基于球形单值中立集相似性度量的公路边坡稳定性评估模型

《Engineering Applications of Artificial Intelligence》：Highway slope stability evaluation model based on similarity measures of spherical single-valued neutrosophic sets

高速公路边坡稳定性评价模型基于球型单值 neutrosophic 集合的相似性度量方法，通过融合半径和单值 neutrosophic 值处理混合不确定性，定义汉明和欧氏距离的相似性指标，实现精准分类。浙江实际案例验证显示准确率达95%，优于传统方法。

　　高速公路边坡的稳定性是保障交通运输安全的关键因素。然而，由于影响边坡稳定性的因素复杂多变且存在不确定性，其可靠评估一直面临挑战。本文提出了一种基于球形单值模糊集（S-SVNSs）相似度的高速公路边坡稳定性评估（HSSE）模型。首先，我们引入了S-SVNSs的概念，其中每个元素由一个指定半径的球体和一个单值模糊值（SVNV）组成。通过这种方式，对象的不确定性与模糊性可以被表示为真、不确定和假的隶属度，每种隶属度都与相应的不确定性相关联。此外，我们还定义了S-SVNSs之间的关系，以及汉明距离和欧几里得距离及其对应的相似度测量方法。基于这些定义，开发了一个HSSE模型，该模型利用S-SVNSs对高速公路边坡数据进行描述，并量化目标边坡与基准案例之间的接近程度，从而实现更准确的边坡分类。

本文的研究成果表明，所提出的HSSE模型在实际应用中表现出色，特别是在浙江省的多个实际案例中得到了验证。通过混淆矩阵分析，该模型的准确率达到了95.0%，优于现有方法。这一结果证明了基于S-SVNSs相似度的HSSE模型在不确定性环境中为高速公路边坡稳定性评估提供了一个可靠且有效的工具。随着中国交通运输网络的迅速扩展，尤其是越来越多的高速公路穿越复杂的地形，地质灾害的发生频率显著上升，其中边坡失稳和滑坡尤为突出，直接威胁到公路安全和公众出行。因此，对高速公路边坡稳定性进行准确和有效的评估已成为道路工程中灾害预防和风险缓解的重要技术挑战。

影响高速公路边坡稳定性的因素复杂且相互关联，使得传统的物理和机械分析方法既不可靠又计算量大。因此，模糊集（FS）理论和相关方法被广泛应用于边坡稳定性评估，因为它们能够处理地质数据中固有的不确定性与模糊性。例如，模糊边坡质量评分系统、模糊层次分析法以及各种基于模糊的群体决策和机器学习模型已被证明具有实际应用价值。此外，一些研究者还提出了基于直觉模糊集（IFS）理论的直觉模糊TOPSIS模型，该模型能够处理真、不确定和假的隶属度信息。然而，这些方法在表达不确定性方面仍存在局限，无法同时涵盖影响边坡稳定性的三种不确定性（真、不确定和假），从而难以全面反映复杂地质条件和专家主观判断带来的不确定性。

为了弥补这些不足，近年来的研究将模糊集和直觉模糊集的概念扩展到几何领域。例如，圆形直觉模糊集（C-IFS）通过圆来捕捉真和假隶属度的不确定范围，已在其他领域的多准则决策和风险评估中展现出潜力。然而，与FS和IFS类似，C-IFS仍然无法满足在复杂边坡稳定性评估中对三种不确定性（真、不确定和假）的全面表达需求。因此，本文提出了一种基于球形单值模糊集（S-SVNSs）相似度的HSSE模型，旨在提高对不确定性信息的表达和分析能力。

本文的核心贡献主要包括以下三个方面：首先，提出的S-SVNS能够有效表达边坡数据中球体与单值模糊值的混合信息，从而捕捉复杂HSSE问题中样本数据的更全面的不确定性信息。其次，开发的基于S-SVNS的相似度测量方法为在不确定性环境中量化不同高速公路边坡样本之间的接近程度提供了强大的数学工具。最后，基于S-SVNS相似度的HSSE模型在一定程度上克服了现有HSSE模型在权重确定和阈值设定方面的不足，为HSSE问题提供了一种更为系统和可靠的方法。

接下来，本文的结构安排如下。第二部分回顾了IFS、C-IFS、SVNS以及现有基于SVNS的相似度测量方法的相关概念，为理解本文的核心思想和贡献提供了必要的理论基础。第三部分介绍了所提出的S-SVNS及其相互关系。第四部分定义了S-SVNS的汉明距离和欧几里得距离，以及对应的相似度测量方法，并讨论了它们的基本性质。第五部分基于所提出的相似度测量方法，构建了HSSE模型，解决了在S-SVNS框架下对高速公路边坡稳定性进行分类的问题。第六部分将所开发的模型应用于浙江省多个地点的20个边坡样本，并将其评估准确率与基于现有相似度测量方法的HSSE模型进行了比较。最后，第七部分总结了本文的结论和未来研究方向。

