自然斜坡中的土壤由于沉积环境、风化过程和长期地质演化而形成本质上异质的系统。这种异质性的最显著表现是土壤分层，即在不同地质时间内形成了具有不同力学特性的不同土层[[1], [2], [3]]。大量关于斜坡稳定性的研究表明，分层斜坡表现出更复杂的破坏机制，需要比单层斜坡更复杂的评估方法[4,5]。因此，使用简化的单层模型来评估分层斜坡可能会导致对不稳定性和相关灾害潜力的低估[6]。这些发现强调了分层在控制斜坡破坏前稳定性分析中的关键作用。相比之下，关于破坏后大变形行为的研究——直接控制滑坡破坏的严重程度——主要使用单层斜坡模型进行[7,8]。这些简化通常是为了降低计算复杂性或便于方法论的发展，而不是为了反映真实的地质条件。尽管这些研究为滑坡灾害评估提供了宝贵的见解，但这种不一致性提出了一个根本性问题：从单层斜坡的大变形分析中得出的结论是否适用于实际的分层斜坡？解决这个问题至关重要；因此，需要系统地考虑土壤分层，以提高滑坡灾害评估的可靠性和真实性。
除了分层之外，材料属性的空间变异性代表了形成自然斜坡的另一种基本异质性尺度。即使在单个土层内部，土壤属性也表现出连续的空间波动。这种层内异质性通常使用随机场理论来描述，该理论为将空间变异性纳入数值分析提供了定量框架[[9], [10], [11]]。以往的大变形研究表明，随机场的统计参数——包括变异系数（COV）、波动水平尺度以及粘聚力（c）和内摩擦角（φ）之间的互相关系数（Rcφ）——可以显著影响破坏后的行为，如滑动距离、影响范围和滑动体积[12,13]。例如，增加COV已被证明会放大极端破坏结果的概率和幅度[14]，而波动水平尺度的变化会影响弱区的连续性和破坏面的形成[15]。此外，Rcφ也被报道会改变破坏后的行为[16]。然而，大多数现有研究假设各向同性或横向各向异性的自相关结构，其中空间相关性与水平和垂直方向对齐。自然土壤沉积物通常表现出倾斜的分层和相对于主要几何轴旋转的空间自相关结构——称为旋转各向异性[17]。Bi等人[18]、Li等人[19]和Jiang等人[20]的最新研究使用单层斜坡模型探讨了旋转各向异性对破坏后行为的影响。然而，据作者所知，旋转各向异性空间变异性对分层斜坡破坏后行为的影响尚未得到系统研究。这一限制限制了目前对空间变异性与分层在破坏后大变形分析中相互作用的理解。
考虑分层斜坡模型引入了额外的力学复杂性。与单层斜坡的破坏机制[21,22]相比，土壤分层促进了多种竞争性破坏机制的发展[3,23]，从而使破坏后的行为对土壤强度的空间分布高度敏感。现有的考虑分层斜坡的随机大变形研究通常通过仅假设c的空间变异性来简化问题，特别是在不排水条件下[24]。尽管这些假设便于数值实现并降低了计算成本，但它们本质上限制了可以捕捉的破坏机制范围。在许多实际的斜坡工程场景中，土壤有足够的时间进行排水和固结，φ成为控制大变形过程中剪切阻力和能量耗散的关键参数[25,26]。基于可靠性的研究一致表明，φ的空间变异性在影响破坏概率和破坏模式（局部破坏和整体破坏）方面起着关键作用[[27], [28], [29], [30]]。这些发现表明，忽略φ的空间变异性可能导致对斜坡破坏机制的不完整或偏颇表示。然而，将φ的空间变异性纳入随机大变形分析比在传统可靠性分析中要困难得多，因为将c和φ都建模为空间变化的随机场会显著增加随机维度和强度参数的耦合复杂性。此外，大变形响应具有高度非线性和强烈的实现依赖性[8,31]。不同的随机场实现可能会激活不同的破坏模式，导致影响范围和滑动体积的显著变化。因此，需要大量计算成本高昂的大变形模拟才能获得统计上有意义的结果。由于这些挑战，耦合的c-φ空间变异性尚未被系统地纳入分层斜坡的随机大变形分析中。
斜坡的大变形分析使用了多种数值方法，包括平滑粒子流体动力学（SPH）[[32], [33], [34], [35]]、离散元方法（DEM）[36]和物质点方法（MPM）[37,38]。在这些方法中，MPM在斜坡工程中被广泛采用，因为其边界条件的施加比SPH更方便，而且其计算需求通常低于DEM。尽管如此，即使对于单次大变形模拟，MPM仍然计算密集，当引入随机分析时，计算负担会大大增加。一些概率框架试图通过采用混合策略（例如，RLEM-RMPM [24]、RFEM-RMPM [39]）来缓解这一困难，其中只有预测的破坏情况随后进行大变形模拟。然而，这些混合策略主要是为了补充可靠性分析而设计的。虽然它们确保了破坏概率的统计收敛性，但并不一定保证在随机场框架中可靠地表征实现依赖的大变形行为[7]。因此，需要足够数量的蒙特卡洛模拟（MCS）才能实现破坏后滑坡过程的统计收敛表征[40,41]。因此，综合考虑土壤分层、耦合的c-φ空间变性、大变形分析和MCSs提出了严重的计算效率挑战[42]。为了应对这些高维和计算要求高的问题，近年来开发了各种先进策略，包括替代建模技术[[43], [44], [45], [46]]、机器学习方法[47]和基于GPU的并行计算[48]。其中，基于GPU的并行加速在计算力学中展示了特别潜力，并已成功应用于大变形数值模拟[49]，在保持物理真实性的同时显著提高了计算效率。随着GPU在科学计算中的快速发展和广泛应用，这种方法为克服迄今为止限制分层斜坡随机大变形分析的计算瓶颈提供了一条可行的途径。
为了解决上述挑战，本研究开发并应用了一种基于GPU加速的随机物质点方法（GPU-RMPM），以研究考虑c和φ耦合空间变异性的分层斜坡的破坏后行为和破坏模式。所提出的框架使得原本计算上不可行的统计收敛MCS成为可能，同时保持了解析非线性大变形滑坡过程的能力。本研究提供了关于强度空间变异性和土壤分层如何共同控制破坏后滑坡灾害的新见解。本研究的主要创新和贡献总结如下：（1）开发了一种基于GPU的并行RMPM框架，显著提高了随机大变形分析的计算效率，使得破坏后滑坡模拟的统计收敛MCS成为可能。（2）建立了一个随机大变形建模框架，明确考虑了土壤分层和耦合的c-φ空间变性，从而将现有的概率斜坡分析扩展到了传统的稳定性方法之外。（3）系统地量化了关键空间变异性参数——包括波动水平尺度（θh）、COV、各向异性旋转角度（β）和Rcφ——对破坏模式演化和破坏后灾害幅度的影响，揭示了地质不确定性控制滑坡后果的机制。
