Evaluation of landslide susceptibility based on the fuzzy frequency ratio and entropy index: a case study of Chongyi county
-
摘要: 为进一步优化基于频率比模型的滑坡易发性评价,构建了一种基于模糊频率比-熵指数的滑坡易发性评价模型。该模型将模糊信息分配的基本原理及方法引入频率比的计算中,优化了基于滑坡易发性影响因子分级的滑坡信息量统计,提出了模糊频率比的计算方法。在此基础上,建立了模糊频率比与熵指数相结合的滑坡易发性评价模型。以崇义县为例,基于对地质环境和滑坡空间分布特征的系统分析,提取了11个滑坡评价影响因子,构建了滑坡易发性评价指标体系。应用结果表明,与单一的频率比、频率比-熵指数两种模型相比,预测精度可分别提高7.5%和3.6%,高和极高易发区的滑坡频率占比达85.98%,预测成功率曲线的AUC值达0.863 7,均优于未进行频率比模糊优化的评价模型,表明该模型是一种有效且可靠的滑坡易发性评价模型。Abstract: To further optimize landslide susceptibility evaluation based on the frequency ratio model, a landslide susceptibility evaluation model based on the fuzzy frequency ratio-entropy index was constructed. The basic principle and method of fuzzy information distribution were applied to the calculation of the frequency ratio. This method optimized the statistics of landslide information based on the classification of landslide susceptibility influencing factors and put forward the calculation method of the fuzzy frequency ratio. On this basis, a landslide susceptibility evaluation model combining the fuzzy frequency ratio and entropy index was established. Taking Chongyi county as a case study, and based on the systematic analysis of the geological environment and spatial distribution characteristics of landslides, 11 landslide evaluation factors were extracted, and the landslide susceptibility evaluation index system was constructed. The application results showed that the prediction accuracy of this model was 7.5% higher than that of the single model and 3.6% higher than that of the frequency ratio-entropy index model. The proportion of landslide frequency in high and extremely high-prone areas could reach 85.98%. The AUC value of the predicted success curve reached 0.8637. All this implied that the evaluation model without fuzzy frequency ratio optimization was better, indicating that it was an effective and reliable landslide-prone evaluation model.
-
