岩土前沿 | 深圳大学研究团队构建了基于机器学习的边坡稳定性预测AI模型

研究方法

研究以Meizhou滑坡现场调查与土工试验数据为基础，在GeoStudio软件中建立了边坡稳定性分析模型，采用极限平衡法（Morgenstern-Price）进行系统参数化研究。模型考虑了五个关键土工参数：有效粘聚力、有效内摩擦角、土体单位重量、坡顶超载及地下水位高度。通过组合不同参数取值，共生成249组数值模拟结果，构成用于机器学习训练的数据集。

在机器学习建模阶段，研究采用了三种具有代表性的回归算法进行构建与对比。随机森林作为一种集成学习算法，通过构建大量决策树并汇总其预测结果，能有效捕捉非线性关系且避免过拟合。普通最小二乘法则是一种经典的线性回归方法，模型结构简单，参数具有明确的物理意义。XGBoost是一种先进的梯度提升算法，它以迭代方式优化模型，特别擅长处理特征间复杂的交互效应和非线性趋势。

为提升模型预测值与真实安全系数之间的对齐精度，研究创新性地引入了后回归线性校准步骤。该步骤将各机器学习模型的原始预测输出作为自变量，实际安全系数作为因变量，建立一元线性回归修正方程，形式如下：

所有模型训练前均进行了数据清洗，剔除了41个异常样本，确保数据质量。模型性能以决定系数和均方根误差（RMSE）作为核心评价指标，力求在解释力与预测精度间取得最佳平衡。

图 1 滑坡边坡稳定性分析模型

研究结果

研究首先深入探究了单个土工参数变化对边坡安全系数的独立影响规律。分析表明，安全系数随土体粘聚力和内摩擦角的增大而显著提高，其中内摩擦角的影响在超过60°后呈现出强烈的非线性增长特征，体现了粒间摩擦对抗剪强度的主导贡献。土体单位重量的增加对稳定性的影响较为复杂：初始增加有助于提高正应力从而增强抗滑力，但持续增加则会因自重荷载增大而转化为不利因素，表现出先增后缓的趋势。在本研究参数范围内，坡顶超载的变化对安全系数影响甚微。最为关键的发现是，地下水位的上升与安全系数呈极强的负相关关系。水位升高直接导致边坡内孔隙水压力激增，有效应力相应降低，从而严重削弱土体的抗剪强度，这是降雨诱发滑坡的核心水-力耦合机制。

在机器学习模型的预测性能方面，未经校准的初始模型已显示出XGBoost的领先优势。经过创新的后回归线性校准后，所有模型的预测精度均实现了飞跃。具体而言：随机森林模型的决定系数R²从0.75提升至0.90，均方根误差RMSE从0.25显著降低至0.10；普通最小二乘法模型的R²从0.83提升至0.92，RMSE从0.17降至0.08；而XGBoost模型则表现最为出色，其R²从0.88进一步提升至0.96，RMSE从0.12降至0.040，达到了极高的预测精度与可靠性。校准过程有效地将预测数据点从原本的离散分布拉近至1:1参考线附近，直观证明了校准策略的有效性。

通过对随机森林模型进行特征重要性分析，研究量化了各输入参数对预测结果的贡献度。分析揭示：土体的有效内摩擦角和有效粘聚力是控制安全系数的最关键因素，两者合计贡献超过60%，这牢固确立了材料强度在边坡稳定中的根本地位。地下水位高度的重要性紧随其后，凸显了外部水文条件对稳定状态的关键控制作用。土体单位重量和超载的影响相对较小。基于分析结果，研究进一步推导出了一个基于随机森林学习的、可直接用于工程计算的显式预测方程：

该方程以多项式的形式近似表达了机器学习模型学到的复杂规律，便于工程师在无需运行复杂模型的情况下进行快速估算。

图 2 随机森林预测FoS与实际FoS的散点对比图

图 3  OLS预测FoS与实际FoS的散点对比图

图 4 XGBoost预测FoS与实际FoS的散点对比图

研究结论