基于强度衰减的Vajont滑坡运动特征非连续变形分析

张迎宾; 董琰; 陈岩岩; 李小琴; 富海鹰; 程谦恭; 魏江涛

doi:10.3969/j.issn.0258-2724.20190913

基于强度衰减的Vajont滑坡运动特征非连续变形分析

doi: 10.3969/j.issn.0258-2724.20190913

张迎宾^1,,
董琰¹,
陈岩岩^{1, 2},
李小琴¹,
富海鹰^1, ,,
程谦恭³,
魏江涛¹

1.
西南交通大学土木工程学院，四川成都 610031
2.
中国市政工程西北设计研究院有限公司，甘肃兰州 730000
3.
西南交通大学地球科学与环境工程学院，四川成都 610031

基金项目: 国家自然科学基金（41977213）；四川省科技基金（20GJHZ0232，2021YFS0321）

详细信息

作者简介:
张迎宾（1983—），男，教授，博士，研究方向为岩土地震工程，E-mail：yingbinz516@126.com

通讯作者:
富海鹰（1971—），女，教授，博士，研究方向为岩土地震工程，E-mail：hyfu@home.swjtu.edu.cn

中图分类号: V221.3
计量
- 文章访问数: 629
- HTML全文浏览量: 323
- PDF下载量: 26
- 被引次数: 19
出版历程
- 收稿日期: 2019-09-20
- 修回日期: 2020-02-23
- 网络出版日期: 2020-03-12
- 刊出日期: 2020-03-12

Effects of Strength Degradation of Sliding Mass on Movement of Vajont Landslide Numerical Simulation Based on Discontinuous Deformation Analysis

1.
School of Civil Engineering，Southwest Jiaotong University，Chengdu 610031，China
2.
CSCEC Aecome Consultants Co., Ltd., Lanzhou 730000，China
3.
Faculty of Geosciences and Environmental Engineering，Southwest Jiaotong University，Chengdu 610031，China

摘要

摘要:
强度衰减是滑坡高速远程运动的重要原因，为了探明滑体强度衰减对滑坡运动能力的影响，以意大利Vajont高速滑坡为例，结合现场调查以及滑坡历史资料，基于岩土体剪切强度衰减理论，利用非连续变形分析（DDA）方法，探讨滑带强度衰减、滑体强度衰减及其共同作用对Vajont滑坡独特运动堆积特征的影响. 研究结果表明：滑带和滑体强度衰减的共同作用造成了Vajont滑坡显著高速运动和独特堆积特征，滑带强度衰减对滑坡运动速度起主导作用，当滑带强度衰减为15.8° 时，监测块体最大速度为5 m/s，当滑带强度衰减为6.9° 时，监测块体的最大速度为19 m/s；滑体强度衰减则对其高速持时具有显著影响，进而大幅提高滑坡运动的远程能力，当滑体强度为40.0° 时，监测块体水平最大位移为140 m，当滑体强度衰减为14.0° 时，监测块体水平最大位移为260 m；数值模拟过程中滑坡呈现出“一体化”运动特征，此特征可用来解释在实际滑坡堆积体高速远程运动过程中保持良好层序的原因.
- 高速远程滑坡 /
- Vajont滑坡 /
- 非连续变形分析 /
- 滑体强度衰减 /
- 数值模拟
Abstract:
The strength degradation is an important reason for the high-speed and long-distance movement of landslides. In order to explore the influence of landslide strength attenuation on landslide movement ability, taking a high-speed Vajont landslide in Italy as an example, combined with field investigation and landslide history data and based on the shear strength attenuation theory of rock and soil mass, the discontinuous deformation analysis (DDA) method is used to study the influence of sliding band strength attenuation, sliding mass strength attenuation, and their joint action on the unique movement accumulation characteristics of the Vajont landslide. The results show that the remarkable high-speed movement and unique accumulation characteristics of the Vajont landslide are the consequences of strength degradation in both the sliding band and the sliding mass. Among them, the strength attenuation of sliding band play a dominant role in the movement velocity of the landslide. When the strength of sliding band is 15.8° and 6.9°, the maximum velocity of the monitored block is 5 m/s and 19 m/s, respectively. Meanwhile, the strength degradation of sliding mass has a significant effect on its high-speed duration and greatly improves the long-distance ability of landslide movement. When the strength of sliding mass is 40.0° and 14.0°, the maximum horizontal displacement of the monitored block is 140m and 260m, respectively. The ‘en masse’ motion character in the sliding mode can explain well the good strata sequence in the slide deposit after the landslide is fully started.
- high-speed slide /
- Vajont landslide /
- DDA /
- strength degradation /
- numerical simulation

HTML全文

随着无人驾驶技术的发展，未来道路上的智能网联车（connected automated vehicle，CAV）将逐渐普及. 但最新研究表明^[1]，预计2045年道路上L4级别的CAV渗透率仅能达到24.8%. 因此，未来很长一段时间内，道路上将普遍呈现由常规车（regular vehicle，RV）、网联人工驾驶车（connected vehicle，CV）和CAV组成的混合交通流. 网联车（CV和CAV）能够提供海量的车辆轨迹数据，而这些数据蕴含了丰富的时空交通信息，是交通状态估计的基础数据之一. 但由于RV无法提供自身的轨迹数据，在智能网联环境下全样本车辆轨迹数据仍难以获得. 因此，如何利用已有的轨迹数据来重构所有车辆的轨迹具有重要的意义^[2].