质量轻且具有良好密封性的铝箔,广泛应用于电子、仪表、食品、包装、建筑等领域,成为工业生产和日常生活中不可缺少的材料,实际应用对铝箔的力学性能和表面等质量提出了更高的要求,希望性能更好、质量更高、成品率更高[1-4]。应用在电子、建筑等领域的铝箔,大多是99.0%~99.5%的工业纯铝;应用在铝电容器的铝箔,则是纯度超过99.9%的高纯铝,所以在市场上直接采购到的铝箔,无法直接应用于电容器中,需要采用合适的方法来制备高纯铝。目前尽管我国在全球铝电容器制造中占据重要地位,但是专用于电容器的铝箔材料质量却较为一般,无论是微观组织结构、力学性能,还是其表面质量,与国际先进生产制备技术仍有较大差距。在实际工业生产制备中,多是采用向纯铝中添加部分化学元素,通过改变合金成分,提高纯铝铝箔性能,从而提高纯铝铝箔生产质量。为进一步提升铝箔的质量特别是综合力学性能,多通过增加合金元素例如Cu来提升铝箔坯料性能[5-10]。为进一步明确Cu对电容器用铝箔坯料的影响,推动我国铝箔生产质量的提高,将Cu熔入纯铝中,重点探讨不同的添加量对铝箔坯料组织影响,并分析对力学性能影响,最终总结经验指导生产和研究。
1 试验材料与试验方法
试验所用的原始材料为1A99工业纯铝,对应美国标准(AA)牌号为1 199 Aluminum[11],具体的化学成分如表 1所列。
表 1 1A99工业纯铝的化学成分Table 1. Chemical compositions of 1A99 commercially pure aluminium因为少量元素与微量元素总体占比较低,并不会对试验结果产生明显影响,可以正常试验。
将试验材料通过感应加热机,加热到720 ℃高温使其充分熔化,保温30 min处理后,分别向熔化金属中加入Al总用量分别为0.1%、0.2%、0.3%、0.4%、0.5%(质量分数)的纯Cu,充分搅拌后,维持在720 ℃温度保温10 min,精炼处理后,将析出熔渣去除,将熔化合金注入磨具内。静置一段时间,使金属冷却到室温,每组分浇注5份样品,并以机械将其轧制成厚度为6 mm的铝箔坯料,然后轧制成2.5 mm厚的铝箔坯料,接着轧制成1.25 mm,最后将铝箔(坯料)轧制成0.6 mm厚度。分别将制成的铝箔坯料放置于370 ℃环境中,保温6 h后,随炉冷却,退火操作后获得最终产物,为了探究退火温度对其组织性能的影响,增加一组加热温度325 ℃,保温6 h,随炉冷却的样。
为充分检测在纯铝中加入Cu元素制成的铝箔组织变化与力学性能,采用由日立集团提供TM4000PlusII台式显微镜,对铝箔坯料观察其退火前后显微组织。力学性能则是由苏州检卓仪器提供的SHK-A101材料试验机,针对铝箔坯料在退火处理前后变化完成性能测试。
其操作流程为:先通过铝箔剪切器对铝箔进行剪切,保证切口光滑,以长170 mm、宽15 mm的试样为准,将材料试验机对铝箔样品进行夹紧,以1 mm/min的速度进行匀速拉伸,在位移时记录样品的载荷变化,在样品被彻底拉断后停止记录。同时,应用CHANNEL 5.0,对本试验测得信息进行数据分析,提升数据研究质量。因为本试验仅是添加微量的Cu,所以没有特殊情况,仅以“添加”与“未添加”进行描述。
2 试验结果分析
2.1 纯铝铝箔坯料组织观察
通过光学显微镜对退火处理后未添加与添加不同Cu含量的铝箔坯料显微组织进行观察,并进行对比,研究具体组织变化。图 1是未添加Cu的铝箔坯料显微组织照片,对于未加入Cu元素的工业纯铝,退火后,工业纯铝组织中晶粒比较粗大,平均晶粒大小在50 μm以上,同时晶粒大小分布不均匀。
图 2所示为不同Cu添加量铝箔坯料显微组织照片。从图 2(a)到图 2(e),随着铜添加量增加,轧制铝箔坯料组织中晶粒有变小和均匀化趋势,且观察到第二相粒子均匀分布于晶界及其附近区域[12-15],将纯铜添加至工业纯铝内,在高温作用下,Cu会与α-Al固溶体充分结合,产生铜铝合金。而剩余Cu则会在高温下,与Al进一步反应,产生第二相化合物CuAl2从Al基体中析出。观察已加入Cu元素的铝箔坯料组织,强化相晶粒规格较小,并以等轴方式均匀,使纯铝铝箔坯料具有均匀的组织,稳定提升纯铝显微组织综合性能。
对比图 2(e)与图 2(f),添加0.5%和0.6%纯Cu的铝箔坯料组织中平均晶粒大小都约为10 μm,添加的纯Cu增加0.1%,但铝箔坯料组织中晶粒细化不明显,晶粒的均匀性也没有明显均匀化趋势,所以,轧制纯铝铝箔坯料中选择添加0.5%的纯Cu获得更理想的显微组织。
2.2 Cu对再结晶晶粒影响
对于0.6 mm厚度的铝箔坯料,在退火处理时,除原本的370 ℃外,增设1组325 ℃作为对照组,如图 3所示,未添加Cu的纯铝冷轧板,其晶粒并没有过于明显的边界波动特征,但是添加Cu的纯铝冷轧板,其晶粒则可以观察到明显的波动特征,尤其是边部周围,波动特征会更为明显。这可能由于在温度的影响下,纯铝冷轧板会获得更高的变形率,添加Cu后,会使加工硬化率得到进一步提升。在325 ℃条件下,进行6 h退火处理,未添加Cu的纯铝冷轧板并没有完全完成再结晶过程,应用显微镜仍可以观察到部分区域存在纤维组织, 而其表面位置则具有最多的纤维组织。
