接经济损失1.9亿元^[3]，被应急管理部列入“2019年全国十大自然灾害”之一。开展边坡监测，获取滑坡过程的发展演化信息，构建合理有效的预警模型，可为滑坡灾害预警决策提供科学手段。

位移是滑坡监测中最为常见的参量，目前常见的地表位移监测方法包括摄像摄影(空中或地面)^[4]、全球导航卫星系统(global navigation satellite system, GNSS)^[5]和光纤测量技术^[6]等。受实际地理环境和人员活动影响，这些方法对大气、地形、植被和人为因素的干扰很敏感^[7-8]。深部位移监测能及时发现滑坡的发生及滑动面的位置，反映滑坡的变形机制及发展趋势^[9-10]，但存在量程小、成本高、操作难等问题。声发射是滑坡变形过程中必然会发出的响应信号，可以监测到极慢移动的滑坡，监测成本也相对较小，因此逐渐在滑坡监测预警领域得到关注与研究。早在1981年，Koerner等通过实验表明，坡体变形会产生明显的声发射现象，并且定性说明了信号强度与坡体受到的应力直接相关^[11]。为实现声发射在滑坡监测领域的定量化应用，Dixon等从2003年起进行了一系列的实验研究，采用金属波导管和填充颗粒物形成有源波导。大量有源波导在实验室和现场监测的应用结果表明，与传统的监测仪器相比，有源波导声发射监测具有早期预警的潜力^[12]。2007年，Dixon等首次证明声发射率可用于量化边坡位移速率，二者呈线性关系，且声发射监测系统对微小的位移非常敏感^[13]。2010年以来，基于声发射特征参数的边坡变形监测已经得到广泛应用，具有低成本、高灵敏度和持续可靠监测等优势^[14-16]。

尽管位移监测相较于声发射监测在很多方面存在劣势，土壤含水量、降雨量等水文学监测参量具有较强的地域特征导致难以推广，但是现有的滑坡预警模型大多仍采用位移、土壤含水量、降雨量等参量^[17-18]，尚未建立以声发射参量主导的预警模型。本文将现有的滑坡四级预警模型的监测参量扩展至声发射，建立了声发射主导的滑坡过程预警模型。然后，采用英国拉夫堡大学实验室模拟数据验证了所建立的模型的可靠性，并利用该预警模型成功实现了广东省清远市连南县特大型滑坡的预警。结果表明，基于声发射监测的预警模型是有效的，声发射与位移监测数据之间的趋势一致性明显，而声发射参量在稳定性和预警准确性上都要优于位移。

1 声发射预警模型 1.1 声发射监测参数

目前声发射监测数据处理包括两种思路：1) 信号特征参数法从声发射波形中提取出多种简化特征参数，基于特征参数进行分析；2) 波形分析法直接对声发射波形进行频谱分析^[19]。信号特征参数法是声发射信号分析最常见的方法，该方法通过提取波形信号特征，将声发射原始信号变换为多个特征参数，并对应声发射源的特征，从而解释声发射源的状态。

图 1为突发型标准声发射信号简化波形参数的示意图^[19]，定义了幅度、门槛电压、振铃计数等参数。

1) 幅度：信号波形的最大振幅值，单位常用dB表示。幅度表示声发射信号的直接大小，不受人为设定的门槛电压的影响。

2) 门槛电压：预先人为设定的某一声发射信号大小阈值，超过该阈值则记为一次有效声发射振铃。可根据测量现场实际环境背景噪声大小，灵活调节门槛电压的大小，从而直接影响最后统计得到的振铃计数值。

3) 振铃计数(ring-down count, RDC)：信号超过门槛电压的振荡次数，每越过一次门槛电压记为一次振铃计数。振铃计数可反映信号强度和振动频率衰减情况，其数值直接受门槛电压的影响。

