基于SHEN模型的边坡安全系数预测

王战红; 甘建军

doi:10.12404/j.issn.1671-1815.2507238

科学技术与工程 ›› 2026, Vol. 26 ›› Issue (17) :7165-7173 DOI: 10.12404/j.issn.1671-1815.2507238

天文学、地球科学

基于SHEN模型的边坡安全系数预测

王战红 ,
甘建军 ^*

作者信息 +

Prediction of Slope Factor of Safety Based on SHEN Model

WANG Zhan-hong ,
GAN Jian-jun ^*

Author information +

文章历史 +

摘要

为实现对边坡安全系数(factor of safety,FOS)的高精度预测,提出一种异质集成框架SHEN(slope-stability hybrid ensemble network)能够捕捉边坡稳定性分析中复杂的非线性物理关系。该框架首先对极端梯度提升(extreme gradient boosting,XGBoost)与快速梯度提升(light gradient boosting machine,LightGBM)进行贝叶斯优化,并基于验证集性能进行加权集成,然后与深度神经网络(deep neural networks,DNN)进行二级动态融合。基于整理的302个开挖土质边坡工程案例数据库(特征包括重度γ、黏聚力c、内摩擦角ϕ、边坡角β、边坡高度H、孔隙压力比r_u等),在10折交叉验证与独立测试集上评估模型的回归与分类[FOS(factor of safety)≥1.0为稳定]性能。结果表明,利用SHEN在测试集计算可得R²=0.907 0、RMSE=0.148 9、MAE=0.107 4,并在分类任务上计算得到F₁为0.937 5,这些结果均优于XGBoost、LightGBM与单一DNN模型。该方法兼具树模型的特征选择能力与神经网络的非线性表征能力,为岩土工程中的稳定性评估与风险管理提供了可复用的技术路径。

Abstract

A heterogeneous ensemble framework, termed the slope-stability hybrid ensemble network (SHEN), was proposed for high-precision prediction of the factor of safety (FOS) in slope stability. The framework was engineered to model the complex nonlinear physical relationships inherent in slope stability analysis. Within this framework, Bayesian optimization was first applied to tune the hyperparameters of extreme gradient boosting (XGBoost) and light gradient boosting machine (LightGBM), followed by weighted integration based on their performance on the validation set. Subsequently, a secondary dynamic fusion was performed using a deep neural network (DNN). Based on a database of 302 excavation soil slope engineering cases (including characteristics such as heavy γ, cohesion c, internal friction angle ϕ, slope angle β, slope height H, pore pressure ratio ru, etc.), the regression and classification of the model were evaluated on a 10 fold cross validation and independent test set, with FOS (factor of safety) ≥ 1.0 as the stability performance. The assessment was carried out through 10-fold cross-validation and an independent test set. The results demonstrate that superior performance was demonstrated by SHEN on the test set. R²of 0.907 0, RMSE of 0.148 9, and MAE of 0.107 4 are achieved for regression, an F₁ of 0.937 5 is obtained for classification. All individual benchmark models are outperformed. Individual XGBoost, LightGBM, and DNN models are outperformed by SHEN. The feature selection capabilities of tree-based models are integrated with the nonlinear representation abilities of neural networks in this approach. A reusable technical framework for stability assessment and risk management in geotechnical engineering is provided by this method.

Graphical abstract

关键词

边坡稳定性 / 安全系数 / 贝叶斯优化 / 集成学习 / 神经网络

Key words

slope stability / factor of safety / Bayesian optimization / ensemble learning / neural networks

引用本文

引用格式 ▾

王战红, 甘建军. 基于SHEN模型的边坡安全系数预测[J]. 科学技术与工程, 2026, 26(17): 7165-7173 DOI:10.12404/j.issn.1671-1815.2507238

WANG Zhan-hong, GAN Jian-jun. Prediction of Slope Factor of Safety Based on SHEN Model[J]. Science Technology and Engineering, 2026, 26(17): 7165-7173 DOI:10.12404/j.issn.1671-1815.2507238

登录浏览全文

4963

注册一个新账户忘记密码

边坡稳定性分析是岩土工程中的关键问题之一,广泛应用于土木工程、交通基础设施、矿山开采等领域^[1-2]。边坡失稳不仅可能导致严重的经济损失和人员伤亡,还会对周围环境造成不可逆的破坏^[3-4]。因此,精确评估边坡稳定性、预测边坡安全系数(factor of safety, FOS)并提前发出预警,对于确保工程安全、降低灾害风险具有重要意义^[5]。