近年来，有许多学者对车辆轨迹重构问题进行了探讨，主要为基于经典交通流理论和基于统计概率模型的方法. 这些方法按轨迹重构数据来源可分为三大类：定点检测器、移动检测器和多源数据. Coifman^[3]基于双线圈检测器数据和交通流理论，通过在时空图中估计路段行程时间重构车辆轨迹. Rao等^[4]利用车牌识别数据构建了一种车辆路径重构方法，进一步可基于路径对交通网络的历史OD （original-destination）进行估计. Hao等^[5]、Wan等^[6]、Shan等^[7]基于概率论的思想，分别采用随机模型、期望最大化算法（expectation-maximum，EM）及最大似然估计，从微观角度重构浮动车任意相邻采样点之间的运动轨迹. Li等^[8]提出了基于K最近邻回归算法利用不完整轨迹来扩充轨迹样本量. Xie等^[9]基于修正的交通信号配时方案、车辆通过时间和车辆行程时间构建微观仿真环境，实现了对干道车辆轨迹重构. Mehran等^[10]通过融合秒级浮动车数据、音视频数据（audio video interleaved，AVI）及信号控制参数，提出了一种基于变分理论城市干道车辆运行轨迹估计方法，并利用东京一条包含五个交叉口的单行道实测数据进行了方法验证和误差分析. 唐克双等^[11]通过融合视频和定点检测器流量数据，基于交通流理论和交通仿真思想，构建了一种不依赖高频浮动车数据，适用于多车道的轨迹重构方法. 综上分析可知，现有研究均能够对车辆轨迹数据进行有效重构，但均只考虑了人工驾驶环境，未考虑未来智能网联混合交通流的情况. 随着智能网联技术的发展，CAV除了能提供自身轨迹数据外，还能通过感知设备（摄像头和雷达）提供自身一定范围内的车辆轨迹数据. 因此，CAV采集的移动传感数据将会给轨迹重构提供一种新的思路. 如何充分考虑混合交通流环境下不同车辆类型提供的数据，构建全样本车辆轨迹重构模型，是未来CAV环境下车辆轨迹重构亟待解决的关键问题.

为解决该问题，本文拟研究混有RV、CV和CAV的混合交通流全样本车辆轨迹重构方法. 充分利用CAV和CV提供的轨迹数据信息，提出基于跟驰特性的混合交通流轨迹重构模型，并通过仿真试验验证模型在不同交通流密度和CAV渗透率条件下的合理性与有效性.

1. 跟驰特性分析

在本文研究中，不考虑车辆换道的影响，选取较为简单的场景来阐述轨迹重构思想. 在微观交通流分析中，一般采用跟驰模型描述车辆之间的跟驰行为. 该模型认为当前车辆是否加减速与本身速度、前后车速度差和位置差有关. 因此，在已知部分轨迹的情况下，采用该模型可分析相邻轨迹中存在其他车辆轨迹的可能性.

跟驰模型主要可分为五种类型：刺激反应模型、安全间距模型、社会力模型、优化速度模型和低阶线性模型^[12]，均可作为本文轨迹重构的基础模型. 而作为社会力模型的一种，智能驾驶员模型（intelligent driver model，IDM）能够很好地描述熟练驾驶员的驾驶习惯，应用范围更广. 因此，本文以IDM为例描述车辆之间的跟驰特性，如式（1）所示.

$\begin{split} & {a_p}\left( t \right) = {a_{\rm{M}}}\left[ {1 - {{\left( {\dfrac{{{v_p}\left( t \right)}}{{{v_{\rm{f}}}}}} \right)}^\delta } - } \right. \\&\quad \left. {{{\left( {\dfrac{{{s_0} + T{v_p}\left( t \right) + \dfrac{{{v_p}\left( t \right)\left[ {{v_p}\left( t \right) - {v_{p - 1}}\left( t \right)} \right]}}{{2\sqrt {{a_{\rm{M}}}b} }}}}{{{x_{p - 1}}\left( t \right) - {x_p}\left( t \right)}}} \right)}^2}} \right] \end{split},$

(1)

式中： ${a_p}(t)$ 为时刻t车辆 $p$ 的加速度； ${v_{\rm{f}}}$ 为期望速度； ${a_{\rm{M}}}$ 为最大加速度；T为安全车头时距； $b$ 为舒适减速度的绝对值； ${s_0}$ 为最小停车间距； ${v_p}(t)$ 为时刻t车辆 $p$ 的速度； ${x_p}(t)$ 为时刻t车辆 $p$ 的位置； $\delta$ 为加速度指数（一般取4）.

2. 基于IDM的车辆状态估计

2.1 数据环境分析

本文研究的混合交通流中有三种类型的车辆：RV、CV和CAV. 其中，CAV除提供自身的轨迹数据外，还可通过感知设备获取周围一定范围内的车辆位置和状态信息，因此，能提供周围一定范围内车辆的轨迹数据. 混合交通流中不同车辆组成如图1所示. CAV探测范围内的车辆信息均可采集，不论是RV还是CV. CV由于不具备感知设备，所以只能提供自身的轨迹数据. 而RV由于其不具备或未打开联网功能，所以既不能提供自身的轨迹数据，也不能提供周围车辆的轨迹数据.

图 1 混合交通流中不同车辆组成

Figure 1. Composition of different types of vehicles in mixed traffic flow

下载: 全尺寸图片幻灯片

从以上分析可知，在该混合交通流环境下，主要需要对CAV探测范围之外的RV进行轨迹重构. 混合交通流轨迹时空图如所示. CAV两辆（CAV1、CAV2），CV三辆（CV1、CV2、CV3）；将阴影区域A中前一辆CAV探测到的最后一辆车记为 ${{\rm{V}}_{n - 1}}$ ，后面一辆CV记为 ${{\rm{V}}_n}$ ；红色虚线表示CAV轨迹；蓝色点线表示CV轨迹；黑色实线表示RV轨迹；阴影区域A和B即为需要重构轨迹的区域. 在跟驰模型中，本车的跟驰行为主要与前车有关，即前车的轨迹直接影响本车的轨迹. 以阴影区域A为例，若区域A中无其他车辆， ${{\rm{V}}_n}$ 会跟随 ${{\rm{V}}_{n - 1}}$ ，本车 ${{\rm{V}}_n}$ 与前车 ${{\rm{V}}_{n - 1}}$ 构成跟驰行为，可采用跟驰模型进行描述. 但若区域A中还存在未被观测的RV，则本车 ${{\rm{V}}_n}$ 用跟驰模型计算的加速度会与实际加速度存在较大差异. 因此，构建轨迹重构模型试图寻找区域A内的最佳轨迹条数，来实现这种差异的最小化.

图 2 混合交通流轨迹时空图

Figure 2. Spatio-temporal diagram of mixed traffic flow trajectories

下载: 全尺寸图片幻灯片

CV提供的轨迹数据可分为是否在CAV的检测范围内. 当CV在CAV的检测范围内，如图2中的CV1和CV3，这两辆车的轨迹可直接由CAV观测，故该车提供的数据有无对整个模型的求解没有影响. 当CV不在CAV检测范围内时，如图2中的CV2，此时需要利用该轨迹和CAV提供的轨迹重构阴影区域A和B中的车辆轨迹.

