融合多算法协同优化与双解释框架的集成学习边坡稳定性智能预测可视化分析

吴顺川 ,  曹一凡 ,  韩龙强 ,  浦仕江 ,  高雨诺 ,  黄世贵

科学技术与工程 ›› 2026, Vol. 26 ›› Issue (31) :13423-13436

PDF (18168KB)
科学技术与工程 ›› 2026, Vol. 26 ›› Issue (31) :13423-13436 DOI: 10.12404/j.issn.1671-1815.2507730
论文:矿冶工程

融合多算法协同优化与双解释框架的集成学习边坡稳定性智能预测可视化分析

作者信息 +

Intelligent Prediction and Visual Analysis of Slope Stability via Ensemble Learning Combined with Multialgorithm Collaborative Optimization and Dual Interpretability Framework

Author information +
文章历史 +

摘要

边坡稳定性分析是岩土工程领域的重点研究课题,传统的稳定性评估方法存在一定局限性,难以准确刻画边坡稳定性影响因素之间复杂的非线性作用关系。提出一种基于多种优化算法融合的智能边坡稳定性预测模型,旨在提升边坡稳定性的预测精度与模型可解释性。首先,对8种常用机器学习模型进行性能对比,确定随机森林为最优基准模型;随后引入肺部性能优化算法、黄金正弦算法与黏菌算法,对随机森林的超参数开展协同优化,进一步提升模型的预测性能。在此基础上,采用集成学习方法,通过分级网格搜索优化集成模型的超参数,并将集成模型与单一优化模型开展性能对比,结果表明集成模型在预测精度与稳定性方面均具备显著优势。为进一步增强模型的可解释性,采用SHAP(shapley additive explanations)与LIME(local interpretable model-agnostic explanations)方法解析各输入特征对预测结果的贡献度,明确了影响边坡稳定性的关键因素及其贡献排序。实验结果显示,经超参数优化后的随机森林模型预测准确率达到0.935 9,而集成模型性能更优,准确率提升至0.948 7,且在F1分数与精确率等评价指标上均有良好表现。最后,开发了一套集成数据可视化与稳定性预测功能的软件系统,能够为边坡稳定性提供快速、准确的智能评估支持。

Abstract

Slope stability analysis is regarded as a critical issue in geotechnical engineering. However, inherent limitations exist in traditional evaluation methods, and complex nonlinear relationships among influencing factors cannot be fully characterized. Therefore, an intelligent prediction model for slope stability based on the integration of multiple optimization algorithms was proposed to improve prediction accuracy and model interpretability. First, eight widely used machine learning models were compared, and the random forest model was selected as the optimal baseline model. Then, its hyperparameters were collaboratively optimized using the lung performance optimization algorithm, the golden sine algorithm, and the slime mould algorithm to further enhance predictive performance. Subsequently, an ensemble learning framework was constructed, whose hyperparameters were optimized with the successive halving gridsearch method. The ensemble model was compared with individual models, and it is indicated that superior performance in both accuracy and stability is achieved. To improve model interpretability, the SHAP(shapley additive explanations) and LIME(local interpretable model-agnostic explanations)methods were employed to quantify feature contributions to prediction results and to identify key influencing factors and their relative importance. It is shown that the optimized random forest model achieves an accuracy of 0.935 9, while better performance is achieved by the ensemble model, with an accuracy of 0.948 7 and favorable F1-score and precision. Finally, a software system integrating data visualization and slope stability prediction functions was developed. Efficient and reliable support was provided by the system for intelligent slope stability evaluation.

Graphical abstract

关键词

边坡稳定性 / 优化算法 / 集成学习 / 可解释性分析 / 可视化系统

Key words

slope stability / optimization algorithms / ensemble learning / interpretability analysis / visualization system

引用本文

引用格式 ▾
吴顺川, 曹一凡, 韩龙强, 浦仕江, 高雨诺, 黄世贵. 融合多算法协同优化与双解释框架的集成学习边坡稳定性智能预测可视化分析[J]. 科学技术与工程, 2026, 26(31): 13423-13436 DOI:10.12404/j.issn.1671-1815.2507730
WU Shun-chuan, CAO Yi-fan, HAN Long-qiang, PU Shi-jiang, GAO Yu-nuo, HUANG Shi-gui. Intelligent Prediction and Visual Analysis of Slope Stability via Ensemble Learning Combined with Multialgorithm Collaborative Optimization and Dual Interpretability Framework[J]. Science Technology and Engineering, 2026, 26(31): 13423-13436 DOI:10.12404/j.issn.1671-1815.2507730