传统的边坡稳定性评价方法,如工程类比法、极限平衡法和数值分析法等,虽然在一定程度上能够提供理论支持,但这些方法在处理复杂的非线性关系和多因素影响时存在一定局限性^[6]。例如,极限平衡法假设边坡材料为均质、各向同性,且忽略了实际边坡中复杂的力学行为;数值分析法则依赖于大量的现场数据和复杂的计算,往往难以适用于动态变化的实际工程^[7-8]。在这种背景下,基于人工智能和机器学习(artificial intelligence and machine learning,AI/ML)技术的边坡稳定性预测方法日益受到关注,因为它们能够通过挖掘大量数据中潜在的非线性关系,克服传统方法的局限性^[9]。

近年来,机器学习模型在边坡稳定性预测中的应用取得了显著进展,尤其是深度学习、支持向量机(support vector machine,SVM)、决策树(decision tree,DT)以及集成学习方法(如随机森林、XGBoost 和LightGBM)^[10]。这些模型在数据驱动的背景下,通过自动学习边坡特征与稳定性之间的复杂关系,能够有效提高预测精度^[11-12]。然而,现有的单一模型往往难以兼顾精度和泛化能力,且在面对数据不平衡和噪声问题时容易产生过拟合^[13]。为了克服这一问题,集成学习方法逐渐成为提高预测性能的有效手段^[14-15]。

针对上述问题,现提出一种基于贝叶斯优化的混合集成网络模型——slope-stability hybrid ensemble network(SHEN)。该模型融合集成学习与深度神经网络的优势,首先通过贝叶斯优化精细调优XGBoost和LightGBM的超参数,并根据验证集表现进行加权集成;随后,将此集成输出与深度神经网络(deep neural network,DNN)的预测结果进行二级融合,从而显著提升预测精度和模型稳定性。相较单一模型,SHEN充分利用算法互补性,在处理复杂非线性关系和多变量数据时展现出更强鲁棒性。与传统极限平衡法或有限元法不同,该模型采用数据驱动方法,无需复杂边界条件建模,即可实现滑坡稳定性的快速预测和自动化分析。此外,基于积累的典型滑坡数据,SHEN可扩展至区域滑坡的批量预测,为灾害防控提供高效技术支持。

1 数据集与预处理

1.1 评价指标与数据集

在机器学习中,数据集的真实准确性直接关系到训练模型的性能。为提高模型的预测性能,使用研究文献中已被用于边坡稳定性预测的数据作为数据集^[16-19],共建立了302个开挖的土质边坡案例,其中处于稳定状态下的边坡案例较多,破坏状态下的边坡案例较少。本文研究对象限定为典型开挖土质边坡,不涉及结构面控制明显的岩质边坡。工程实践表明,主要影响因素包括边坡高度(H)、边坡角(β)、孔隙压力比(r_u)、黏聚力(c)、内摩擦角(ϕ)和岩石重度(γ)。部分数据如表1所示。

1.2 数据集特征分析

1.2.1 数据分布特性

为全面刻画数据集中各关键影响因子的统计特征,采用小提琴图与箱线图对岩石重度γ、黏聚力c、内摩擦角ϕ、边坡角β、边坡高度H及孔隙水压力r_u六项参数的分布特性进行可视化分析,如图1所示。结果表明,样本总体分布连续、工程代表性较好;岩石重度γ、黏聚力c、内摩擦角ϕ、坡角β、坡高H及孔隙水压力r_u的统计分布。各参数呈单峰、连续分布,无异常极端值,取值范围与典型岩质与土质边坡工程实测基本相符,反映了代表性的力学与几何特征,可作为后续边坡稳定性数值模拟与不确定性分析的可靠输入数据。

1.2.2 相关性分析

在机器学习领域,尤其是在使用具有正则化能力的集成树模型和深度学习模型时,预先进行特征相关性分析并非必要步骤^[20]。原因主要如下。

树模型对特征相关性的鲁棒性:集成树模型(如XGBoost和LightGBM)通过构建多个决策树并聚合其预测结果来工作。在单个决策树中,分裂节点的过程会基于信息增益等指标选择最佳特征,而该过程天然地能够处理特征之间的相关性。因为树模型在分裂时只会选择其中一个相关特征,从而避免多重共线性带来的影响。此外,集成模型中的多个树可能会使用不同的相关特征,从而进一步降低对任何单一特征的依赖^[21]。

