基于大语言模型(LLM)的多智能体框架用于空间变异土体的自动化可靠度分析

《ADVANCED ENGINEERING INFORMATICS》：An LLM-based multi-agent framework for automated reliability analysis of spatially variable soils

　　

由于土体性质的固有变异性，蒙特卡洛（Monte Carlo）方法常用于可靠度分析。为了加速这一过程，耗时的数值模拟常被高效的代理模型（surrogate model）所替代。然而，当前基于机器学习构建这些代理模型的方法涉及复杂的模型构建、训练和超参数（hyperparameter）调优过程。此外，通过机器学习加速可靠度分析通常会导致工作流碎片化——需要与多种软件平台交互、复杂的数据传输以及对专家经验的高度依赖。利用大语言模型（Large Language Models，LLMs）的最新进展，本文提出了一种分层、基于LLM的多智能体（multi-agent）框架，用于自动化可靠度分析。研究人员首先以边坡稳定性分析为例演示了该方法，随后验证了其跨其他问题的泛化能力。该框架建立了一个全面的工作流，由一个编排智能体（Orchestrating Agent）和三个分别负责数据集生成、代理模型训练和大规模预测的子智能体组成。该框架的可行性和准确性已在不同复杂度的实际场景中得到验证。实验结果表明，基于LLM的多智能体框架显著减少了模型构建时间，并最大限度减少了人工干预，同时自主训练了准确的机器学习模型。此外，本文还研究了自校正（self-correction）、超参数调优和提示设计（prompt design）对所提框架性能的影响。自校正机制提高了代码执行的鲁棒性，超参数调优提升了代理模型的准确性，结构化的提示设计提高了代码生成中的令牌（token）和时间效率。最终，本研究凸显了基于LLM的智能体在推动岩土工程向更智能、更自动化的岩土可靠度分析发展的潜力。

## 论文解读：基于大语言模型的多智能体框架用于空间变异土体的自动化可靠度分析

### 研究背景与问题

在岩土工程中，土体强度参数由于自然异质性和有限的勘察数据而呈现显著的不确定性和空间变异性。蒙特卡洛（Monte Carlo）方法被广泛用于考虑这种变异性的可靠度分析，但该方法需要大量有限元（FE）计算，计算成本高昂。为解决这一问题，学者们引入代理模型（surrogate model），利用少量FE数据训练机器学习模型来映射随机场与安全系数（FoS），从而加速预测过程。然而，当前基于机器学习的代理模型构建方法仍面临复杂流程：包括随机场建模、FE计算、模型训练、超参数调优、结果解释等步骤，涉及多种软件平台交互、复杂数据传输和高度依赖专家经验。这种碎片化的手动工作流提高了技术门槛，限制了可靠度分析在实际工程中的广泛应用。因此，研究人员基于大语言模型（Large Language Models，LLMs）的最新进展，提出了一种分层多智能体框架，旨在实现可靠度分析的自动化和智能化。论文发表在《ADVANCED ENGINEERING INFORMATICS》。

### 关键技术与方法

研究人员采用以下关键技术方法构建了基于LLM的多智能体框架：利用LangGraph（一个用于构建AI智能体的开源Python库）搭建分层智能体架构；采用推理与行动（ReAct）模式实现任务分解与工具调用；集成自校正（self-correction）闭环机制，通过捕获代码执行错误并反馈至LLM实现自动调试；使用Optuna（开源超参数优化框架）进行超参数搜索；候选代理模型包括支持向量回归（SVR）、人工神经网络（ANN）和深度神经网络（DNN）；数值模拟采用内部开发的基于节点基平滑有限元法（NS-FEM）求解器；随机场生成使用GStools库。所有代码生成、执行与修正均由LLM智能体自主完成，无需手动编写脚本。

### 研究结果

#### 4.1 不排水边坡（Undrained slope）
通过子智能体1（Sub-Agent 1）生成749个节点和1394个单元的不排水边坡模型，初始生成50个随机场实现，并根据基线阶段平均R²阈值（0.02）逐步扩充至350个FE样本。子智能体2（Sub-Agent 2）训练SVR、ANN和DNN三种模型，经Optuna调优后，ANN模型在测试集上表现最佳（R²=0.991，平均绝对百分比误差MAPE=5.46%），被选为最终代理模型。子智能体3（Sub-Agent 3）进行10⁵次蒙特卡洛预测，得到平均FoS为1.204，失效概率p_f为39.5%，并给出FoS与黏聚力之间的皮尔逊相关系数为0.76。