4) 采样频率：采集声发射信号的频率值。

5) 采样长度(点数)：一次测量中所包含的时间序列的长度。

1.2 预警模型建立

现有的滑坡预警模型通常采用变形监测数据，当变形量或趋势达到临界值给出预警信号。许强等的研究表明，滑坡在重力作用下，从开始出现变形迹象到最终的失稳破坏，都要经历3个阶段，即初始变形阶段、匀速变形阶段和加速变形阶段，如图 2所示^[20]。坡体进入加速变形阶段是滑坡发生的基础和前提，因此滑坡的加速变形阶段对于灾害预测预报具有十分重要的意义。根据基于声发射或位移参量表征的变形-时间监测曲线准确地判断滑坡所处的变形阶段，是建立预警模型的关键。本文基于声发射和位移参量，建立并对比研究了两种过程预警模型。

如图 2所示，滑坡发展过程中，变形曲线斜率的变化非常明显。根据加速变形阶段斜率显著超过匀速变形阶段，且斜率出现逐渐增加的趋势，可以识别滑坡加速变形阶段。但这种方法需设定判断阈值，而不同地质环境条件和不同变形状态下的阈值各不相同，阈值设定存在很大困难。近年来小波分析(wavelet analysis, WA)在变形监测数据分析中发挥了重要作用^[21]。一般情况下，监测数据由两部分组成^[22]，

$ x(t)=s(t)+n(t) . $

(1)

式中：x(t)为观测数据，可为位移或声发射监测数据；s(t)为有用信号，主要反映滑坡的真实变形趋势，在时域和频域上是局部化的，表现为低频特性或较为平稳的曲线；n(t)为随机噪声信号，产生的原因可能是监测设备本身缺陷、监测环境噪声等，在整个时域、频域上分布较为均匀。因此，有用信号和噪声信号具有不同的时频特性，采用小波变换可以将二者分离，从而提取有用信号。

当滑坡变形进入加速阶段后，曲线斜率会不断增加。根据变形特点，李秀珍等建立了基于滑坡变形-时间曲线的切线角预警模型^[23]，但该模型存在变形与时间量纲不统一、计算得到的切线角不能唯一确定的问题。为消除量纲差异，在已有的位移数据改进切线角计算方法^[24]基础上，本文提出了基于声发射监测数据的改进切线角滑坡预警模型，采用声发射监测数据除以平均变化速率的方法，将纵坐标量纲变换为与横坐标相同的时间量纲^[24]：

$ T(i)=\frac{\Delta S(i)}{v}, $

(2)

$ \alpha_{i}=\arctan \frac{T(i)-T(i-1)}{t_{i}-t_{i-1}}=\arctan \frac{v_{i}}{\bar{v}} . $

(3)

式中：ΔS(i)是声发射监测数据，本文模型使用累计振铃计数，即从初始时刻到监测时刻i为止所产生的振铃计数总和，单位为次；v是匀速变形阶段的声发射监测数据变化速率，本文模型使用累计振铃计数的平均变化速率，单位为次/s；T(i)是变换后具有时间量纲的纵坐标值，单位为s；α_i为改进切线角，单位为(°)。根据以上算法，参考基于位移参量的预警模型的临界值与预警等级^[22]，可建立如表 1所示的基于改进切线角的滑坡预警模型等级划分。基于声发射参量的滑坡预警模型如图 3所示。

1.3 预警模型验证

利用英国拉夫堡大学实验室的滑坡模拟实验平台测量数据^[25]，检验所建立的声发射预警模型的可靠性。英国拉夫堡大学开展了物理模型实验来模拟土质边坡的失稳破坏，利用外部作用力诱发滑坡。他们的实验团队测量了滑坡过程中声发射与位移变化数据：声发射监测数据用累计振铃计数表示；位移数据使用高精度柔性位移计(shape accel array, SAA)获取，单位为mm。