深度学习的表示学习能力:深度神经网络(DNN)通过多层非线性变换自动学习特征的层次表示。即使输入特征之间存在线性关系,DNN也能够通过其隐藏层学习到更高级的特征表示,这些表示可以捕获数据中复杂的非线性模式,并且对输入特征的相关性不敏感^[22]。

模型验证策略:采用10折交叉验证和独立测试集来评估模型性能,这提供了模型泛化能力的直接证据。如果特征相关性对模型性能产生负面影响,那么模型在验证集和测试集上的表现将会下降。然而,本文模型在这些评估中均表现出色,这表明特征相关性并未对模型性能造成不利影响^[23]。

现代机器学习实践:近年来,在机器学习竞赛和实践中,使用原始特征并依靠模型自身的正则化能力已成为一种常见做法。例如,XGBoost和LightGBM在处理高维数据和特征相关性方面表现出色,这已被多个领域的研究所证实^[24-25]。

因此,本文研究选择不进行单独的特征相关性分析,而是依靠模型的固有能力和严格的验证流程来确保其稳健性。这一做法符合当前机器学习领域的最佳实践^[26]。

2 算法原理

2.1 XGBoost算法

XGBoost的核心思想是集成学习中的树(Boosting),即通过串行地训练多个弱学习器,每一棵树都学习之前所有树组合的残差,最终通过加权求和得到强学习器。XGBoost通过加法模型(additive model)与前向分步算法(forward stagewise algorithm)迭代构建决策树,其目标函数引入正则化项(L1/L2)以控制模型复杂度,表达式为

(1)$\mathrm{Obj}^{(t)}=\sum_{i=1}^{n} L\left[y_{i}, \hat{y}^{(t-1)}+f_{t}\left(x_{i}\right)\right]+\sum_{k=1}^{t} \Omega\left(f_{k}\right)$

(2)$\begin{aligned}\mathrm{Obj}^{(t)} \approx & \sum_{i=1}^{n} L\left[y_{i}, \hat{y}^{(t-1)}+g_{i} f_{t}\left(x_{i}\right)+\frac{1}{2} h_{i} f_{t}^{2}\left(x_{i}\right)\right]+ \\& \Omega\left(f_{k}\right)+\mathrm{const}\end{aligned}$

式中:const为常数;T为叶子节点数;ω为叶子权重;Ω(f_k)为第k棵树的复杂度惩罚项,表达式为

(3)$\Omega\left(f_{k}\right)=\gamma T+\frac{1}{2} \lambda \sum_{j=1}^{T} \omega_{j}^{2}$

式(3)中:T为该树的叶子节点数量;ω_j为第j个叶子节点的权重值;γ和λ为正则化超参数,分别控制叶子节点数量和权重幅度。

XGBoost 通过梯度提升算法迭代训练多棵决策树,并通过二阶梯度优化和正则化提高了训练效率和预测性能。

2.2 LightGBM算法

LightGBM(light gradient boosting machine)是一种高效梯度提升框架,其核心创新在于直方图构建、样本与特征降维及叶子优先生长策略。该方法首先将连续特征离散化为有限数量的直方图桶,通过在桶级别累计一阶及二阶梯度统计量以降低特征分裂的时间与空间复杂度;随后引入基于梯度的一侧采样(gradient-based one-side sampling,GOSS),保留梯度幅值较大的关键样本并对其余低梯度样本进行加权随机抽样,以在保证分裂增益近似最优的同时显著减少计算负担;此外,通过互斥特征打包(exclusive feature bundling,EFB)将稀疏且互斥的高维特征合并,有效压缩特征空间并降低内存消耗。模型在树结构生长上采取叶子优先(leaf-wise, best-first)策略,在每轮迭代中选择增益最大的叶节点进行分裂,从而提升模型的逼近能力与训练效率。然而,leaf-wise策略在提升拟合度的同时也增加了过拟合风险,需通过限制最大叶子数等正则化手段加以控制。LightGBM能够在保持预测精度的同时实现大规模数据场景下的高效训练与资源节省。

2.3 神经网络算法

神经网络算法原理为:通过多层结构模拟人脑神经元之间的连接,完成输入到输出的映射。每个神经元接收输入,通过加权求和和激活函数进行计算,输出传递至下一层。网络训练通过最小化损失函数来优化权重参数。

每层的输出通过加权和、偏置和激活函数进行计算,表达式为

(4)$\left\{\begin{array}{l}{z}^{\left(i\right)}={W}^{\left(i\right)}{a}^{(i-1)}+{b}^{\left(i\right)}\\ {a}^{\left(i\right)}=f\left[{z}^{\left(i\right)}\right]\end{array}\right.$