2.2 估计插入车辆的速度

车辆时空轨迹示意如所示，图中： ${A_1}{\text{,}} {A_2}{\text{,}}\cdots{\text{,}} {A_k}$ 为时空区域； $k$ 为时间总步数； $\Delta t$ 为时间步长； ${x_n}\left( {\Delta t} \right)$ 为 $\Delta t$ 时 ${{\rm{V}}_n}$ 的位置. 考虑到交通流稳定时，前后车的速度差别较小. 因此，第k个时空区域 ${A_k}$ 中车辆 ${{\rm{V}}_n}$ 的速度 $v_n$ 的估计如式（2）所示^[13].

图 3 车辆轨迹示意

Figure 3. Schematic diagram of vehicle trajectories

下载: 全尺寸图片幻灯片

$\begin{split} & v_n = \frac{{d\left( {{A_k}} \right)}}{{T\left( {{A_k}} \right)}} =\\ &\quad \frac{{ {{x_{n - 1}}\left( {t + \Delta t} \right) - {x_{{{n}} - 1}}(t)} + {{x_{{n}}}\left( {t + \Delta t} \right) - {x_{{n}}}(t)} }}{{2\Delta t}} \end{split},$

(2)

式中： $d\left( {{A_k}} \right)$ 和 $T\left( {{A_k}} \right)$ 分别为区域 ${A_k}$ 的位置差和时间差.

由于插入的RV在区域 ${A_k}$ 中，因此，该车在时刻 $k\Delta t$ 的速度可以用区域 ${A_k}$ 的速度 $v\left( {{A_k}} \right)$ 进行估计.

2.3 估计插入车辆的位置

在任意时刻，插入车辆的位置都需满足与前后车之间的安全间距. 因此，将V_n前插入的第i辆车记为 ${{\rm{V}}_{n,i}}$ ， ${{\rm{V}}_{n,i}}$ 的位置x_n，i只能出现在一定的区间范围内，如式（3）所示.

${x_n}\left( t \right) + {s_0} + l \leqslant {x_{n{\text{,}}i}}\left( t \right) \leqslant {x_{n - 1}}\left( t \right) - {s_0} - l,$

(3)

式中：l为车身长度.

当获得插入车辆的速度和可能位置区间后，可将 ${{\rm{V}}_{n,i}}$ 和 ${{\rm{V}}_n}$ 分别作为前车和后车，而 ${{\rm{V}}_{n,i}}$ 插入位置 ${x_{n,i}}\left( t \right)$ 会对后车 ${{\rm{V}}_n}$ 产生影响，这种影响会反映到后车的加速度上. 因此，可以根据IDM代入式（1）计算 ${{\rm{V}}_n}$ 的加速度 ${{\hat a}_n}\left( {{x_{n,i}}\left( t \right)} \right)$ .

当 ${x_{n,i}}\left( t \right)$ 在可行域内取不同的值时， ${{\rm{V}}_n}$ 会得到不同的加速度. 而当估计加速度 ${\hat a_n}\left( {{x_{n,i}}(t)} \right)$ 与实际加速度 ${a_n}\left( t \right)$ 最接近时，对应的 ${x_{n,i}}\left( t \right)$ 即为要插入车辆 ${{\rm{V}}_{n,i}}$ 的位置.

因此，可构建目标函数求得最优的插入车辆位置，同时考虑到车辆不同时刻的位置即为车辆的轨迹，可选用 ${{\rm{V}}_n}$ 的实际加速度和估计加速度之间均方根误差最小为优化目标，如式（4）所示.

$\min \sqrt {\frac{1}{k}{{\sum\limits_{t = 0}^{k\Delta t} {\left[ {{{\hat a}_n}\left( {{x_{n,i}}(t)} \right) - {a_n}\left( t \right)} \right]^2} }}}.$

(4)

综上，该优化模型的目标函数为式（4），约束条件为 ${{x_{n,i}}}$ 和 ${{\hat a}_n}( {{x{_{n,i}(t)}}})$ ，为典型的非线性优化模型，可用MATLAB自带的函数直接进行求解.

3. 基于IDM的车辆轨迹重构

由第2节的分析可知，得出插入车辆后，可由模型计算其插入的位置和速度. 因此，车辆轨迹重构模型即为需要寻找已知轨迹中间未知轨迹的数量，插入车辆轨迹示意如图4所示. 当插入车辆数已知时，可采用第2节中的方法依次求得每辆插入车辆轨迹的具体位置和速度. 考虑到车辆之间的最小安全间距，插入车辆数m的最大可能取值为N，如式（5）所示.

图 4 插入车辆轨迹示意

Figure 4. Schematic diagram of inserted vehicle trajectories

下载: 全尺寸图片幻灯片

$\begin{split} & N = {\rm{ent}}\left( {\rm{min}} \left\{ {\dfrac{{{x_{n - 1}}\left( 0 \right) - {x_n}\left( 0 \right)}}{{{s_0} + l}},\dfrac{{x_{n - 1}}\left( {\Delta t} \right) - {x_n}\left( {\Delta t} \right)}{{{s_0} + l}},}\cdots, \right. \right. \\ &\quad \left. \left. { \dfrac{{{x_{n - 1}}\left( {k\Delta t} \right) - {x_n}\left( {k\Delta t} \right)}}{{{s_0} + l}}}\right\}\right) . \\[-20pt] \end{split}$

(5)

在车辆 ${{\rm{V}}_n}$ 和车辆 ${{\rm{V}}_{n - 1}}$ 之间依次插入的m辆车( ${{\rm{V}}_{n,1}},{{\rm{V}}_{n,2}},\cdots,{{\rm{V}}}_{n,m}$ ）， ${{\rm{V}}_{n,m}}$ 为距离 ${{\rm{V}}_n}$ 最近的车辆，即为 ${{\rm{V}}_n}$ 的前车. 插入m辆车后，类比式（2），可粗略估计 ${{\rm{V}}_{n,m}}$ 的速度和位置分别如式（6）、（7）所示.

${v_{n,m}}\left( t \right) = {v_n}\left( t \right) - \frac{{ {{v_n}\left( t \right) - {v_{n - 1}}\left( t \right)} }}{{ {m + 1} }},$

(6)

${x_{n,m}}\left( t \right) = {x_n}\left( t \right) - \frac{{{{x_n}\left( t \right) - {x_{n - 1}}\left( t \right)} }}{{{m + 1} }}.$

(7)

在估计插入的速度和位置后，可重构 ${{\rm{V}}_{n,m}}$ 的轨迹. 根据IDM由 ${{\rm{V}}_{n,m}}$ 的轨迹可求出 ${{\rm{V}}_n}$ 的加速度. 插入m辆RV后代入式（1）可计算 ${{\rm{V}}_n}$ 的理论加速度.