但是,在相同的条件下,添加Cu的纯铝冷轧板则完成了再结晶化,形成细小的等轴状晶粒, 晶粒中可以明显看到第二相的细小弥散。在结束370 ℃×6 h退火处理后,未添加Cu的纯铝冷轧板,应用显微镜可以观察到,其平均晶粒规格约在51.2 μm, 而且晶粒也不是完全转化成等轴晶,长轴与短轴之比约为1.87,晶粒规格并不均匀,其数量保持正态分布,即晶粒规格在40~50 μm数量最多,其他规格的晶粒数量相对较少。添加Cu的纯铝冷轧板的平均晶粒规格约为30.4 μm,而且晶粒基本为等轴晶,长轴与短轴之比约为1.33,晶粒规格同样保持正态分布,但是不同规格的晶粒数量分布相对集中,规格在20~30 μm的数量最多。在退火之后,再次结晶化的晶粒规格明显下降,有可能是添加Cu的纯铝冷轧板的冷轧晶粒规格偏小,存在一定的晶界波动,这导致原本较小的晶界面积获得显著提升,使晶界周边存在较多的位错塞积,造成晶格畸变概率明显提升,形核区域也有所增加,在这种条件下,形核率得到有效提升,再结晶速度加快,晶粒规格也随之降低。
2.3 Cu对纯铝铝箔晶粒与组织影响分析
通过光学显微镜对退火处理前后的铝箔显微组织以0.8 μm进行细致观察,并将两者进行对比,研究具体晶粒与组织影响。对于未加入Cu元素的工业纯铝,在退火操作处理后,具有较大规格的晶粒,其数量较多,平均晶粒规格在3.07 m左右,同时晶粒大小并不均匀,这种材料应用于铝电容器的阳极铝箔的制备环节,难以保证拥有良好成品质量,所以需要对其展开进一步的研究[5-6]。将Al总用量的0.5%纯铜添加至工业纯铝内,在700 ℃的高温作用下,Cu会和固溶体充分结合,产生铜铝合金,使纯铝的性能得到稳定提升;而剩余Cu则在高温影响下,与Al进一步发生反应,产生第二相化合物,从Al基体中析出,保证Al的纯度不受影响。观察已加入Cu元素的工业纯铝,强化相晶粒规格明显下降,大多数的晶粒规格较小,其平均晶粒规格在2.65 m左右,并以等轴方式均匀分布,这种变化使纯铝拥有均匀的组织结构, 稳定提升纯铝显微组织的多方面能力,从而提高纯铝的综合性能。而且,向纯铝加入Cu,强化相生成速度加快,在相同处理条件下,添加Cu的纯铝比未添加Cu的纯铝拥有更多强化相。大量强化相有效提高材料应用强度,提高纯铝铝箔实用性。从Al基体中获得的,其拥有可溶性,可以溶在合金中,让纯铝拥有一定量的合金,从而达到强化性能的效果,可以稳定提升合金抗拉性能,提高材料应用质量。所以,将Al总用量的0.5%纯铜作为添加物,加入工业纯铝中,可以使纯铝内部拥有较多、较大规格的晶粒数量有效缩减,以较小规格的晶粒维持纯铝组织结构稳定性,并有效提高组织均匀性,更符合工业生产需求,这也是我国在工业制备纯铝的主要研究方向。
2.4 Cu对纯铝铝箔力学性能影响
2.4.1 退火前抗拉强度与伸长率分析
图 4所示为不同Cu添加量的铝箔坯料抗拉强度曲线图,本试验将6.0 mm厚度铝箔坯料轧制成0.6 mm厚度铝箔,经过4道次轧制工序,组织内部晶粒在轧制力影响下充分破碎,大尺寸晶粒变为小晶粒,一定程度上提升了铝箔抗拉性能。对铝箔坯料展开力学性能方面测试,将数据收集并整理后,分析得出,铝箔在没有添加纯铜且未进行退火处理前,其抗拉强度为145.7 MPa,伸长率为4.3%;在纯铝中加入纯铜制成合金后,产生强化相,稳定提升铝箔力学性能,随着纯铜添加量的增加,铝箔坯料的抗拉强度增加,纯铜添加量为0.5%时,抗拉强度提升到219.3 MPa,上升幅度为50.5%,Cu元素会使Al晶粒组织细化,并保持良好均匀性,稳定提高铝箔抗拉性能。与此同时,随着含Cu添加量的增加,铝箔坯料的塑性却明显下降,纯铜添加量为0.5%的铝箔坯料伸长率缩减至1.8%,下降了54.3%。
2.4.2 退火后抗拉强度与伸长率分析
退火前,铝箔坯料经过了多道工序反复处理,铝箔坯料组织晶粒充分破碎,从而使晶粒进一步缩小,晶粒均匀性增加;退火处理后,晶粒均匀性进一步改善。与此同时,铝箔坯料的内应力增加、塑性降低,如图 5所示,塑性降低会影响铝箔后续轧制的进行。为使后续轧制道次顺利进行,提高铝箔的成品率和质量,需要对铝箔进行退火处理,使铝箔内部晶粒实现再结晶,消除加工硬化,降低内应力,恢复铝箔的塑性。作为处理代价,此时会使铝箔的抗拉性能降低。退火处理后,铝箔坯料抗拉性能大幅度降低,含Cu量0.5%的铝箔坯料的抗拉强度为100.2 MPa,比退火前下降54.3%;伸长率大幅度提升至17.4%,比退火前上升667%。
向纯铝中加入纯铜,Cu元素会于位错周边大量聚集,使位错产生钉扎效应,让原本活跃的晶界迁移行为产生阻滞反应,并有效阻碍晶粒再结晶,限制其进一步长大。Cu在高温作用下,会与Al产生CuAl2合金相,有序分散至合金组织内[16-20]。弥散对于合金有强化作用,从而提高铝箔的抗拉性能,Cu添加量为0.5%的铝箔坯料退火后的抗拉强度为100.2 MPa,未加入Cu的铝箔坯料退火后的抗拉强度为53.1 MPa,上升幅度为88.8%。Cu添加量0.5%的铝箔坯料的伸长率为17.4%,未加Cu的铝箔坯料退火后的伸长率为28.4%,下降幅度降为38.7%。
3 结论
1)在纯铝中加入Cu,可以使组织细化,缩减晶粒规格,有效提升组织均匀性。