(5)ReLU(x)=max(0,x)

式中:W⁽ⁱ⁾为第i层的权重;a⁽ⁱ⁾为激活输出;f(·)为激活函数(ReLU)。回归问题常用均方误差(MSE)作为损失函数,表达式为

(6)L=$\frac{1}{N}\sum _{i=1}^{N}({y}_{i}-{\stackrel{\wedge }{y}}_{i}{)}^{2}$

式(6)中:y_i为真实值;${\stackrel{\wedge }{y}}_{i}$为预测值。

神经网络通过梯度下降法和正则化优化网络权重和防止过拟合。神经网络通过层层传递信息,逐步提取特征,最终通过优化算法最小化损失函数,实现输入与输出之间的映射关系。通过使用适当的激活函数、损失函数和优化方法,神经网络能够解决复杂的非线性问题,并具备强大的拟合能力和泛化能力。

2.4 SHEN模型构建过程

为提高边坡稳定性预测模型的精度与泛化能力,提出一种将梯度提升树与深度神经网络进行层次化结构耦合的混合框架 SHEN,如图2所示。该框架通过自适应融合机制,充分发挥不同算法在特征选择、非线性表达和鲁棒性方面的互补优势,实现对边坡安全系数(FOS)的高精度表征。

2.4.1 基模型优化与正则化集成

在第一阶段,SHEN 采用并行策略对异质基学习器进行独立训练。树模型子系统由 XGBoost 和 LightGBM 构成,通过贝叶斯优化联合调节学习率、正则化系数和树深度等关键超参数,在抑制过拟合的同时增强对潜在特征依赖关系的刻画能力。依托嵌入式特征选择机制,两种提升树模型可自动识别并突出对 FOS 影响显著的关键地质参数,对异常值和噪声具有较强的鲁棒性。深度神经网络(DNN)子系统采用多层前馈结构,并结合批量归一化、Dropout 与 L2 权重衰减等正则化手段,有效缓解冗余特征带来的过拟合风险。凭借其强非线性表示能力,DNN 能补充树模型在高阶特征交互刻画方面的不足。

2.4.2 层次化自适应融合机制

第二阶段在基模型训练完成后,引入两级自适应融合策略。一级融合:树模型子系统内集成。通过在验证集上对 XGBoost 与 LightGBM 的加权系数进行优化,构建初级集成预测器。在不同数据分布条件下,该加权方式可降低单一模型对局部模式的过拟合风险,获得更稳定的树模型输出。二级融合:树模型与 DNN 的动态耦合。在一级融合得到的树模型集成输出与 DNN 输出之间,引入第二级动态加权融合策略。通过在验证集上实施网格搜索确定最优权重组合,使结构化特征优势突出的提升树集成与高维非线性表达能力强的 DNN 得到协同发挥,从而最大化整体预测性能。该层次化机制使 SHEN 能够随数据复杂度自适应调整树模型与神经网络的相对贡献。

2.4.3 算法互补性与理论优势

SHEN的优势来自异质算法的互补协同:提升树模型依托分裂准则与嵌入式特征选择能够自动聚焦关键特征、对异常值与噪声更稳健;DNN通过多层非线性变换学习高阶交互与复杂耦合关系,弥补树模型对某些高维连续非线性表达的不足;二者融合后可在无需先验相关性分析的前提下,更有效应对多变量冗余、强非线性与数据分布波动等问题。

2.4.4 技术实现与综合评估框架

模型采用端到端的训练流程,集成10折交叉验证与独立测试集评估,确保结果的可复现性与统计显著性。评估框架包含双重验证体系:回归精度指标决定系数(R²)、均方根误差(RMSE)、平均绝对误差(MAE)量化预测准确性,分类判别指标(准确率、精确率、F₁)评估稳定性判别的可靠性,全面表征模型在边坡工程实际应用中的性能表现。

2.4.5 对特征相关性的理论立场

SHEN 以“算法鲁棒性优于先验预处理”为设计原则。树模型通过结构化分裂实现隐式特征筛选与抗共线性影响,DNN 通过分布式表示学习与正则化实现对冗余信息的抑制与解耦,层次化融合进一步降低对先验分析的依赖;该理念已通过交叉验证与独立测试的稳定性能得到实证支撑,体现出面向工程数据的适用性与可靠性。