利用声发射监测数据进行滑坡预警，以位移作为参照结果进行对比验证。利用MATLAB处理该实验数据。图 4给出了声发射与位移测量数据的分析结果，两组图中分别给出了每种参量的原始测量数据以及经小波变换分离得到的高频信号。从原始声发射和位移测量数据中较难看出明确的变形特征与变形阶段的划分，但在高频信号图中可以找出每种参量的高频信号发生明显剧烈波动的时刻，其中声发射约在第86 min，位移约在第95 min。高频信号产生明显波动的时刻与变形速率发生明显增长的时刻吻合较好，证实了可通过识别高频信号开始大幅波动的时刻，来识别滑坡加速变形阶段。计算结果表明，声发射曲线的匀速变形阶段为0~86 min，位移曲线的匀速变形阶段为0~95 min。

基于已划分的匀速变形时间段，可得到匀速变形阶段的变形速率，再计算改进切线角进行滑坡过程预警。由实验数据计算得到的预警结果如图 5所示，图中用黄色、橙色和红色的虚线表示预警级别。图 5表明，声发射和位移测量数据均可及时在加速变形阶段给出预警指示，其中声发射参量约在86 min给出橙色预警，在95 min给出红色预警；位移参量约在90 min给出橙色预警，在98 min给出红色预警。比较图 5中的两条曲线可见，声发射预警结果曲线增长趋势更加明显，预警时间也更为提前。

2 声发射预警模型实证研究

广东省连南瑶族自治县大坪镇大掌村代间、表达组特大型滑坡(简称为连南滑坡)位于连南县县城约240°方向、直线距离约23 km处。该滑坡体所处山坡最早于20世纪60年代发现变形迹象，并于1995年由暴雨诱发形成滑坡，滑坡体呈锥形，顺坡长约50 m，滑坡前缘宽约23 m，滑坡厚度3~5 m。2016年6月13日，受连续强降雨影响，滑坡体变形加剧。经实地勘察，该特大型滑坡危害程度大、影响范围广，直接影响356户村民，总人数达1 642人。本实验团队于2021年1月初对该滑坡隐患点开展数据监测，安装高精度柔性位移计与声发射监测装备，不间断测量坡体变形情况，实地场景如图 6所示。声发射监测装备为团队自研，包括阵列式有源波导管、声发射采集通信模块等。本节将介绍所安装的声发射传感器相关参数，展示处理近一年的监测数据并进行预警分析，考察所建立的声发射预警模型在野外实地应用的效果。

2.1 声发射传感器

本次监测使用的声发射传感器来自清诚声发射研究(广东)有限公司，型号为GI40(SRI40)，属于内置放大式传感器，将前置放大器与传感器集中到一个外壳中。其相关参数如表 2所示。

在实地安装前，针对该传感器进行了相关的预实验以验证其可靠性。搭建了声发射信号采集系统，包括声发射传感器、采集卡和SAEU3H声发射软件。设置前置放大器放大额度为40 dB，门槛电压设定为40 dB，采样频率为10 MHz，采样长度为2 048个点。预实验方案模仿断铅实验，将声发射传感器探头紧贴桌面，用指关节敲击桌面产生变形进而引发声发射现象，由计算机记录一次完整的声发射事件产生的信号，再将信号文件导出后人工计算声发射振铃计数，并与计算机直接输出的结果进行比较。声发射信号强度和振铃计数是两个主要特征参数。

2.1.1 声发射信号

声发射信号采集系统软件获取的直接结果包括电压信号数据和到达时间，描述电压信号强度常用dB为单位。当表示两种电压或电流值或类似声量(如声压或质点速度)之比时，以dB为单位的信号强度值等于电压或电流比的常用对数的20倍。在声发射测量中，往往选取1 μV的电压信号作为参考电压，再考虑前置放大器的放大增益，将直接测量得到的电压信号U_A转化为以dB为单位的信号强度(S)，

$ S / {\rm{d B}}=20 \lg \left(U_{A} / 1 \mu {\rm V}\right)-40. $

(4)

