基于可靠度的边坡稳定性分析：使用粒子群优化神经网络与传统概率方法的基准测试——以黎巴嫩案例研究为例

《Infrastructures》：Reliability-Based Slope Stability Analysis Using Particle Swarm-Optimized Neural Network: Benchmarking Against Conventional Probabilistic Methods Using a Lebanese Case Study

　　

概率边坡稳定性分析需要兼具计算效率和不确定度传播精度的工具。本研究开发了一个以可靠度为导向的代理框架，将多层感知机人工神经网络与粒子群优化相耦合（ANN–MLP–PSO）。该模型在从文献记录和基于力学的模拟中提取的2014个均质边坡案例上进行了训练。PSO识别出性能最佳的六隐藏层架构，在留出测试集上实现了R² = 0.95的决定系数。训练后的代理模型被嵌入到概率抽样框架中，以估计失效概率、可靠度指数(β)和安全系数分位数，随后应用于黎巴嫩贝鲁特附近的Mansourieh边坡的干燥和湿润条件下的评估。输出结果与一阶二次矩法、点估计法(PEM)和蒙特卡洛模拟(MCS)进行了基准比较。比较结果表明，在相同的概率假设下，ANN–MLP–PSO代理模型重现了从传统可靠度方法获得的干燥到湿润条件下的安全系数分布、失效概率和可靠度指数的变化，湿润情景下的失效概率范围约为86%至99%。尽管存在定量差异，但所有四种方法都识别出了相同的可靠度趋势和工程解释。一旦训练完成，该代理模型即可实现快速概率评估，无需重复进行确定性计算，为边坡稳定性筛选和考虑不确定性的岩土工程决策支持提供了高效工具。

【研究背景】边坡稳定性是岩土工程的核心关注点。在实践中，稳定性通常通过安全系数(FoS)进行评估。然而，FoS是一个单一的确定性指标，无法明确反映土体属性、几何形状、荷载和建模假设中的大量不确定性。对于孔隙水压力波动和土体变异性控制性能的边坡，单一确定性FoS会隐藏重要风险信息。滑坡在黎巴嫩是频发的地质灾害，降雨触发的失稳对基础设施安全构成实际威胁。尽管已有机器学习(ML)特别是人工神经网络(ANN)用于预测边坡稳定性，但许多研究受限于合成数据集或仅与确定性方法进行基准测试。混合ANN与粒子群优化(PSO)框架能否在真实岩土工程条件下重现与既有方法一致的概率可靠度输出（如失效概率、可靠度指数），尚未得到充分验证。为填补这些空白，研究人员开展了一项研究，开发并评估了一个以可靠度为导向的ANN–MLP–PSO代理框架，用于在不确定性下估计P_f、β和FoS分布特征。研究得出的结论是该模型能作为数据驱动FoS代理模型，与基准方法趋势一致且大幅提升计算效率，为不确定性岩土工程决策支持提供高效工具，论文发表在《Infrastructures》上。

【关键技术方法】研究人员在Python中实现了ANN–MLP–PSO工作流。模型基于包含2014个均质边坡案例的队列来源数据集进行训练（其中705个案例来自文献记录，1309个案例来自基于SLOPE/W和PLAXIS 2D力学模拟生成的数据）。输入变量包括坡高、坡角(θ)、孔隙水压力比(R_u)、土体重度(γ)、黏聚力和摩擦角(?)。通过PSO优化ANN的超参数，最优配置为六隐藏层结构，并结合自定义损失函数和K-fold交叉验证评估模型。随后将训练好的代理模型嵌入蒙特卡洛类型的抽样框架中，计算P_f、β和FoS分位数。基准方法包括一阶二次矩法(FOSM)、点估计法(PEM)和蒙特卡洛模拟(MCS)。

【研究结果】
Sensitivity Analysis for PSO Coefficients
通过在固定其他参数下改变认知系数(c₁)、社会系数(c₂)和惯性权重(ω)进行敏感性分析筛选，发现最优组合(1.5, 1.2, 0.7)在平衡探索与开发方面表现最佳，实现了R² = 0.95的性能，并用于后续优化。

Network Training and Evaluation
通过PSO架构选择和交叉验证，最优模型选定为六隐藏层结构。在独立留出测试集上的预测值与观测值散点图显示强一致性。在计算效率评估中，直接MCS分析需25分钟，而训练好的ANN代理模型概率传播仅需3分钟，将运行时间减少了约8倍。

Comparative Reliability Outputs (Dry and Wet Cases)
在干燥条件下(R_u = 0)，四种概率方法产生了一致的可靠度评估，表明边坡稳定且失效概率低。在湿润条件下，所有方法均预测边坡可靠度显著恶化，失效概率在86%到99%之间，平均FoS小于1。尽管存在定量差异，所有方法均识别出相同的向破坏主导行为转变的可靠度趋势。

Height-Domain Robustness Assessment
为评估全局高度范围的影响，仅使用10 ≤ H ≤ 50 m的案例（1326个）开发辅助ANN–MLP模型。限制训练高度域后产生了更保守的估计：干燥条件下P_f从1.09%增至4.36%；湿润条件下P_f从86.03%增至95.38%。尽管数值变化，工程解释保持不变，均预测干燥条件稳定而湿润条件破坏主导。

【讨论部分总结与研究结论翻译】
讨论部分指出，ANN–MLP–PSO代理模型在相同的概率假设和极限状态定义下，重现了FOSM、PEM和MCS获得的干燥到湿润条件下的可靠度变化。方法间的数值差异源于不同数学公式和对极限状态附近非线性的处理。尽管存在差异，ANN代理模型产生的可靠度指标保持在基准方法建立的范围内，成功再现了边坡系统的主要概率响应特征。高度域评估表明，特定点的定量估计对训练数据组成敏感，但定性工程结论对训练高度域的限制具有鲁棒性。

研究结论部分翻译如下：本研究开发了一个以可靠度为导向的ANN–MLP–PSO框架用于概率边坡稳定性评估，并对其性能进行了基准比较。该框架将基于ANN的建模扩展到概率可靠度评估，能够在统一的可靠度框架下估计P_f、β和FoS分布特征。在干燥条件下，所有方法预测出以FoS大于1、正可靠度指数和低失效概率为特征的总体稳定行为。相反，湿润条件导致了可靠度的显著恶化，表现为平均FoS低于1、负可靠度指数以及约86%至99%的失效概率。尽管观察到定量差异，但这四种方法始终识别出相同的整体可靠度趋势和工程解释。ANN–MLP–PSO模型可作为概率可靠度框架内的数据驱动FoS代理模型。从实际角度来看，该框架一旦训练完成即可实现快速概率评估，消除了不确定性传播过程中重复确定性分析的需求，支持其作为可靠度导向岩土工程评估和概率筛选的工具。