2.5 模型性能评估

采用多种指标评估优化模型在边坡稳定性预测中的性能。对于回归任务,使用R²分数衡量模型对边坡安全因子数据的拟合程度,表示模型解释变量变异的比例;RMSE评估预测安全因子与实际值之间的平均平方偏差,MAE衡量二者的平均绝对偏差,MAXE则反映模型在最极端边坡案例中的最大预测偏差。对于分类任务,采用准确率(accuracy)表示模型正确分类边坡稳定与不稳定样本的比例,精确率(precision)表示预测为不稳定边坡中真正不稳定的比例,召回率(recall)表示真正不稳定边坡中被正确识别的比例,F₁作为精确率和召回率的调和平均,用于综合评估分类器的平衡性能;此外,受试者工作特征曲线(receiver operating characteristic, ROC)通过曲线下的面积(area under curve,AUC)量化模型的整体泛化能力,用于评估边坡稳定性分类的效果,并便于定量比较不同模型在复杂地质条件下的优劣。

3 模型试验与分析

通过对4种模型在R²、RMSE、MAE以及最大误差上进行比较得到结果,如表2所示。

4种模型在训练集上的表现存在显著差异。传统的树模型(XGBoost 与 LightGBM)整体表现稳定,R² 分别为 0.768 3 和 0.777 5,说明其对样本特征的拟合能力较强,但仍存在一定的误差累积,RMSE 和 MAE均高于神经网络与 SHEN 模型。相比之下,神经网络在非线性特征建模方面优势明显,R² 提升至 0.953 1,且RMSE和MAE分别降至 0.108 6 与 0.078 6,表现出更高的拟合精度。综合指标显示,SHEN 模型在所有评价指标上均取得最佳结果(R²=0.990 5,RMSE=0.048 7,MAE=0.034 0,F₁ =0.968 5),表明其在捕捉复杂特征关系与误差控制方面均优于其他模型。

从分类性能来看,SHEN 模型在准确率、精确率、召回率及 F₁ 方面均达到最高值,说明其在整体预测精度与稳定性上具有明显优势。该模型较神经网络进一步提升了约 1.8% 的 F₁,并显著降低了最大误差(由 0.347 6 降至 0.212 6),体现出其更优的泛化能力与鲁棒性。这一结果表明,将多模型特征融合与权重优化相结合的集成策略,能够有效弥补单一模型在特定特征空间的不足,从而实现性能的全局最优。总体而言,SHEN 模型在训练集上表现出最强的拟合能力与分类准确性,为后续测试验证与实际应用提供了可靠的技术基础。

如图3所示为4种回归模型在“实际安全系数-预测安全系数”空间的拟合表现。XGBoost与LightGBM的R²分别为0.768 3与0.777 5,散点呈扇形,随自变量增大离散度上升,且低值区普遍高估、高值区低估,体现向均值回归与异方差。神经网络R²提升至0.953 1,点云沿y=x对角线明显收敛,极端区误差显著缩小,表明其对非线性关系与高阶交互的刻画更充分。SHEN模型R²达0.990 5,散点几乎与对角线重合,整体校准度与灵敏度最优,显示对全区间的拟合与排序能力接近理想。

将测试集数据代入训练好的模型中,得到测试结果如图4所示。

基于的测试集散点图,四模型在“实际-预测安全系数”空间均呈近线性响应,整体围绕 y=x 分布。XGBoost 与 LightGBM 的 R² 分别为 0.819 6 与 0.752 0,点云离散度较大,随实际值增大出现“扇形”扩张,低值段偏高、较高值段偏低,显示对极端区的刻画不足。神经网络 R² 提升至 0.861 2,贴合同线性趋势,极端区误差相对收敛。SHEN 模型 R²=0.907 0,分布最为紧凑,校准度与排序能力最佳。综合比较,预测能力排序为:SHEN>神经网络>XGBoost≈LightGBM;差异主要体现在方差结构与高低区间的灵敏度上,前两者对非线性与交互关系的刻画更充分。

根据表3分析测试集结果,各模型的泛化能力存在明显差异。传统的XGBoost与LightGBM 模型在测试集上R²分别为0.819 6和0.752 0,说明二者仍能保持一定的预测精度,其中 LightGBM 在分类性能上略优(准确率0.915 3、精确率0.935 5),体现出较好的稳定性。神经网络模型在测试集上取得了 R²=0.861 2、RMSE=0.181 9 的表现,较树模型显著提升,但其召回率仅为 0.781 2,表明在部分样本预测中存在偏保守倾向。整体来看,SHEN 模型在测试集上依旧保持极强性能(R²=0.907 0,RMSE=0.148 9,MAE=0.107 4,F₁ =0.937 5),说明该模型在未见样本上具备较强的泛化与稳健性。

