基于机器学习的边坡稳定性分析.pdfVIP

D0I:10.13905/j.cnki.dwjz.2024.6.016

基于机器学习的边坡稳定性分析

THESLOPESTABILITYANALYSISBASEDONMACHINELEARNING

一

宋腾蛟，周孙超

（吉林建筑大学测绘与勘查工程学院，长春130118）

SONGTengjiao,ZHOUSunchao

(SchoolofExplorationEngineering,JilinJianzhuUniversity,Changchun130118,China)

【摘要】为更加快速精确的分析边坡的稳定状态，文中结合浙江北部441个边坡案例，选取了重度、黏聚力、内摩擦角、坡角、

坡高、孔隙压力比6个特征参数，建立数据集。通过在预测边坡稳定状态中有良好性能表现的支持向量机、BP神经网络、随机

森林、GA-BP以及PSO-BP模型进行预测精度比较，获得样本下精度最高的算法模型。研究表明基于混淆矩阵以及AUC指标

进行模型精度评价,PSO-BP具有误差小以及稳定性强的优点，为后续更加快速分析边坡稳定状态提供一种新的思路。

【关键词】边坡稳定状态；BP神经网络；鲁棒性

【中图分类号】TU434【文献标志码】A【文章编号】1001-6864(2024)6-0066-04

Abstract:441slopecasesinnorthernZhejiangprovincearetakentoanalyzethestablestateoftheslopemore

quicklyandaccuratelybyestablishingthedatasetintermsoftherelativedensity,cohesion,internalfrictionangle,

slopeangle,slopeheight,andporepressureratio.Bycomparingthepredictionaccuracyofsupportvectormachines,

BPneuralnetworks,randomforests,GA-BP,andPSO-BPmodels,whichhaveshowngoodperformanceinpredict-

ingthestabilityofslopes,thealgorithmmodelwiththehighestaccuracyunderthissampleisobtained.Research

showsthat,basedontheconfusionmatrixandAUCmetricsformodelaccuracyevaluation,PSO-BPhastheadvan-

tagesofsmallerrorandstrongstability,providinganewapproachforfasteranalysisofslopestabilityinthefuture.

Keywords:slopestabilitystate;bpneuralnetwork;robustness

0引言据资料建立数据库，挑选出分析边坡稳定状态精准度

近年来，滑坡灾害给国家带来了巨大的损失。以较高的支持向量机、随机森林、BP神经网络、GA-BP

2020年为例，我国发生了4810起滑坡灾害，造成了及PSO-BP模型,利用网格搜索法进行超参数的组合

197人死亡，直接经济损失高达50.20亿元。因此，调整，并采用混淆矩阵以及其二级指标、AUC指标等

研究边坡稳定性一直是一个热门话题。由于边坡所对各模型的性能进行综合评价，选择最佳算法模型。

处的地质环境条件、气候和气象以及地震