#### 4.2 排水边坡（Drained slope）
排水边坡涉及黏聚力和内摩擦角两个随机场，单元总数929，输入维度为1×1858。初始数据集200个随机场，每次补充200个，最终确定1000个FE样本。经调优后，SVR模型在测试集上取得最高R²=0.990，故被选为最终模型。10⁵次蒙特卡洛预测得出平均FoS为1.008，p_f为56.5%，且FoS与黏聚力、内摩擦角的皮尔逊相关系数分别为0.85和0.415，表明黏聚力对FoS影响更大。子智能体3自动生成包含边坡加固建议的解释报告。

#### 4.3 分层边坡（Stratified slope）
分层边坡具有四层不同土体参数，单元总数780。子智能体1自动识别各层并分别生成随机场。基线评估确定1000个FE样本为合适数据集。调优后，SVR模型在测试集上表现最优（R²=0.983，MAPE=1.08%）。蒙特卡洛预测显示平均FoS为2.204，样本中未观测到失效，表明失效概率低于当前采样分辨率，边坡安全裕度较高。

#### 4.4 效率与准确性评估
以排水边坡为例，对比三种方法：暴力蒙特卡洛法（10⁵次FE计算）需人工干预4次，耗时约10小时；传统代理模型法需人工干预7次（含3次代码编辑），耗时约3小时；而基于LLM的多智能体框架仅需1次自然语言指令，耗时约30分钟，且无需手动代码编辑。将代理模型预测的FoS与FE计算结果对比，显示出几乎一致的分布和p_f值，验证了框架的准确性。

### 讨论与结论

在讨论部分，研究人员进行了系统鲁棒性验证：对三个案例各进行20次重复实验，采用Pass@1 Rate（首次正确率）和Pass@Final Rate（最终正确率）评估，结果分别为70%/100%、65%/100%、70%/95%，平均R²均在0.98以上，标准差小于0.006，表明框架能稳定执行并修正大部分错误。超参数调优能力对比显示，使用Optuna的完整框架相比无调优版本显著提升模型精度（SVR的R²从0.955升至0.979）。提示设计对比发现，链式思考（CoT）提示生成代码时消耗更多令牌和时间，而标准操作程序（SOP）提示更高效且足够稳定；此外，LLM自动生成的超参数搜索空间与手动详细指定结果相近，进一步减少了人工干预需求。该框架还被成功扩展至条形基础极限承载力预测案例，验证了其广泛适用性。最后，研究人员指出框架的模块化设计支持未来升级LLM、扩展算法库、扩展到三维分析和多场耦合，以及引入自适应蒙特卡洛采样策略。

研究结论翻译：本文提出了一种用于空间变异土体条件下可靠度分析的多智能体协作框架。该框架可自动构建并执行完整的可靠度分析流程。通过对不同场景的案例研究和框架对比分析，对智能体框架进行了评估，得出以下结论。所提出的多智能体框架在评估考虑土体强度空间变异性的边坡稳定性方面表现出良好的可行性。编排智能体管理任务流程并促进数据传输，每个智能体专注于其专业知识领域以高效完成分配任务。在测试案例中，该框架能在统一工作流内完成数据集生成、代理模型构建、大规模预测和结果汇总。该智能体框架在不同复杂度的边坡案例中均达到了可接受的精度，表明其支持单层和多层边坡在各种条件下的二维边坡随机稳定性分析。多次重复实验表明，该框架在整个工作流中保持稳定执行。其自校正机制增强了运行失败后的恢复能力，从而提高了系统鲁棒性，并缓解了LLM生成的代码和推理错误。此外，提示对比表明，SOP版本的提示结构足以满足智能体构建需求，且相比复杂推理导向的CoT提示具有更低的运行成本。该框架在空间变异土体中条形基础极限承载力预测场景中同样表现良好，进一步展示了其通用性。本研究主要在代表性案例中展示了工作流的可行性，未来工作应在更复杂的岩土场景中进一步检验该框架。总体而言，多智能体框架提出了一种新视角：利用生成式AI辅助岩土工程设计，使工程师能够专注于创造性问题解决和工程判断，同时自动化安全评估流程。经过进一步优化和验证，由生成式人工智能驱动的岩土系统有望成为工程分析的有价值工具，使人类专家能够更专注于验证、解释和设计判断任务。