综合分析可知,SHEN 模型不仅在训练集上表现出优异的拟合能力,在测试集上同样展现出出色的预测性能与泛化水平。其在F₁、精确率和召回率方面均达到最高值,表明模型在准确识别与整体平衡性上优于其他对比模型。与神经网络相比,SHEN模型的RMSE与MAE分别降低约18.1%和25.7%,F₁提高7.5%,显著提升了模型在误差控制和分类一致性上的表现。这表明通过多模型融合与权重优化的集成策略,能够有效缓解单模型的过拟合问题并增强预测稳定性。总体而言,SHEN模型在测试阶段表现出的高精度与高鲁棒性,为实际应用提供了坚实的技术支撑。

从图5 各个模型的ROC曲线图可见,4个模型在两种数据情景均显著优于随机基线(AUC=0.5),整体具备强区分度。SHEN曲线最贴近,AUC=0.993 6,为四者最佳;神经网络次之(0.987 1);XGBoost与LightGBM分别为0.952 3与0.946 5。在低误报段(FPR≤0.1),SHEN与神经网络曲线几乎呈“陡直上升”,在极低假阳性率(false positive rate, FPR)即可取得很高真阳性率(true positive rate, TPR),显示其对正类样本的早期捕获能力更强;两种树模型在该区间斜率偏缓,提示低FPR下召回稍逊。

如图6所示,四者AUC整体抬升:SHEN 0.989 6仍居首;XGBoost与LightGBM均约为0.980 3,并列其后;神经网络为0.965 3。与左图相比,树模型曲线显著向左上方移动,在中低FPR段的陡峭度提升明显,说明在该场景下其排序能力与可分性得到加强。各模型在中高FPR区(0.2~0.3)趋于“贴顶”,TPR接近1,差异收敛;而在极低FPR区,SHEN的优势最为突出。

综上,性能阶序在两种情景下基本稳定:SHEN > 神经网络 >(XGBoost ≈ LightGBM)。差异主要体现在低FPR段的曲线斜率与贴角程度:SHEN兼具更高的AUC与更好的早期识别能力;树模型在图6场景中逼近神经网络,显示出对该数据分布与特征交互的良好适配性。

为进一步评估SHEN边坡稳定性预测模型的性能,选用XGBoost、LightGBM和神经网络作为对比模型,并通过混淆矩阵展示各模型在“稳定”与“不稳定”状态下的预测结果(如图7所示)。从混淆矩阵分析可见,4种模型的表现存在显著差异。XGBoost和LightGBM在“稳定”状态预测上准确度较高,但均伴随较多假负误差。这表明二者在“不稳定”状态识别时较为保守,假阳性较少,从而体现了模型在分类边界上的谨慎性。相较树模型,神经网络对“稳定”状态的预测更精准,但假负误差略增,凸显其在捕捉复杂数据关系时的优势与潜在不足。SHEN模型整体预测能力最优,尽管假负误差较高,但其在“稳定”状态上的精确度突出,且假阳性最小,显示出对分类边界的准确把握。

取来自赣州市于都县某土质边坡的工程为例,进行预测如表4所示,当样本实际安全系数为 1.25 时,XGBoost 的预测值为 1.262 4,对应绝对误差为 0.012 4,相对误差为 0.99%;LightGBM 的预测值为 1.257 9,绝对误差为 0.007 9,相对误差为 0.63%;神经网络模型预测值为 1.086 8,绝对误差为0.163 2,相对误差为 13.06%。相比之下,SHEN 模型预测值为 1.249 5,绝对误差仅为 0.000 48,相对误差为 0.039%,表现出最高的预测精度。

通过实例证明,SHEN模型在边坡安全系数预测中表现出高精度,较XGBoost等模型误差更小,临界状态下稳定性好。它通过优化特征权重增强了对关键因素的捕捉能力,有效避免过拟合问题,具有较强的工程适用性,可为边坡安全评估与风险管控提供可靠依据,具备推广价值。