式中U_A表示任一时刻声发射电压信号大小，单位为μV。当式(4)计算结果出现负值时，表示该电压信号位于门槛电压以下，可忽略不计。图 7展示的是一次采样长度为2 048个点的声发射实验结果。相邻两个数据点的时间间隔为10^-7 s=10^-4 ms=0.1 μs，故一个采样长度为204.8 μs=0.204 8 ms。从图 7所示的信号强度波形图看，由于部分负值信号的存在，一个采样长度内的声发射信号呈现出不连续分布情况，每一个孤立的波形图整体上都表现出类似抛物线形状，信号强度增长到一个最大值随后下降。

2.1.2 振铃计数

振铃计数的定义为声发射信号大小超过门槛电压的次数，因此在进行振铃计数时，需判断信号在增长阶段是否跨过门槛电压，而不需要考虑下降阶段。从波形图分析，只需统计波形图的峰值超过门槛电压的次数。例如，图 7所示的某次采样长度内的波形图中，共有9个波峰超过了门槛电压，故该采样长度内共有9次振铃计数。进行多次重复实验，分别计算其中多个采样长度内的振铃计数，其结果与计算机直接输出结果高度一致，验证了声发射传感器的可靠性。门槛电压的设定参考了声发射信号采集系统的预设值40 dB，经过对波形图像特征的观察和预实验的验证，这一预设值较为适宜，可有效避免漏报或误报。

2.2 预警结果

图 8给出了连南滑坡从2021年1月29日至10月19日的位移和声发射监测数据，测量间隔均为1 h。声发射监测数据使用累计振铃计数表示。采用1.2节建立的过程预警模型进行分析。图 8表明，位移的高频信号曲线中出现两处较为明显的大幅波动，一处位于7月17日，对应于位移曲线短时间小幅增长的时刻，观察位移曲线，发现该时刻并非位移加速增长阶段；另一处位于9月17日，对应后续开始的位移加速增长阶段，但实际滑坡的加速阶段还要再晚10 d左右。声发射的高频信号曲线出现一处较为明显的大幅波动时刻，位于9月28日，从该时刻起声发射监测数据进入加速增长阶段。因此，从实际观测结果来看，声发射监测得到的加速变形阶段比位移更加准确。

对数据进一步处理，分别计算两种监测参量的改进切线角，得到连南滑坡过程预警结果，如图 9所示。图 9中位移预警结果曲线波动较大，在初始时刻即给出橙色甚至红色预警，此时坡体尚未产生明显形变，虽提早预警但更可能产生误报。这是由于位移监测曲线匀速阶段并不稳定，存在多个突变时刻，导致匀速变形阶段的划分存在一定的误差。从9月28日开始，改进切线角持续超过85°，此时对应红色预警阶段。声发射预警结果曲线比位移预警结果曲线更为稳定，可以准确地在加速变形阶段(9月28日)开始给出橙色至红色预警，预警结果更加可靠。

3 结论

本文利用有源波导得到的声发射监测数据，建立了一套基于小波变换和改进切线角的滑坡过程预警模型。然后，利用实验室环境和野外实地环境下的滑坡监测数据进行分析，实现了利用声发射累计振铃计数进行滑坡预警信号分级，并比较了声发射信号和位移监测数据在滑坡预警模型上应用的效果。

基于上述工作，本文得出如下结论：1) 可将滑坡过程预警模型主导监测参量扩展至声发射信号，建立基于声发射监测的滑坡过程预警模型。通过小波变换实现滑坡变形演化阶段的划分，通过改进切线角的计算实现滑坡分级预警。2) 与已有的基于位移监测数据的预警模型相比，声发射监测数据稳定性更好，最终预警结果更加准确，预警效果优于位移监测数据。

未来可通过获取更多的观测数据来验证本研究方法与模型的可靠性。另外，如何通过编程实现高频信号大幅波动时刻的自动化识别，而不是依靠人工观察，也是后续研究的重要方向。