均匀土质边坡在水力变异性下安全系数预测的基于梯度的神经网络岩土评价

《Geotechnics》：Geotechnical Evaluation of Gradient-Based Neural Networks for Factor of Safety Prediction in Homogeneous Soil Slopes Under Hydraulic Variability

　　

边坡稳定性评估因土体性质、边坡几何形态与水力条件（尤其是孔隙水压力变化）之间复杂的非线性相互作用而仍是岩土工程中的基本挑战。研究人员通过系统比较三种基于梯度的优化算法——Adam、小批量梯度下降（MBGD）与Nesterov加速梯度（NAG）——对预测均匀土质边坡安全系数（FoS）的可靠性进行了研究。模型开发采用由已发表研究与极限平衡法（LEM）及有限元法（FEM）数值生成共2014例边坡案例组成的数据库，并进行k折交叉验证。除统计评价外，所建模型使用基于Taylor稳定图表与Bishop–Morgenstern稳定系数的两个经典干坡基准框架验证，继之以马来西亚Hulu Kelang与Pahang两例文献工程案例，评估干态及变水力条件下的预测表现。Adam取得最高交叉验证精度（R2=0.988；RMSE=0.212），而MBGD在验证案例及孔隙水压力比升高时与参考LEM解整体最为接近。NAG总体预测偏保守且对超参数更敏感。所有模型均成功复现FoS随孔隙水压力升高而非线性降低的预期行为，与既有岩土规律一致。结果表明优化器选择显著影晌ANN–MLP预测行为，经妥善验证的基于梯度ANN模型可作为水力变异性下快速边坡稳定性评估的有效决策支持工具。

研究背景方面，滑坡作为全球最具破坏性自然灾害之一，造成生命财产损失与重大经济中断，边坡稳定性评估依赖安全系数（Factor of Safety，FoS）衡量土体可用抗剪强度与动剪应力之平衡。传统极限平衡法（Limit Equilibrium Method，LEM）与有限元法（Finite Element Method，FEM）虽可靠，但计算繁重且对土体变异性、孔隙压力与几何假定敏感。近年人工智能（Artificial Intelligence，AI）与机器学习（Machine Learning，ML）被引入岩土领域处理非线性多变量问题，其中人工神经网络多层感知机（Artificial Neural Network–Multi-Layer Perceptron，ANN–MLP）在FoS回归中表现稳定。然而既有文献多默认采用Adam优化器而缺乏梯度类优化器（MBGD、NAG）在岩土回归中的系统基准测试，且孔隙水压力比（R_u）作为控制性水力参数未被用作优化器比较主轴。该研究发表于《Geotechnics》，旨在填补上述空白，将优化器基准测试作为岩土工程目标下的方法论核心贡献，证明经LEM/FEM验证的梯度ANN模型可作高效决策支持工具。

关键技术方法上，研究人员构建2014例均匀土质边坡数据库（约35%源自已发表记录，65%由GeoStudio SLOPE/W中Ordinary、Bishop简化、Spencer、Morgenstern–Price等LEM法与PLAXIS 2D中强度折减FEM法数值生成），输入六参数：坡高H、坡角β、孔隙水压力比R_u、重度γ、黏聚力c、摩擦角φ，输出FoS。采用Python+Keras/TensorFlow搭建MLP，以k折交叉验证（Pipeline内嵌StandardScaler防泄漏）筛选各优化器下数百配置，统计指标取R²、MAE、RMSE、MSE；外部验证依次用Taylor稳定数干坡基准、Bishop–Morgenstern稳定系数干坡基准、Hulu Kelang降雨滑坡案（变R_u定性验证）、Pahang Matriculation College边坡案（R_u=0.02及变R_u对照Morgenstern–Price LEM）。

研究结果部分，2.1节数据集与输入参数表明，六输入覆盖H=1.1–511 m、β=14°–90°、R_u=0–0.85、γ=12–31.3 kN/m³、c=0–155 kPa、φ=0°–45°，FoS=0.04–4.99，经剔除不完整与未收敛案例得2014例物理合理样本。2.2节Adam优化ANN–MLP显示最优配置[6,128,64,1]、batch=512、30000 epoch获R²=0.988、MAE=0.062、RMSE=0.212，损失曲线前200 epoch陡降后渐近，说明自适应矩估计带来快稳收敛。2.3节MBGD优化中，学习率0.001、动量0.9（Combination 8）得R²=0.923、MAE=0.356、RMSE=0.531；学习率≥0.002致过冲、=0.0001致进展受限，表明其对超参数敏感但折中全批与随机梯度。2.4节NAG优化下K=12折最稳，学习率0.001+动量0.9时R²=0.759–0.839，学习率0.01时结果离散（Combination 12达0.907而Combination 14仅0.621），损失至约581 epoch才稳，证实其前瞻动量机制致收敛慢且对深度与学习率耦合敏感。3.1节干坡基准中，Taylor案MBGD与参考最接近，Adam系统偏高估，NAG偏低估且波动；Bishop–Morgenstern案三者均复现系数解，MBGD最一致。3.2节水力变异性实案中，Hulu Kelang坡R_u由0升至0.55时SLOPE/W的FoS从1.343降至0.607，MBGD预测1.267→0.598轨迹最近，Adam在R_u=0.55略高估（1.268→0.710），NAG干态高估湿态改善；Pahang坡R_u=0.02时PLAXIS 2D得FoS=2.937，Adam预测3.267、MBGD 3.105、NAG 2.901，后两者贴近FEM，变R_u下MBGD平均绝对差0.144最小、Adam 0.225、NAG 0.190，证明MBGD在LEM趋势对齐上最优。

讨论部分指出，优化器选择不仅是计算设置而是影响FoS水力响应的建模决策：Adam全局统计最佳但对高R_u敏感陡降，MBGD在变R_u下与Morgenstern–Price趋势最平衡，NAG偏保守且需细调超参数；模型应作LEM/FEM补充而非替代，限于均匀坡、均匀时不变R_u，未来需拓展至层状各向异性坡与瞬态渗流。结论部分翻译如下：本研究评价了Adam、MBGD、NAG三种基于梯度算法优化的ANN–MLP对均匀土质边坡FoS的预测性能，基于2014例数据库经k折交叉验证，并以Taylor、Bishop–Morgenstern干坡基准及Hulu Kelang、Pahang工程案多级验证。核心结论为：Adam获最高精度（R²=0.988）且在低水力荷载下精确但高R_u时敏感陡降；MBGD在所研案例中对LEM/FEM参考趋势对齐最佳、表现最平衡；NAG统计精度较低但中低水力下偏保守，该特性依数据与超参而定非常量。优化器选择应视为可影响ANN边坡模型水力预测的建模决策，所建ANN–MLP宜作快速决策支持工具补充传统LEM/FEM，用于初步评估与R_u敏感性筛查。