《Journal of Rock Mechanics and Geotechnical Engineering》：Machine learning-based assessment of three-dimensional slope stability using geometric features under heavy rainfall
编辑推荐：
本文针对传统GIS方法简化边坡几何形态、数值模拟计算量大难以区域应用的瓶颈，提出了一种融合数值模拟与机器学习（ML）的区域尺度三维边坡稳定性评估框架。研究采用支持向量回归（SVR）、极限梯度提升（XGBoost）、随机森林（RF）及其递归特征消除优化版本（RFE-RF），以边坡几何特征为输入预测安全系数（FoS）。在日本长崎公路边坡的验证表明，RFE-RF模型预测精度最高（R2=0.9294），单次预测仅需0.68秒，为区域实时预警与风险管理提供了高效新途径。
在气候变化加剧的背景下，极端降雨事件频发，由此引发的边坡失稳和滑坡灾害对人民生命财产安全构成严重威胁。特别是在亚洲地区，2004年至2018年间，全球约75%的降雨型滑坡发生于此。日本在2018年和2020年遭遇的特大暴雨更是造成了巨大的破坏和损失。因此，准确评估强降雨条件下的边坡稳定性，对于灾害预防和减灾至关重要。
传统的边坡稳定性评估方法面临两难困境。一方面，基于地理信息系统（GIS）的方法虽然计算高效，但通常将复杂的边坡几何形态过度简化为一维或二维模型，这往往低估了边坡的实际稳定性，因为真实世界的边坡是复杂的三维实体。另一方面，诸如有限差分法或有限元法这类精确的数值模拟方法，虽然能刻画复杂的几何形态，但其计算成本高昂，主要用于单个边坡的精细分析，难以应用于大范围的区域评估。此外，降雨入渗导致非饱和区基质吸力（Matric Suction）的动态变化以及岩体遇水软化效应，进一步增加了评估的复杂性。尽管三维极限平衡法在GIS研究中有所应用，但在区域尺度上仍需进行简化。如何快速、准确地对具有连续起伏表面的三维边坡在降雨条件下的稳定性进行区域化评估，成为一个亟待解决的科学与工程难题。
为了突破这一瓶颈，发表在《Journal of Rock Mechanics and Geotechnical Engineering》上的研究，创新性地提出了一种将物理机理明确的数值模拟与数据驱动能力强大的机器学习相结合的研究框架。该研究旨在探索三维边坡几何特征（如坡度、表面起伏度）与降雨条件下边坡安全系数之间的复杂非线性关系，并建立一个高效、可靠的预测模型，为区域尺度的边坡稳定性快速评估和风险预警提供新方案。
研究人员开展了一项系统的研究。首先，他们通过精细的三维数值模拟（使用FLAC3D软件）来生成高质量的训练数据。模拟考虑了非饱和渗流（采用van Genuchten模型描述土-水特征曲线SWCC）和降雨引起的岩体强度软化效应，并使用强度折减法计算不同降雨历时（0小时、24小时、48小时）下的边坡安全系数，从而获得可靠的“标准答案”。其次，他们从数字高程模型（DEM）中提取了能够表征三维边坡几何形态的关键特征，包括最大坡度、平均坡度、表面起伏度（即边坡表面与参考平面的垂直距离）以及沿边坡纵向起伏频率等。研究构建了多组具有不同几何形态的标准三维边坡模型，并选取了日本长崎国道251沿线一处实际岩石边坡作为案例区，从中提取了六个真实的边坡模型进行验证。
关键技术方法主要包括：1. 三维非饱和渗流与稳定性耦合数值模拟，用于生成包含基质吸力变化和岩体水软化的FoS基准数据；2. 基于GIS的边坡几何特征（坡度、起伏度等）提取技术；3. 四种机器学习模型（SVR, XGBoost, RF, RFE-RF）的构建与比较，其中RFE-RF采用递归特征消除优化特征选择；4. SHAP（Shapley Additive Explanations）分析用于解释模型预测结果和特征重要性。
5.1. 3D数值模拟
数值模拟结果清晰地揭示了边坡几何形态对稳定性的显著影响。通过剪切强度折减法计算的安全系数表明，在持续降雨（强度20毫米/小时）条件下，所有边坡模型的稳定性均随时间下降。边坡表面起伏剧烈、坡度较陡的区域，其最大剪切应变集中，是潜在的滑动区域。例如，模型6具有最显著的几何特征（陡峭的坡度和大起伏度），其安全系数在降雨48小时后降至最低（1.118），表明其稳定性最差。模拟结果还直观地展示了降雨入渗过程中边坡内孔隙水压力分布和饱和度的动态变化，为理解降雨致滑机理提供了依据。
5.2. ML预测
研究人员对比了四种机器学习模型的预测性能。结果表明，经过递归特征消除优化的随机森林模型（RFE-RF）表现最优。在测试集上，RFE-RF模型的确定系数R2达到0.9294，均方根误差和平均绝对误差分别为0.0533和0.0459，其预测值与数值模拟结果最为接近，且能很好地捕捉安全系数的变化趋势。相比之下，SVR、XGBoost和基础RF模型的预测精度和稳定性均有所不及。更重要的是，RFE-RF模型展现了极高的计算效率，完成一次预测仅需0.68秒，而完成一次精细的三维数值模拟则需要数小时，凸显了ML方法在大规模应用中的巨大潜力。
5.3. SHAP分析用于模型解释
为了增强机器学习模型的可解释性，研究采用了SHAP分析来量化各输入特征对预测结果的贡献度。分析显示，降雨历时是影响预测安全系数的最重要因素，这符合降雨入渗导致抗剪强度降低的物理机理。在几何特征中，平均坡度和平均起伏度对模型输出的影响显著大于局部最大坡度或起伏度。起伏频率的影响也大于最大坡度，表明边坡表面转折角的增加会显著增强应力集中效应，从而降低稳定性。这一分析结果不仅验证了模型的物理合理性，也为工程实践提供了指导，例如应优先对坡度陡、起伏大的区域加强监测和防护。
6. 讨论
本研究的主要优势在于将具有明确物理基础的数值模拟与强大的机器学习算法相结合，既保证了预测结果的物理意义，又实现了计算效率的飞跃。研究重点关注了连续起伏的三维边坡几何形态，比传统的简化模型更贴近实际。通过构建标准的数值模拟数据库，确保了机器学习训练数据的“洁净”和可靠性。然而，研究也存在一定的局限性。当前模型主要依赖于几何特征，未充分考虑地下水位、风化层厚度、岩土体强度参数等非几何因素的影响。此外，降雨模式被简化为恒定强度，未考虑降雨强度变化和前期土壤湿度条件。未来的研究将致力于构建包含更全面影响因素的数据库，并引入更复杂的降雨条件，以进一步提升模型的预测能力和普适性。
本研究通过融合数值模拟与机器学习，成功开发了一种基于三维边坡几何特征来快速预测强降雨条件下安全系数的创新方法。研究证实，边坡的几何形态，特别是沿纵向的坡度变化和表面起伏，对其稳定性有决定性影响。优化后的RFE-RF模型能够高效、准确地捕捉这种复杂关系，其卓越的计算性能（单次预测0.68秒）为区域尺度的边坡稳定性实时评估和滑坡风险预警提供了强有力的技术工具。这套框架为解决传统方法在区域应用中的计算瓶颈和简化过度问题提供了新思路，为推进地质灾害的智能防控奠定了坚实基础。随着更多影响因素的纳入和模型的进一步优化，该方法有望在更广泛的工程实践中发挥关键作用。