此处，选用 ${{\rm{V}}_n}$ 加速度的均方根误差作为衡量标准，则均方根误差最小时对应的 $m$ 即为最佳插入的车辆数，如式（8）所示.

$\mathop {{\rm{arg min}}}\limits_m \sqrt {\frac{1}{k}{{\sum\limits_{t = 0}^{k\Delta t} {\left[ {{{\hat a}_n}\left( {{x_{n,i}}(t)} \right) - {a_n}\left( t \right)} \right]^2} }}}.$

(8)

因此，该问题也为一个非线性优化问题，目标函数为式（8），约束条件为式（1）、（6）、（7）. 综上，当确定最佳插入车辆数量以后，可采用第2节中的方法对每一插入车辆轨迹进行精确地重构.

4. 数值仿真分析

4.1 仿真参数设置

为验证模型的有效性，基于IDM设计元胞自动机进化规则，模拟单车道高速公路交通流运行规律. 所有车辆之间跟驰行为均用IDM描述^[14-15]. 仿真路段长度1000 m，元胞长度0.1 m，仿真时间1000 s，仿真步长1 s. 为使仿真数据更趋向于真实数据，在仿真过程给车辆设置随机减速模拟真实道路上的车流运行状况.

本文共设计两种基准试验方案，第一种方案是将CAV的渗透率恒定为8%，CV渗透率恒定为20%，改变试验中的交通流密度，研究不同交通流密度对模型的影响. 第二种方案将交通流密度设定为70 辆/km，改变CAV和CV的渗透率，研究不同渗透率对模型的影响. 本文IDM的参数^[16]取值为： ${s_0}$ =2 m， ${a_{\rm{M}}}$ =1 m/s²， $T$ =1.5 s， $b$ =2 m/s²， $l$ =4.5 m.

4.2 交通流密度的影响

为研究道路上交通流密度对本文模型结果的影响，将CAV和CV的渗透率分别设定为8%和20%. 首先，可基于仿真试验获取路段的流量-密度-速度关系如图5所示.

图 5 流量-密度-速度关系

Figure 5. Relationship between volume，density and speed of traffic flow

下载: 全尺寸图片幻灯片

由图5可知：仿真路段中的最佳密度为40 辆/km，即当交通流密度大于40 辆/km时，路段上的车辆开始出现拥挤；当交通流密度大于70 辆/km时，车辆的平均速度低于20 km/h，而高速公路中很少出现车辆速度小于20 km/h的情况. 因此，为研究本文模型在不同交通状态下的重构效果，此处将交通流密度设为20、30、40、50、60、70 辆/km. 为避免随机因素的影响，同一交通流密度下采用不同的随机种子进行仿真和轨迹重构，取其平均值作为最终结果. 轨迹重构图像示例如图6所示. 不同交通流密度条件下求得的插入车辆数如表1所示.

图 6 交通流密度为60辆/km时轨迹时空图

Figure 6. Spatio-temporal diagram of the trajectories when traffic flow density is 60 veh/km

下载: 全尺寸图片幻灯片

由表1可知：当交通流密度小于等于40 辆/km时，会出现插入的车辆数小于实际车辆数；而当交通流密度大于40 辆/km时，则出现插入的车辆数大于实际车辆数. 从百分比误差来看，当出现拥堵前，随着交通流密度的增加，模型求得的插入车辆数的误差逐渐减小，插入辆数的百分比误差也逐渐减小；当出现拥堵后，随着交通流密度的增加，模型求得的插入车辆数的误差逐渐增加，插入辆数的百分比误差也逐渐增大. 分析可知，开始拥堵之前，大多数车辆自由行驶，且车辆之间相互干扰较少，所以误差较大. 开始拥堵后，当两辆车之间插入的车辆数较大时，模型求得的插入车辆数会产生一定的误差. 随着交通流密度的增大，车辆之间的间距逐渐减小，出现两辆车之间插入的车辆数较大的情况增多，故插入辆数的误差逐渐增大.

表 1 不同交通流密度条件下插入车辆数估计

Table 1. Estimation of the numbers of inserted vehicles under different traffic densities

交通流密度/ （辆•km⁻¹）	CAV/ 辆	插入车辆/辆	实际车辆/辆	插入误差/辆	插入误差百分比/%
20	2	5.80	6.40	0.60	9.38
30	2	14.05	13.80	0.35	2.54
40	3	15.80	16.05	0.25	1.56
50	4	21.75	21.38	0.31	1.50
60	5	27.85	25.75	2.10	8.16
70	6	31.40	27.25	4.30	15.78
注：表中插入车辆数为多次仿真试验的平均值，因此会出现不是整数的情况；插入误差百分比为插入辆数的误差与实际插入车辆数的百分比.

下载: 导出CSV

| 显示表格

当交通流密度小于60 辆/km时，本文模型求得的插入车辆数的误差小于1辆，误差小于10%. 综上分析可知，本文模型求得的插入车辆数较为准确，适用于高速公路的各种交通状态.

为进一步评估本文模型的轨迹插入效果，选用每一时刻插入车辆的实际和估计位置之间的平均绝对误差（MAE，e_MAE）、平均绝对百分比误差（MAPE，e_MAE）和均方根误差（RMSE，e_MAE）表征重构轨迹的准确性，分别如式（9）～（11）所示.

${e_{\rm{MAE}}} = \frac{1}{k}\sum\limits_{t = 0}^{k\vartriangle t} {\left| {\hat x(t) - x(t)} \right|},$

(9)

${e_{\rm{MAPE}}} = \frac{1}{k}\sum\limits_{t = 0}^{k\Delta t} {\left| {\frac{{\hat x(t) - x(t)}}{{x(t)}}} \right|}\; \times \; {100{\text{%}} },$

(10)

${e_{\rm{RMSE}}} = \sqrt {\frac{1}{k}\sum\limits_{t = 0}^{k\Delta t} {{{\left[ {\hat x(t) - x(t)} \right]}^2}} },$

(11)

式中： $\hat x(t)$ 为插入车辆的估计位置； $x(t)$ 为插入车辆的实际位置.