2)向纯铝加入Cu,使强化相生成速度加快,大量强化相可有效提高材料应用强度,提高纯铝铝箔实用性。从Al基体中获得CuAl2,其拥有可溶性,在合金中拥有强化效果,可以稳定提升合金抗拉性能。
3)经过退火处理,CuAl2依然起到加强弥散强化效果,可以大幅度提升铝箔抗拉性能,同时获得良好的塑性。
4)将0.5%纯铜作为添加物,加入工业纯铝中,可以使纯铝内部较大规格的晶粒有效缩减,并有效提高组织均匀性,更符合工业生产需求。
在实际纯铝铝箔生产中,可以适当添加Cu,用于提升铝箔组织均匀度与抗拉性能。
-
表 1 影响因子的频率比值
Table 1 Frequency ratio of all impact factors
表 2 影响因子相关性分析
Table 2 Correlation analysis of influence factors
表 3 影响因子权重
Table 3 Impact factor weight
表 4 滑坡易发性评价等级结果统计
Table 4 Result statistics of landslide susceptibility evaluation grade
-
[1] 黄润秋. 20世纪以来中国的大型滑坡及其发生机制[J]. 岩石力学与工程学报, 2007, 26(3): 433-454. doi: 10.3321/j.issn:1000-6915.2007.03.001 [2] 许强, 汤明高, 徐开祥, 等. 滑坡时空演化规律及预警预报研究[J]. 岩石力学与工程学报, 2008, 27(6): 1104-1112. doi: 10.3321/j.issn:1000-6915.2008.06.003 [3] 郭子正, 殷坤龙, 付圣, 等. 基于GIS与WOE-BP模型的滑坡易发性评价[J]. 地球科学, 2019, 44(12): 4299-4312. https://www.cnki.com.cn/Article/CJFDTOTAL-DQKX201912040.htm [4] 殷坤龙, 陈丽霞, 张桂荣. 区域滑坡灾害预测预警与风险评价[J]. 地学前缘, 2007, 14(6): 85-97. doi: 10.3321/j.issn:1005-2321.2007.06.011 [5] SANDEEP P, AMIT K S. A comparative study of frequency ratio, shannon & apos; s entropy and analytic hierarchy process (AHP) models for landslide susceptibility assessment[J]. ISPRS International Journal of Geo-Information, 2021, 10(9): 603-603. doi: 10.3390/ijgi10090603
[6] 阮云凯, 占洁伟, 陈剑平, 等. 基于K-PSO聚类算法和熵值法的滑坡敏感性[J]. 东北大学学报(自然科学版), 2017, 38(4): 571-575. doi: 10.3969/j.issn.1005-3026.2017.04.024 [7] 陈飞, 熊如宗, 钟连祥, 等. 基于信息量模型与ArcGIS的龙南县足洞地区滑坡危险性评价[J]. 有色金属科学与工程, 2017, 8(4): 80-85. doi: 10.13264/j.cnki.ysjskx.2017.04.014 [8] 杜国梁, 杨志华, 袁颖, 等. 基于逻辑回归-信息量的川藏交通廊道滑坡易发性评价[J]. 水文地质工程地质, 2021, 48(5): 102-111. https://www.cnki.com.cn/Article/CJFDTOTAL-SWDG202105011.htm [9] 黄发明, 殷坤龙, 蒋水华, 等. 基于聚类分析和支持向量机的滑坡易发性评价[J]. 岩石力学与工程学报, 2018, 37(1): 156-167. https://www.cnki.com.cn/Article/CJFDTOTAL-YSLX201801016.htm [10] 陈飞, 蔡超, 李小双, 等. 基于LR-ANN-SVM的滑坡易发性评价[J]. 有色金属科学与工程, 2020, 11(4): 82-90. doi: 10.13264/j.cnki.ysjskx.2020.04.013 [11] 邓念东, 崔阳阳, 郭有金. 基于频率比-随机森林模型的滑坡易发性评价[J]. 科学技术与工程, 2020, 20(34): 13990-13996. doi: 10.3969/j.issn.1671-1815.2020.34.006 [12] 刘璐瑶, 高惠瑛. 基于证据权与Logistic回归模型耦合的滑坡易发性评价[J/OL]. 工程地质学报: 1-11[2021-10-19]. https://doi.org/10.13544/j.cnki.jeg.2020-482. [13] 徐胜华, 刘纪平, 王想红, 等. 