在实际应用中，高速公路边坡稳定性评估涉及多种地质、水文和结构因素，且在野外测量中存在显著的不确定性。传统的评估模型往往难以全面表达这些不确定性，并提供可靠、精细的边坡状态分类。为了解决这些问题，本文提出的HSSE模型基于S-SVNSs的相似度测量方法，能够更准确地描述边坡数据，并量化目标边坡与基准案例之间的接近程度，从而实现更精确的分类。这一模型在实际案例中的应用结果表明，其准确率显著高于现有方法，为高速公路边坡稳定性评估提供了一个新的解决方案。

此外，本文还强调了在不确定性环境中进行边坡稳定性评估的重要性。随着交通基础设施的不断发展，边坡失稳问题日益突出，尤其是在降雨和台风季节，滑坡等灾害的发生率急剧上升。因此，对边坡稳定性进行准确评估不仅有助于减少灾害发生的风险，还能够提高公路的安全性和可持续性。本文提出的HSSE模型通过引入S-SVNSs的结构，能够更全面地捕捉边坡数据中的不确定性信息，从而提高评估的可靠性。

为了进一步提升模型的适用性和准确性，本文在构建HSSE模型时，综合考虑了多种因素，包括地质条件、水文变化、结构特征以及专家意见。通过这种方式，模型能够更好地适应不同工程背景下的评估需求，并提供更可靠的结果。在实际应用中，模型通过量化不同边坡样本之间的相似度，实现了对稳定、不稳定和准稳定边坡状态的分类。这种分类方法不仅提高了评估的精确度，还能够帮助工程师更有效地进行风险管理和决策制定。

本文的研究方法基于S-SVNSs的相似度测量，通过引入球体结构和单值模糊值，构建了一个能够全面表达不确定性信息的评估框架。这种方法不仅能够处理边坡数据中的真、不确定和假的隶属度，还能够通过汉明距离和欧几里得距离的计算，量化不同样本之间的接近程度。此外，本文还讨论了这些距离和相似度测量方法的基本性质，为模型的构建和应用提供了理论支持。

在实际案例分析中，本文将所提出的HSSE模型应用于浙江省的多个高速公路边坡样本。浙江省作为多山地区，地质灾害的发生率较高，尤其是在降雨和台风季节，滑坡等灾害对公路安全构成了严重威胁。因此，对这些边坡进行准确评估对于减少灾害风险具有重要意义。通过实际应用，模型不仅能够提供准确的评估结果，还能够帮助工程师更好地理解边坡的稳定性状况，并制定相应的防护措施。

本文的研究结果表明，基于S-SVNSs相似度的HSSE模型在实际应用中表现出色，其准确率达到了95.0%，优于现有方法。这一结果不仅验证了模型的有效性，还为未来的边坡稳定性评估提供了新的思路和方法。此外，模型在表达不确定性方面的优势使其能够更好地适应不同工程背景下的评估需求，从而提高评估的可靠性和适用性。

在实际应用中，模型能够帮助工程师更全面地分析边坡数据，识别潜在的不稳定因素，并采取相应的措施。通过这种方式，模型不仅提高了评估的准确性，还能够为公路建设和维护提供科学依据。此外，模型在权重确定和阈值设定方面的改进，使其在处理复杂边坡稳定性问题时更加系统和可靠。

本文的研究成果不仅对高速公路边坡稳定性评估具有重要意义，还为其他领域的不确定性分析提供了参考。随着人工智能和大数据技术的发展，这些技术在地质灾害评估中的应用越来越广泛。因此，本文提出的HSSE模型不仅能够提高评估的准确性，还能够为未来的智能化评估提供基础。

在实际应用中，模型的构建和应用需要考虑多种因素，包括数据的收集、处理和分析。通过这种方式，模型能够更好地适应不同工程背景下的评估需求，并提供更可靠的结果。此外，模型在表达不确定性方面的优势使其能够更好地适应复杂地质条件和主观专家判断，从而提高评估的全面性和准确性。

综上所述，本文提出的HSSE模型在高速公路边坡稳定性评估中具有重要的应用价值。通过引入S-SVNSs的结构，模型能够更全面地表达边坡数据中的不确定性信息，从而提高评估的可靠性。此外，模型在权重确定和阈值设定方面的改进，使其在处理复杂边坡稳定性问题时更加系统和可靠。实际案例分析的结果表明，该模型在评估准确率方面优于现有方法，为未来的边坡稳定性评估提供了新的解决方案。随着交通基础设施的不断发展，边坡稳定性评估的重要性日益凸显，因此，本文的研究成果对于提升公路安全性和减少地质灾害风险具有重要意义。