根据式（9）～（11），可得不同交通流密度下的误差值，如表2所示. 由表2可知：当交通流密度为20 辆/km时，由于需要插入的车辆数过少，所以重构轨迹车辆位置的平均绝对误差相较其他密度较高. 当交通流密度大于20 辆/km时，重构轨迹车辆位置的误差随着交通流密度的增大而增加，但变动幅度不大. 在不同的交通流密度条件下，重构轨迹车辆位置的平均绝对误差的平均值为12.97 m，平均绝对百分比误差的平均值为0.37%，均方根误差的平均值为19.55 m. 从整体上来说，本文模型在不同交通流密度下重构轨迹车辆位置的误差较为稳定.

表 2 不同交通流密度条件下轨迹重构误差

Table 2. Trajectory reconstruction error under different traffic density conditions

交通流密度/ （辆•km⁻¹）	CAV/ 辆	MAE/ m	MAPE/ %	RMSE/ m
20	2	15.02	0.36	18.28
30	2	11.90	0.29	14.30
40	3	12.14	0.31	18.68
50	4	12.30	0.35	20.39
60	5	13.09	0.42	22.19
70	6	13.39	0.52	23.47
平均值		12.97	0.37	19.55

下载: 导出CSV

| 显示表格

4.3 CAV和CV渗透率的影响

CAV和CV提供的数据作为模型的已知数据，研究其渗透率对模型结果的影响尤为重要.

4.3.1 CAV渗透率的影响

为研究不同CAV渗透率对模型结果的影响，将交通流密度设为70 辆/km，CV渗透率设为20%. CAV的检测范围设为100 m. 若车辆在道路上均匀分布，则CAV检测范围包含7辆车. 但考虑到车辆的随机分布和感知设备的误差，此处假设CAV能记录检测范围内车辆数为6. 将CAV渗透率分别设置为4%、6%、8%、10%、12%和14%，研究不同渗透率下的车辆轨迹重构效果，其中，插入车辆数估计误差如表3所示，轨迹重构结果示例如图7所示.

表 3 不同渗透率条件下插入车辆数估计

Table 3. Estimation of the numbers of inserted vehicles under different CAV penetration rates

CAV 渗透率/%	CAV/辆	插入车辆/辆	实际车辆/辆	插入误差/辆	插入误差百分比/%
4	3	45.50	38.70	6.80	17.57
6	4	41.50	35.20	5.80	16.48
8	6	31.40	27.25	4.30	15.78
10	7	29.44	25.44	4.00	15.72
12	8	26.80	23.20	3.60	15.52
14	10	19.60	17.00	2.60	15.29

下载: 导出CSV

| 显示表格

图 7 CAV渗透率为14%时轨迹时空图

Figure 7. Spatio-temporal diagram of the trajectories when CAV penetration rate is 14%

下载: 全尺寸图片幻灯片

由表3可知：当道路上的交通流密度为70 辆/km时，随着CAV渗透率的增加，需要插入的车辆数减少，轨迹重构的难度减小，求出的插入车辆数的误差和百分比误差均逐渐减小；当渗透率只有4%的情况下，模型也能够较好地估计插入轨迹的数量. 因此，本文模型在未来不同渗透率环境下均能很好应用. 进一步，可计算重构轨迹车辆位置误差如表4所示.

表 4 CAV不同渗透率条件下轨迹重构误差

Table 4. Trajectory reconstruction error under different CAV penetration rates

CAV渗透率/%	CAV/辆	MAE/m	MAPE/%	RMSE/m
4	3	16.76	0.68	33.77
6	4	15.69	0.63	28.95
8	6	13.39	0.52	23.47
10	7	12.98	0.51	21.86
12	8	12.23	0.49	19.90
14	10	10.45	0.42	16.45

下载: 导出CSV

| 显示表格

由表4可知：当道路上的交通流密度为70 辆/km时，随着CAV渗透率的增加，重构轨迹车辆位置的误差逐渐减小，即本文模型的准确性逐渐提高. 以MAE为例，当CAV的渗透率在4%～8%范围内时，平均每增加一辆CAV，平均绝对误差减小1.12 m. 当CAV的渗透率在8%～14%范围内时，平均每增加一辆CAV，平均绝对误差减小0.73 m. 因此，当CAV渗透率大于8%时，平均绝对误差趋于稳定.

4.3.2 CV渗透率的影响

将交通流密度设为70 辆/km，CAV渗透率设为8%，研究CV渗透率为16%、18%、20%、22%、24%时轨迹重构结果，如表5所示.

表 5 CV不同渗透率轨迹重构结果

Table 5. Reconstruction results of different CV penetration rates

CV 渗透率/%	CV/辆	插入误差/辆	插入误差百分比/%	MAE/m	MAPE/ %	RMSE/ m
16	11	5.40	0.18	17.46	0.69	32.43
18	13	4.33	0.16	13.98	0.55	24.27
20	14	4.30	0.16	13.39	0.52	23.47
22	15	4.20	0.15	12.93	0.52	21.50
24	17	3.80	0.14	11.50	0.48	19.11

下载: 导出CSV

| 显示表格

由表5可知：随着CV渗透率的提高，插入辆数的误差逐渐减小，插入数量的百分比误差也逐渐减小，即轨迹重构效果不断提升. 此外，车辆位置的误差也越小，即轨迹重构的准确性有所提高.

为研究CAV和CV渗透率对试验结果的影响，以CAV渗透率为横轴，CV渗透率为纵轴，绘制均方根误差热力图，如图8所示.

图 8 均方根误差热力图

Figure 8. Heat map of RMSE

下载: 全尺寸图片幻灯片

由图8可知：均方根误差趋势为随着CAV或CV渗透率的提高，轨迹重构效果逐渐变好. 但与CV渗透率相比，CAV渗透率对结果的影响更大. 分析可知，增加一辆CAV能够获得道路上多辆车的轨迹数据，而增加一辆CV，只能获取该车的轨迹数据. 因此，当CAV渗透率较高时，已知轨迹的车辆较多，此时CV对试验结果的影响较小.

5. 结　论

1）在出现拥堵前，随着交通流密度的增加，本文模型求得的插入车辆数的误差逐渐减小；而在出现拥堵后，随着交通流密度的增加，本文模型求得的插入车辆数的误差逐渐增大.

2）本文模型重构轨迹车辆位置的平均绝对误差在不同的交通流密度条件下均在可接受范围内，即本文模型在不同的交通流密度下均能较为准确地重构所有车辆的轨迹.

3）重构轨迹的准确性随着CAV和CV渗透率的增加而提高. 与CV渗透率相比，CAV渗透率对结果的影响更大. 且当CAV渗透率较低时，本文模型也能较好地重构所有车辆的轨迹.