熵指数融入支持向量机的滑坡灾害易发性评价方法--以陕西省为例[J]. 武汉大学学报(信息科学版), 2020, 45(8): 1214-1222. https://www.cnki.com.cn/Article/CJFDTOTAL-WHCH202008012.htm [14] 王世宝, 庄建琦, 郑佳, 等. 基于深度学习的川藏铁路康定-理塘段滑坡易发性评价[J/OL]. 工程地质学报: 1-12[2021-10-19]. https://doi.org/10.13544/j.cnki.jeg.2021-0115. [15] SHU H P, GUO Z Z, QI S, et al. Integrating landslide typology with weighted frequency ratio model for landslide susceptibility mapping: a case study from Lanzhou City of northwestern China[J]. Remote Sensing, 2021, 13(18): 3623-3623. doi: 10.3390/rs13183623
[16] TANG R X, YAN E C, WEN T, et al. Comparison of logistic regression, information value, and comprehensive evaluating model for landslide susceptibility mapping[J]. Sustainability, 2021, 13(7): 3803-3803. doi: 10.3390/su13073803
[17] 吴博, 赵法锁, 段钊, 等. 基于熵权的属性识别模型在陕西土质滑坡危险度评价中的应用[J]. 灾害学, 2018, 33(1): 140-145. doi: 10.3969/j.issn.1000-811X.2018.01.025 [18] 王丹, 饶运章, 石亮, 等. 基于熵权的离子型稀土原地浸矿滑坡综合预警[J]. 有色金属科学与工程, 2021, 12(3): 122-128. doi: 10.13264/j.cnki.ysjskx.2021.03.016 [19] 李利峰, 张晓虎, 邓慧琳等. 基于熵指数与逻辑回归耦合模型的滑坡灾害易发性评价--以蓝田县为例[J]. 科学技术与工程, 2020, 20(14): 5536-5543. doi: 10.3969/j.issn.1671-1815.2020.14.012 [20] 吴季寰, 张春山, 孟华君, 等. 抚顺西露天矿区滑坡易发性评价与时空特征分析[J]. 地质力学学报, 2021, 27(3): 409-417. https://www.cnki.com.cn/Article/CJFDTOTAL-DZLX202103007.htm [21] 罗路广, 裴向军, 崔圣华, 等. 九寨沟地震滑坡易发性评价因子组合选取研究[J]. 岩石力学与工程学报, 2021, 40(11): 2306-2319. https://www.cnki.com.cn/Article/CJFDTOTAL-YSLX202111013.htm [22] WUBALEM A, METEN M. Landslide susceptibility mapping using information value and logistic regression models in Goncha Siso Eneses area, northwestern Ethiopia[J]. SN Applied Sciences, 2020, 2(3): 213-228.
[23] 杨婷. 崇义县地质灾害易发性区划评价研究[D]. 抚州: 东华理工大学, 2016. [24] RAMANI S E, VENKATARAMANA S. Landslide susceptibility analysis: a logistic regression model case study in coonoor, India[J]. Hydrology, 2021, 8(1): 41-41. doi: 10.3390/hydrology8010041
[25] SAHA A, MANDAL S, SAHA S. Geo-spatial approach-based landslide susceptibility mapping using analytical hierarchical process, frequency ratio, logistic regression and their ensemble methods[J]. SN Applied Sciences, 2020, 2(10): 1-21.