4 结论

基于混合集成网络(SHEN)提出了一种边坡安全系数(FOS)的预测方法。通过结合贝叶斯优化的集成学习与深度神经网络(DNN),SHEN模型有效地提升了边坡稳定性预测的精度与稳定性。主要结论如下。SHEN模型通过集成XGBoost和LightGBM这两种传统的树模型,并与深度神经网络(DNN)进行二级融合,有效提高了边坡稳定性预测的精度。在302个边坡案例的数据集上,SHEN在回归任务中R²=0.907 0、RMSE=0.148 9、MAE=0.107 4,且在分类任务中F₁ =0.937 5,明显优于传统单一模型(如XGBoost、LightGBM和DNN)。这一结果证明了集成学习和深度神经网络相结合的有效性,并为边坡稳定性预测提供了一个高效且可靠的解决方案。

通过贝叶斯优化对XGBoost和LightGBM的超参数进行精细调优,克服了传统手动调整超参数时面临的困难。通过这一优化策略,SHEN模型能够根据验证集性能动态调整权重,充分利用不同算法的优势,避免了过拟合和模型不稳定性。两级融合策略(集成树模型与DNN输出)进一步提升了预测结果的稳定性和泛化能力,表现出比传统方法更强的适应性和精度。

综上,SHEN模型的优势在于通过集成学习和深度神经网络处理复杂非线性关系,实现更快速、数据驱动的预测,尤其适用于参数不确定或初步评估场景。它在工程地质分析中展现出良好精度与适应性,也为岩土工程的安全评估与风险管理提供了智能化解决方案。未来研究可优化模型结构与特征选择策略,扩展其在区域斜坡稳定评估及其他地质条件中的应用,从而增强对区域滑坡风险的预测能力,并为实现智能化、自动化的地质灾害管理奠定基础。

参考文献

原文顺序 | 出版日期 | 本文引用

[1]	Arif A, Zhang C, Sajib M H, et al. Rock slope stability prediction: a review of machine learning techniques[J]. Geotechnical and Geological Engineering, 2025, 43(1): 1-25.

[2]	张永顺, 常明军, 刘宇航, 等. 基于集成学习的多年冻土区路堑边坡稳定性预测[J]. 公路交通科技, 2025, 42(1): 131-139.

[3]	Zhang Yongshun, Chang Mingjun, Liu Yuhang, et al. Cut slope stability prediction in permafrost region based on ensemble learning[J]. Journal of Highway and Transportation Research and Development, 2025, 42(1): 131-139.

[4]	田俊伟, 江兴元, 李阳春, 等. 贵州三叠系含软弱夹层顺层滑坡成灾机理与失稳过程分析[J]. 科学技术与工程, 2025, 25(9): 3593-3603.

[5]	Tian Junwei, Jiang Xingyuan, Li Yangchun, et al. Analysis of disaster mechanism and instability process of bedding landslide with weak inter-layer in Triassic strata of Guizhou[J]. Science Technology and Engineering, 2025, 25(9): 3593-3603.

[6]	Ehsan M, Anees M T, Bakar A, et al. A review of geological and triggering factors influencing landslide susceptibility: artificial intelligence-based trends in mapping and prediction[J]. International Journal of Digital Earth, 2025, 18(1): 200-225.

[7]	Ehsan M, Anees M T, Bakar A, et al. A review of geological and triggering factors influencing landslide susceptibility: artificial intelligence-based trends in mapping and prediction[J]. International Journal of Digital Earth, 2025, 18(1): 200-225.

[8]	Nanehkaran Y A, Licai Z, Chengyong J, et al. Comparative analysis for slope stability by using machine learning methods[J]. Applied Sciences, 2023, 13(15): 8765.

[9]	陈磊, 张强, 贾朝军, 等. 强降雨对库岸堆积体边坡稳定性影响的离心模型试验和数值模拟研究[J]. 岩土力学, 2024, 45(5): 1423-1434.

[10]	Chen Lei, Zhang Qiang, Jia Chaojun, et al. Centrifugal modeling and numerical simulation on stability of reservoir bank accumulation slope caused by heavy rainfall[J]. Rock and Soil Mechanics, 2024, 45(5): 1423-1434.

[11]	Yadav D K, Chattopadhyay S, Tripathy D P, et al. Enhanced slope stability prediction using ensemble machine learning techniques[J]. Scientific Reports, 2025, 15(1): 4567.

[12]	Khan M, Gulaly L, Aziz A. Advancing pseudo-static slope stability predictions using explainable machine learning[J]. Transportation Infrastructure Geotechnology, 2025, 12(2): 89-110.

[13]	袁旭山, 刘京会, 黄龙生, 等. 基于机器学习模型的新源县滑坡易发性评估[J]. 科学技术与工程, 2025, 25(5): 1815-1826.