本文证明了基于跟驰特性的车辆轨迹重构模型的有效性，但选取的场景简单，仅研究了单车道高速公路车辆轨迹重构模型，未来将结合换道模型，研究智能网联环境下多车道车辆轨迹重构模型.

致谢：西南交通大学综合交通大数据应用技术国家工程实验室交大数科创新中心项目（JDSKCXZX202003）和重庆交通大学重庆市交通运输工程重点实验室开放课题（2018TE01）的资助.

图 1 Vajont滑坡的位置

Figure 1. Location of the Vajont landslide

下载: 全尺寸图片幻灯片

图 2 Vajont峡谷两岸地层状况

Figure 2. Stratigraphic conditions on both sides of the Vajont Valley

下载: 全尺寸图片幻灯片

图 3 更新的Vajont峡谷两岸的地层序列（单位：m）

Figure 3. Updated lithostratigraphic columns on both sides of the Vajont Valley (unit: m)

下载: 全尺寸图片幻灯片

图 4 Vajont滑坡俯视图

Figure 4. Vertical view of the Vajont landslide

下载: 全尺寸图片幻灯片

图 5 滑坡堆积体及“飞来峰”的层序保持良好

Figure 5. Well-preserved strata sequence of klippe and slide deposit

下载: 全尺寸图片幻灯片

图 6 滑坡横截面示意

Figure 6. Schematic diagram of landslide section

下载: 全尺寸图片幻灯片

图 7 DDA计算模型（模型A）

Figure 7. Calculation model of DDA (model A)

下载: 全尺寸图片幻灯片

图 8 不同内摩擦角时最前缘块体 1 的位移时间曲线

Figure 8. Displacement-time history of the leading edge block 1 with different friction angles

下载: 全尺寸图片幻灯片

图 9 φ_s = 21.0°，Vajont 斜坡模型最终的状态

Figure 9. Ultimate state of the Vajont slope model with φ_s = 21.0°

下载: 全尺寸图片幻灯片

图 10 φ_s衰减至不同值时DDA模拟滑坡的运动全过程（φ_j = 30.0°）

Figure 10. Whole process of landslide motion by DDA simulation withthe sliding band strength φ_s decaying to different values（φ_j = 30.0°）

下载: 全尺寸图片幻灯片

图 11 φ_s（滑带强度）衰减至不同值时监测块体的位移及速度时程曲线（φ_j = 30.0°）

Figure 11. Time histories of velocity and displacement for monitored blocks with the sliding band strength φ_s decaying to different values (φ_j = 30.0°)

下载: 全尺寸图片幻灯片

图 12 不同φ_j时滑坡最终堆积形态（φ_s = 9.2°）

Figure 12. Ultimate deposit outline of models with the sliding mass strength φ_j decaying to different values (φ_s = 9.2°)

下载: 全尺寸图片幻灯片

图 13 φ_j（滑体强度）衰减至不同值时，监测块体的位移时程曲线（φ_s = 9.2°）

Figure 13. Displacement-time history of monitored blocks with the strength of slide mass φ_j decaying to different values (φ_s = 9.2°)

下载: 全尺寸图片幻灯片

表 1 Vajont滑坡的物理参数

Table 1. Physical parameters of the Vajont landslide

项目密度 ρ/
（ kg•m⁻³）重度 w_y/
（ kN•m⁻³）杨氏模量 E/
GPa 泊松比 μ

基岩 2 700 26.46 19 0.35
滑体 2 700 26.46 15 0.31

下载: 导出CSV

表 2 节理参数

Table 2. Joint parameters

位置黏聚力
c /MPa 内摩擦角
φ_j /（°）抗拉强度/Pa

岩体内部节理 2.5 40（稳定时）
30（破坏后） 0

下载: 导出CSV

表 3 模型控制参数

Table 3. Model control parameters

项目数值

动力系数 1.0
单步允许最大位移率 0.001
时间步/s 0.005
弹簧刚度/（ × 10¹¹ N•mm⁻¹） 1
超松弛系数 1.3

下载: 导出CSV

表 4 滑带内摩擦角不同时滑坡的最大速度

Table 4. Maximum velocities of the landslide with different friction angles of sliding band

φ_s/（°）最大速度/（m•s⁻¹）

6.9 19.47
9.2 16.74
11.4 13.60
15.8 5.05

下载: 导出CSV

参考文献(36)

