《Soils and Foundations》:Slope stability analysis with surrogate modeling: incorporating rainfall infiltration and spatial variability of soil parameters
编辑推荐:
为解决降雨入渗及土体参数空间变异性对边坡稳定性的影响,研究者们开展了一项结合卷积神经网络(CNN)、长短时记忆网络(LSTM)与迁移学习(TL)的智能分析研究。该研究采用非平稳随机场更真实地表征土体关键参数(内聚力c、内摩擦角φ、饱和水力传导系数ks)的空间分布特征,构建了有限元模型并实施自动化工作流进行蒙特卡洛模拟,生成了考虑固有参数不确定性的数据集。研究者开发了CNN-LSTM代理模型以捕捉降雨入渗的时空效应,其中CNN提取土壤参数场的空间特征,LSTM捕捉降雨强度的时间变化,该集成模型联合预测边坡安全系数(FOS)。研究进一步应用了迁移学习策略,使得融入迁移学习的CNN-LSTM-TL模型在显著减少目标域所需数据量的同时保持了精度。该方法为在复杂环境与空间条件下评估边坡稳定性提供了高效、准确的策略。
中文标题:融合非平稳随机场与CNN-LSTM迁移学习的降雨诱发边坡稳定性智能分析方法
文章解读:
在工程地质领域,边坡失稳是最常见的地质灾害之一,常损毁基础设施、造成经济损失甚至威胁生命。降雨被认为是诱发滑坡最主要的因素,雨水入渗会降低非饱和土的基质吸力、增加单位重,并可能产生瞬态孔隙水压力,从而显著削弱边坡稳定性。然而,传统的确定性边坡稳定分析方法基于固定的土体参数计算安全系数(FOS),往往因忽略土体变异的复杂性而缺乏客观性和全面性。概率性方法虽能考虑参数的不确定性和随机性,但传统的蒙特卡洛模拟(MCS)与有限元法(FEM)结合时计算成本高昂,当变量增多或需要更精细的随机场时,模拟次数呈指数增长,限制了其效率。此外,以往研究多采用平稳随机场模型,但大量实地调查表明,关键土体属性如内聚力(c)、内摩擦角(φ)和饱和水力传导系数(ks)常表现出明显的深度依赖性非平稳特征。同时,现有的边坡稳定性代理模型在考虑空间变异性时往往采用简化假设,非平稳随机场通常用确定性趋势表示,而未考虑趋势分量的不确定性,且大多数研究聚焦于力学参数,对降雨入渗下的水力特性处理有限。为了克服上述效率、准确性以及对复杂环境与空间条件刻画不足的挑战,一项发表于《Soils and Foundations》的研究提出了一种创新的智能分析框架。
该研究旨在开发一种集成卷积神经网络(CNN)、长短时记忆网络(LSTM)和迁移学习(TL)的方法,以高效、准确地评估考虑土体参数空间变异性和降雨入渗的边坡可靠性。研究团队来自中南大学土木工程学院。
关键技术方法:
研究者首先构建了非平稳随机场生成框架,以更真实地模拟内聚力、内摩擦角和饱和水力传导系数随深度变化的趋势和随机波动分量。接着,建立了二维均质边坡有限元模型,并实现了自动化工作流程,将生成的随机场参数批量赋值给模型,利用Geostudio软件进行考虑渗流-应力耦合的边坡稳定性分析,通过大量蒙特卡洛模拟生成了包含参数空间变异性和降雨过程的训练与测试数据集。基于此数据集,研究者开发了一个CNN-LSTM混合代理模型,其中CNN分支用于从多参数随机场中提取空间特征,LSTM分支用于捕捉降雨强度的时间序列变化,两者联合预测边坡的安全系数序列。最后,研究者引入了迁移学习策略,将在一种降雨工况下训练好的CNN-LSTM模型的知识迁移到另一种降雨工况的预测中,以评估其在有限目标域数据下的性能。
研究结果:
1. 非平稳随机场的表征:
研究采用了中点法与Cholesky分解生成了非平稳随机场。结果表明,采用该框架可以模拟出土体剪切强度参数均值与标准差随深度增加而增加,饱和水力传导系数均值与标准差随深度增加而减小的典型深度依赖性行为,这比传统的平稳随机场假设更能反映实际情况。
2. CNN-LSTM代理模型的性能:
研究系统评估了CNN-LSTM代理模型在预测不同降雨历时下边坡安全系数的表现。模型在测试集上取得了高预测精度(如R2大于0.95),且预测速度极快,仅需数秒即可完成数千个样本的预测,相比传统的蒙特卡洛模拟结合有限元分析,计算效率得到了数量级的提升。这证明了CNN在捕捉参数空间相关性、LSTM在建模降雨时序效应方面的有效性。
3. 迁移学习的应用效果:
研究探讨了迁移学习在减少目标域数据需求方面的潜力。通过将在强降雨场景(源域)上预训练的CNN-LSTM模型参数迁移到中等降雨场景(目标域),并在少量目标域数据上进行微调,模型依然能保持较高的预测准确性。这表明,迁移学习能够有效利用源域学到的知识(如土体参数空间变异的通用模式),降低对新工况数据进行大量数值模拟的需求,增强了模型的实用性和经济性。
研究结论与意义:
本研究成功开发了一个融合非平稳随机场建模、CNN-LSTM深度学习与迁移学习的边坡稳定性分析智能框架。该框架的主要结论与重要意义在于:
- 1.
模型先进性:提出的非平稳随机场模型更合理地刻画了关键土体参数的深度变异特性,克服了传统平稳假设的局限。构建的CNN-LSTM代理模型能够有效联合处理空间随机场数据和降雨时间序列数据,实现对边坡安全系数快速而准确的预测。
- 2.
效率突破:所开发的代理模型将边坡可靠性分析从耗时的蒙特卡洛模拟中解放出来,在保持精度的前提下极大提高了计算效率,为边坡风险的实时评估与预警提供了可能。
- 3.
知识迁移价值:引入的迁移学习策略显著降低了对新工况(如不同降雨模式)下训练数据量的需求,展示了机器学习模型在解决相似岩土工程问题时的可复用性和适应性,提高了方法的工程实用价值。
- 4.
方法论贡献:该研究为处理复杂环境因素(降雨)和内在不确定性(空间变异性)耦合下的岩土工程问题提供了一套系统的、可推广的智能分析范式,推动了岩土工程可靠性分析向更高效、更精准的智能化方向发展。
综上所述,这项由Chen-Xi Tong、Meng-Qian Jiang、Li Ding、Feng Shan、Hao-Ding Xu、Sheng Zhang完成的研究,通过前沿的深度学习方法,为解决降雨入渗与土体空间变异性耦合这一边坡工程中的经典难题提供了创新的解决方案,对边坡灾害的防控与智能化管理具有重要的理论和实践意义。