基于集成学习和LEM的折线型边坡稳定性评价方法

摘要

传统边坡稳定性力学分析方法计算效率有限且往往需要借助专业软件，不利于推广.机器学习作为一种高效分析手段可应用于边坡稳定性评价.基于随机生成的大量折线型边坡样本，通过极限平衡法（LEM）求解安全系数，从而构建边坡安全系数数据库，通过集成神经网络模型建立LEM代理模型.分别采用Bagging和AdaBoost.R2两种算法构建集成神经网络，建立折线型边坡安全系数预测模型，通过实际边坡工程案例进行了验证，并与单神经网络进行了对比.通过ROC曲线分析法评价各个模型性能，确定合理的安全系数阈值.结果表明两种集成模型性能显著优于单神经网络模型，其中单神经网络模型的AUC值为0.826,AdaBoost.R2模型为0.893,Bagging模型为0.929，更能准确辨别边坡的稳定性情况.提出的方法能快速、准确地评价折线型边坡稳定性，为区域性大量边坡的稳定性快速评价提供工具.

关键词

集成神经网络 / 极限平衡法 / 折线型边坡 / 边坡稳定性 / ROC曲线分析法 / 滑坡 / 工程地质

基金资助

浙江省重点研发计划(No.2021C03159); 国家自然科学基金面上项目(No.42277132); 浙江大学平衡建筑研究中心配套资金资助项目(No.K-20212721); 浙江省基础公益研究计划(No.LGF21D020001); 自然资源部浙江地质灾害野外观测研究站项目(No.ZJDZGCZ-2021)