[1]	MÜLLER-SALZBURG L. The rock slide in the Vajont valley[M]. Springer-Verlag, 1964: 148-212.
[2]	MÜLLER-SALZBURG L. The Vajont catastrophe-A personal review[J]. Engineering Geology, 1987, 24(1/2/3/4): 423-444.
[3]	HENDRON A J, PATTON F D. The Vaiont slide: a geotechnical analysis based on new geological observations of the failure surface: US army engineer waterways experiment station[R]. Washington D. C.: Department of the Army US Army Corps of Engineers, 1985.
[4]	SUPERCHI L, FLORIS M, GHIROTTI M, et al. Implementation of a geodatabase of published and unpublished data on the catastrophic Vaiont landslide[J]. Natural Hazards and Earth System Sciences, 2010, 10(4): 865-873.
[5]	ALONSO E E, PINYOL N M. Criteria for rapid sliding I: a review of Vaiont case[J]. Engineering Geology, 2010, 114(3/4): 198-210.
[6]	PARONUZZI P, BOLLA A. The prehistoric Vajont rockslide:an updated geological model[J]. Geomorphology, 2012, 169(10): 165-191.
[7]	CECINATO F, ZERVOS A, VEVEAKIS E. A thermo-mechanical model for the catastrophic collapse of large landslides[J]. International Journal for Numerical and Analytical Methods in Geomechanics, 2010, 35(14): 1507-1535.
[8]	HABIB P. Production of gaseous pore pressure during rock slides[J]. Rock Mechanics and Rock Engineering, 1975, 7(4): 193-197.
[9]	NONVEILLER E. The Vajont reservoir slope failure[J]. Engineering Geology, 1987, 24(87): 493-512.
[10]	VOIGHT B, FAUST C. Frictional heat and strength loss in some rapid landslides[J]. Geotechnique, 1982, 32(1): 43-54. doi: 10.1680/geot.1982.32.1.43
[11]	ARDOULAKIS I. Dynamic thermo-poro-mechanical analysis of catastrophic landslides[J]. Geotechnique, 2002, 52(3): 157-171.
[12]	PINYOL N M, ALONSO E E. Criteria for rapid sliding Ⅱ.: thermo-hydro-mechanical and scale effects in Vaiont case[J]. Engineering Geology, 2010, 114(3/4): 211-227.
[13]	HU W, HUANG R Q, MCSAVENEY M, et al. Superheated steam,hot CO₂ and dynamic recrystallization from frictional heat jointly lubricated a giant landslide:field and experimental evidence[J]. Earth and Planetary Science Letters, 2019, 510: 85-93. doi: 10.1016/j.jpgl.2019.01.005
[14]	TIKA T E, HUTCHINSON J N. Ring shear tests on soil from the Vaiont landslide slip surface[J]. Geotechnique, 1999, 49(1): 59-74. doi: 10.1680/geot.1999.49.1.59
[15]	FERRI F, DI TORO G, HIROSE T, et al. Low-to high-velocity frictional properties of the clay-rich gouges from the slipping zone of the 1963 Vaiont slide,northern Italy[J]. Journal of Geophysical Research:Solid Earth, 2011, 116(B9): 1-17.
[16]	崔圣华,裴向军,黄润秋,等. 大光包滑坡不连续地质特征及其工程地质意义[J]. 西南交通大学学报,2019,54(1): 65-76. CUI Shenghua, PEI Xiangjun, HUANG Runqiu, et al. Discontinuities and engineering geological significances of strong earthquake-induced daguangbao landslide[J]. Journal of Southwest Jiaotong University, 2019, 54(1): 65-76.
[17]	ZHANG Y B, CHEN G Q, ZHANG L, et al. Effects of near-fault seismic loadings on run-out of large-scale landslide:a case study[J]. Engineering Geology, 2013, 166(11): 216-236.
[18]	ZHANG Y B, WANG J M, XU Q, et al. DDA validation of the mobility of earthquake-induced landslides[J]. Engineering Geology, 2015, 194: 38-51. doi: 10.1016/j.enggeo.2014.08.024
[19]	ZHANG Y B, XU Q, CHEN G Q, et al. Extension of discontinuous deformation analysis and application in cohesive-frictional slope analysis[J]. International Journal of Rock Mechanics and Mining Sciences, 2014, 70(10): 533-545.
[20]	邬爱清,丁秀丽,李会中,等. 非连续变形分析方法模拟千将坪滑坡启动与滑坡全过程[J]. 岩石力学与工程学报,2006,25(7): 1297-1303. doi: 10.3321/j.issn:1000-6915.2006.07.001 WU Aiqing, DING Xiuli, LI Huizhong, et al. Numerical simulation of startup and whole failure process of Qianjiangping landslide using discontinuous deformation analysis method[J]. Chinese Journal of Rock Mechanics and Engineering, 2006, 25(7): 1297-1303. doi: 10.3321/j.issn:1000-6915.2006.07.001
[21]	赵兴权,张迎宾,陈光齐,等. 非连续变形分析方法及其在灾害防治研究中的应用[J]. 西南交通大学学报,2016,51(2): 300-312. doi: 10.3969/j.issn.0258-2724.2016.02.010 ZHAO Xingquan, ZHANG Yingbin, CHEN Guangqi, et al. Discontinuous deformation analysis method and its applications to disaster prevention[J]. Journal of Southwest Jiaotong University, 2016, 51(2): 300-312. doi: 10.3969/j.issn.0258-2724.2016.02.010
[22]	刘军,李仲奎. 非连续变形分析(DDA)方法研究现状及发展趋势[J]. 岩石力学与工程学报,2004,23(5): 839-845. doi: 10.3321/j.issn:1000-6915.2004.05.024 LIU Jun, LI Zhongkui. Current situation and development of DDA method[J]. Journal of Southwest Jiaotong University, 2004, 23(5): 839-845. doi: 10.3321/j.issn:1000-6915.2004.05.024
[23]	姜清辉,周创兵. 岩土工程不连续变形分析计算中的若干问题[J]. 岩石力学与工程学报,2007,26(10): 2014-2026. doi: 10.3321/j.issn:1000-6915.2007.10.009 JIANG Qinghui, ZHOU Chuangbing. Some issues in discontinuous deformation analysis for geotechnical engineering[J]. Chinese Journal of Rock Mechanics and Engineering, 2007, 26(10): 2014-2026. doi: 10.3321/j.issn:1000-6915.2007.10.009
[24]	陈岩岩. Vajont滑坡稳定性及高速运动特征的DDA模拟研究[D]. 成都: 西南交通大学, 2017.
[25]	SEMENZA E. Sintesi degli studi geologici sulla frana del Vajont dal 1959 al 1964[J]. Museo Tridentino di Scienze Naturali, 1965, 16: 1-52.
[26]	SEMENZA E, GHIROTTI M. History of the 1963 Vaiont slide:the importance of geological factors[J]. Bulletin of Engineering Geology and the Environment, 2000, 59(2): 87-97.
[27]	张迎宾,余鹏程,赵兴权. 类梯形山体的地震动力响应分析[J]. 西南交通大学学报,2015,50(3): 435-441. doi: 10.3969/j.issn.0258-2724.2015.03.008 ZHANG Yingbin, YU Pengcheng, ZHAO Xingquan. Analytical solutions of earthquake dynamic responses of trapezoid-like mountain[J]. Journal of Southwest Jiaotong University, 2015, 50(3): 435-441. doi: 10.3969/j.issn.0258-2724.2015.03.008
[28]	TROLLOPE D H. The Vajont slope failure[J]. Rock Mechanics and Rock Engineering, 1980, 13(2): 71-88.
[29]	BOON C W, HOULSBY G T, UTILI S. New insights into the 1963 Vajont slide using 2D and 3D distinct-element method analyses[J]. Geotechnique, 2014, 64(10): 800-816. doi: 10.1680/geot.14.P.041
[30]	SUPERCHI L. The Vajont rockslide: new techniques and traditional methods to re-evaluate the catastrophic event[D]. Padova: Padova University, 2012.
[31]	郑颖人,赵尚毅,孔位学,等. 极限分析有限元法讲座——I岩土工程极限分析有限元法[J]. 岩土力学,2005,26(1): 163-168. doi: 10.3969/j.issn.1000-7598.2005.01.035 ZHENG Yingren, ZHAO Shangyi, KONG Weixue, et al. Geotechnical engineering limit analysis using finite element method[J]. Rock and Soil Mechanics, 2005, 26(1): 163-168. doi: 10.3969/j.issn.1000-7598.2005.01.035
[32]	郑颖人,赵尚毅. 有限元强度折减法在土坡与岩坡中的应用[J]. 岩石力学与工程学报,2004,23(19): 3381-3388. doi: 10.3321/j.issn:1000-6915.2004.19.029 ZHENG Yingren, ZHAO Shangyi. Application of strength reduction fem in soil and rock slope[J]. Chinese Journal of Rock Mechanics and Engineering, 2004, 23(19): 3381-3388. doi: 10.3321/j.issn:1000-6915.2004.19.029
[33]	MACLAUGHLIN M M. Discontinuous deformation analysis of the kinematics of landslides[D]. Berkeley: University of California, 1997.
[34]	MACLAUGHLIN M, SITAR N, DOOLIN D, et al. Investigation of slope-stability kinematics using discontinuous deformation analysis[J]. International Journal of Rock Mechanics and Mining Sciences, 2001, 38(5): 753-762.
[35]	GHIROTTI M. Edoardo semenza: the importance of geological and geomorphological factors in the identification of the ancient Vaiont landslide[M]. Netherlands: Springer, 2006: 395-406.
[36]	BARTON N. The shear strength of rock and rock joints[J]. International Journal of Rock Mechanics and Mining Science & Geomechanics Abstracts, 1976, 13(9): 255-279.

