公路边坡的安全性是决定公路性能的重要因素之一,极大地影响着工程施工人员和用路者的生命财产安全。为确保公路施工期及运营期的安全,确定人类活动或环境条件对边坡的影响程度,必须对边坡进行整体监测和评估,从而及时发现危险,预先做好防灾措施。然而,目前国内外针对公路边坡的监测工作虽有进展,但仍处于相对被动状态,对监测数据整合度和利用率方面略有不足,边坡安全性评价体系也并不十分成熟。针对上述问题,论文以公路边坡的实时监测数据为研究对象,将多源监测指标的实时监测数据与预测数据有机结合,对公路边坡的安全程度进行评价和预警,为公路边坡的施工和管理提供数据支持和决策依据。主要研究内容包括:1.构建了公路边坡在线监测系统。论文在总结公路边坡基本类型及形变特征的基础上,对边坡的影响因素进行敏感性分析,综合确定公路边坡在线监测系统的数据采集需求,进一步实现边坡监测系统的整体框架设计,对监测指标、监测点及监测网的应用原则进行完善。2.采用基于差分进化算法(Differential Evolution Algorithm,DE)的改进未确知滤波法(Improved Unascertained Filtering Method,IUF)对边坡监测数据进行预处理。论文首先以公路边坡的原始监测数据为研究对象,通过差分进化算法对改进未确知滤波法的参数进行优化设计,并采用DE-IUF法对原始数据序列误差进行识别。然后采用不同插值方法,实现了原始数据缺失或经剔除后的数据序列的插值校正,并分析了不同插值方法的适用性,验证了不同插值方法的可靠性。3.基于长短时记忆网络(Long Short-Term Memory Network,LSTM)对公路边坡的多源实时监测数据进行预测。首先,论文分析了长短时记忆网络的基本结构和运行原理,从而确定了适用于公路边坡监测项目的数据类型和激活函数类型。其次,构建了边坡监测数据的预测模型,分析了学习率、单元值、迭代轮次和隐含层节点数等四项结构参数对预测模型的具体影响,通过比较模型的收敛时间和平均绝对误差,分析得出适用于公路边坡监测数据的最优参数组合,即学习率为0.040,单元值为160,迭代轮次为400次,隐含层共三层,隐含层节点数取15,Drop-out率为0.35时,最小平均绝对误差降低至0.120,LSTM模型对当前监测位移数据的预测效果最佳。最后,分析了监测数据样本个数对预测结果的影响,对模型的预测结果进行综合评定,确定当前7100组监测数据至少需要5680组才能满足预测精度要求。4.建立公路边坡安全性综合评价及预警体系,对公路边坡的实时安全性进行评价。论文首先采用稳定系数和变异系数两无量纲评价指标,以公路边坡实时监测数据与预测数据的组合序列为研究对象,综合判断公路边坡监测点是否安全。其次,综合多源监测指标,构建了“监测指标层→判断准则层→综合目标层”的公路边坡安全性评价层次模型,引入AHP-模糊综合评价法,构建模糊矩阵,计算最大隶属度,根据安全度评价数据集确定公路边坡的实时安全性等级。最后,对公路边坡安全性的预警原则进行总结,进一步综合边坡监测点的微观判断和边坡安全性的宏观判断,建立公路边坡安全性综合评价预警体系,得出了公路边坡的实时安全性评价方法。