[14]	Yuan Xushan, Liu Jinghui, Huang Longsheng, et al. Assessment of landslide susceptibility in Xinyuan County based on machine learning models[J]. Science Technology and Engineering, 2025, 25(5): 1815-1826.

[15]	He L, Coggan J, Francioni M, et al. Maximizing impacts of remote sensing surveys in slope stability—a novel method to incorporate discontinuities into machine learning landslide prediction[J]. International Journal of Geo-Information, 2021, 10(9): 587.

[16]	Kumar S, Singh L K, Roy L B, et al. Enhancing the sustainability of slope stability in embankment construction by leveraging smart sensors and monitoring systems for data-driven insights[J]. International Journal of Sustainable Engineering, 2025, 18(2): 134-156.

[17]	Bahadori-Jahromi A, Room S, Paknahad C, et al. The role of artificial intelligence and machine learning in advancing civil engineering: a comprehensive review[J]. Applied Sciences, 2025, 15(10): 6789.

[18]	Ranjan K D, Wipulanusat W. Advancements in predicting soil liquefaction susceptibility: a comprehensive analysis of ensemble and deep learning approaches[J]. Scientific Reports, 2025, 15(2): 7890.

[19]	Ahmad A, Husain A. Applications of machine learning in seismic performance assessment: trends, challenges, and future directions[EB/OL]. (2025-08-04)[2026-03-31]. https://doi.org/10.20944/preprints202508.0177.v1.

[20]	苏国韶, 宋咏春, 燕柳斌. 高斯过程机器学习在边坡稳定性评价中的应用[J]. 岩土力学, 2009, 30(3): 675-679, 687.

[21]	Su Guoshao, Song Yongchun, Yan Liubin. Application of Gaussian process machine learning in slope stability evaluation[J]. Rock and Soil Mechanics, 2009, 30(3): 675-679, 687.

[22]	Li J, Wang F. Study on the forecasting models of slope stability under data mining[C]//Earth and Space 2010:Engineering, Science, Construction, and Operations in Challenging Environments. Reston: ASCE, 2010: 765-776.

[23]	Manouchehrian A, Gholamnejad J, Sharifzadeh M. Development of a model for analysis of slope stability for circular mode failure using genetic algorithm[J]. Environmental Earth Sciences, 2014, 71(4): 1791-1801.

[24]	Xu W, Shao J F. Artificial neural network analysis for the evaluation of slope stability[C]// Proceedings of the International Conference on Neural Networks in Engineering. Chem: Springer, 1998: 521-524.

[25]	Kudaibergenov M, Nurakynov S, Iskakov B, et al. Application of artificial intelligence in landslide susceptibility assessment: review of recent progress[J]. Remote Sensing, 2024, 16(12): 2103.

[26]	Arif A, Zhang C, Sajib M H, et al. Rock slope stability prediction: a review of machine learning techniques[J]. Geotechnical and Geological Engineering, 2025, 43(1): 1-25.

[27]	Ehsan M, Anees M T, Bakar A, et al. A review of geological and triggering factors influencing landslide susceptibility: artificial intelligence-based trends in mapping and prediction[J]. International Journal of Digital Earth, 2025, 18(1): 200-225.

[28]	Waris K A, ur Rahaman M A, Basha B M. Detection and prediction of slope stability in unsaturated finite slopes using interpretable machine learning[J]. Modeling Earth Systems and Environment, 2025, 11(4): 123-145.

[29]	Kurnaz T F, Erden C, Dağdeviren U, et al. Comparison of machine learning algorithms for slope stability prediction using an automated machine learning approach[J]. Natural Hazards, 2024, 120(3): 567-589.

[30]	Waris K A, ur Rahaman M A, Basha B M. Detection and prediction of slope stability in unsaturated finite slopes using interpretable machine learning[J]. Modeling Earth Systems and Environment, 2025, 11(4): 123-145.

[31]	Bahadori-Jahromi A, Room S, Paknahad C, et al. The role of artificial intelligence and machine learning in advancing civil engineering: a comprehensive review[J]. Applied Sciences, 2025, 15(10): 6789.

基金资助

国家自然科学基金(42162025)

江西省交通设计研究院有限责任公司科研课题(院科技字〔2025〕8号)

2025年省级地质灾害调查研究项目(赣自然资函〔2025〕20号)

PDF (5689KB)

访问

被引

详细

导航

Received	Published	Revised
2025-10-15	2026-06-18	2025-12-18
Online Date
2026-08-04

摘要