施引文献

期刊类型引用(15)

1.	甘建，王晓明，杨光，朱翔宇，黄乐乐. 钢管连接卯榫接缝预制拼装桥墩抗震性能分析. 公路. 2024(05): 233-239 . 百度学术
2.	欧智菁，曹磊，林上顺，薛文浩，陈治雄. 装配式方钢管约束混凝土桥墩恢复力模型研究. 应用力学学报. 2024(03): 612-620 . 百度学术
3.	林上顺，何乐，夏樟华，秦志清，张乐彤，陈治雄. 榫卯-灌浆套筒混合连接装配式方墩轴压性能研究. 重庆大学学报. 2024(06): 58-67 . 百度学术
4.	林上顺，张建帅，夏樟华，叶世集，赵锦冰. 装配式RC桥墩研究现状及展望. 土木与环境工程学报(中英文). 2024(06): 135-147 . 百度学术
5.	欧智菁，颜建煌，俞杰，林上顺. 装配式圆钢管约束混凝土桥墩抗震试验及计算方法研究. 土木工程学报. 2023(01): 77-89 . 百度学术
6.	林上顺，林永捷，夏樟华，林长庚，赵锦冰. UHPC和预制榫卯混合连接装配式RC桥墩拟静力试验. 桥梁建设. 2023(01): 16-23 . 百度学术
7.	欧智菁，曹磊，薛文浩. 混合接头装配式方钢管约束混凝土桥墩抗震性能研究. 桥梁建设. 2023(01): 40-47 . 百度学术
8.	孟凌霄，孙中华，朱志鑫，许英东，张传平，付涛. 中空夹层预制装配式圆形桥墩抗震性能参数分析. 建筑科学与工程学报. 2023(05): 138-147 . 百度学术
9.	欧智菁，陈玮悦，林上顺，薛文浩. 方钢管约束混凝土桥墩拟静力试验. 重庆大学学报. 2023(10): 40-50 . 百度学术
10.	林上顺，林永捷，夏樟华，赵锦冰，黎雅乐. 现浇ECC和预制榫卯混合连接装配式RC桥墩抗震性能. 交通运输工程学报. 2023(05): 104-117 . 百度学术
11.	夏樟华，林龙镁，林上顺，张伟，姜绍飞. 灌浆套筒混合连接装配式方柱墩偏压性能试验. 沈阳建筑大学学报(自然科学版). 2022(01): 24-32 . 百度学术
12.	林上顺，何乐，夏樟华，张乐彤，叶世集，陈治雄. 榫卯-灌浆套筒混合连接装配式方墩轴压承载力. 郑州大学学报(工学版). 2022(03): 67-72 . 百度学术
13.	林上顺，林永捷，夏樟华，杨切，叶世集. 不同拼接构造的装配式圆柱墩偏压性能试验. 工业建筑. 2022(04): 91-97 . 百度学术
14.	欧智菁，颜建煌，俞杰，林上顺，秦志清. 装配式圆钢管约束混凝土桥墩抗震性能研究. 振动与冲击. 2022(18): 47-54 . 百度学术
15.	林上顺，叶世集，夏樟华，杨切，欧智菁. 采用混合接头的装配式RC圆柱墩轴压极限承载力试验研究. 武汉大学学报(工学版). 2022(12): 1221-1228 . 百度学术

其他类型引用(4)

附加材料(0)

访问统计

点击查看大图

图(13) / 表(4)

计量

文章访问数: 629
HTML全文浏览量: 323
PDF下载量: 26
被引次数: 19

1. 跟驰特性分析
2. 基于IDM的车辆状态估计
2.1 数据环境分析
2.2 估计插入车辆的速度
2.3 估计插入车辆的位置
3. 基于IDM的车辆轨迹重构
4. 数值仿真分析
4.1 仿真参数设置
4.2 交通流密度的影响
4.3 CAV和CV渗透率的影响
5. 结　论

项目	密度 ρ/ （ kg•m⁻³）	重度 w_y/ （ kN•m⁻³）	杨氏模量 E/ GPa	泊松比 μ
基岩	2 700	26.46	19	0.35
滑体	2 700	26.46	15	0.31

位置	黏聚力 c /MPa	内摩擦角 φ_j /（°）	抗拉强度/Pa
岩体内部节理	2.5	40（稳定时） 30（破坏后）	0

项目	数值
动力系数	1.0
单步允许最大位移率	0.001
时间步/s	0.005
弹簧刚度/（ × 10¹¹ N•mm⁻¹）	1
超松弛系数	1.3

φ_s/（°）	最大速度/（m•s⁻¹）
6.9	19.47
9.2	16.74
11.4	13.60
15.8	5.05

基于强度衰减的Vajont滑坡运动特征非连续变形分析

doi: 10.3969/j.issn.0258-2724.20190913

作者简介: 张迎宾（1983—），男，教授，博士，研究方向为岩土地震工程，E-mail：yingbinz516@126.com

通讯作者: 富海鹰（1971—），女，教授，博士，研究方向为岩土地震工程，E-mail：hyfu@home.swjtu.edu.cn

计量

出版历程