登录浏览全文

4963

注册一个新账户 忘记密码

边坡稳定性问题在基础设施建设工程、矿业工程、水利水电工程和自然灾害防控领域均至关重要,如何快速、准确地评估边坡稳定性并预测其失稳风险,不仅是工程技术问题,也是关乎社会安全和可持续发展的重要课题[1-3]。
传统的边坡稳定性分析方法主要有:①工程地质类比法,一般是将待研究边坡与地质条件相似、已有勘察资料的边坡进行对比分析,但该方法缺乏定量分析能力,分析结果高度依赖所选取的类比案例[4-5];②坡率法,指通过控制边坡的高度和坡度,使边坡保持安全稳定的状态,但该方法无法纳入土体强度、地下水等关键影响因素[6-7]进行分析;③图解法,常见类型包括摩擦圆法、赤平极射投影法,分析结果通常高度依赖图解的精度和方法本身的适用性,往往无法准确反映边坡的实际情况[8-9];④极限平衡法,该方法根据边坡破坏的边界条件,通过力学分析开展抗滑强度的理论计算,但分析前需要对边坡建立详细模型并做出一系列假设[10];⑤数值模拟法,该方法可以在不同边界条件下求解得到边坡的位移场、应力场、渗流场,还能够模拟边坡的破坏及其发展过程,但该方法计算过程复杂耗时,分析结果对模型假设和参数设置都非常敏感[11-12];⑥荷载抗力系数设计法,该方法可以为结构设计提供合理的理论基础,用于解释荷载与抗力的变异性,应用时需要对荷载和抗力的系数进行准确评估,分析过程中可能忽略岩土体本身的变异性和非线性因素[13-15]。
在基于机器学习开展边坡稳定性分析的基础上,结合优化算法或集成学习,通常可以进一步提升模型性能与预测精度[16]。徐智超等[17]提出了粒子群优化(particle swarm optimization,PSO)-支持向量机(support vector machine,SVM)边坡稳定性预测模型,通过主成分分析完成降维,并对SVM超参数进行优化。与反向传播神经网络(back propagation neural network,BPNN)、随机森林(random forest,RF)以及未优化的SVM对比后,结果显示该模型在各项指标上均表现更优,具备最佳的预测性能与泛化能力。Foong等[18]采用平衡优化算法(equilibrium optimizer,EO)和涡旋搜索算法(vortex search algorithm,VSA)优化多层感知器神经网络(multilayer perceptron neural network,MLPNN),提高了单层土质边坡安全系数的预测精度。彭宗桓等[19]提出了结合Spencer法、改进PSO与径向基函数(radial basis function,RBF)神经网络的三维边坡可靠度分析方法,结果表明该方法的计算精度与计算效率更优,且经工程案例验证,削坡减载能够显著提升边坡稳定性,可将边坡失效概率降低近两个数量级。Sun等[20]提出了一种基于贝叶斯优化算法(Bayesian optimization,BO)的堆叠集成学习模型,采用决策树(decision tree,DT)、SVM、K近邻算法(K-nearest neighbors,KNN)和RF构建集成回归模型预测边坡安全系数,该模型不仅有效提高了预测精度,还规避了复杂计算问题。金爱兵等[21]基于304个边坡案例建立预测数据库,采用麻雀搜索算法(sparrow search algorithm,SSA)优化SVM,并与多种智能优化算法优化后的SVM模型进行对比,结果表明SSA-SVM模型在预测精度、精确率、F1分数、平均精度和曲线下面积(area under the curve,AUC)等指标上均优于其他模型,验证了麻雀搜索算法在边坡失稳预测中的显著优势。
综上所述,尽管优化算法与集成学习已在边坡稳定性预测领域取得广泛应用与进展,但仍存在以下四方面问题:①多数研究在通过优化算法搜寻模型最优超参数的过程中,未充分开展多种优化算法的横向对比,搜寻结果易陷入局部最优解;②现有研究选取的特征参数多集中于坡高、坡角、孔隙压力比、容重、黏聚力与内摩擦角等常规参数,但缺乏对各特征贡献度的定量评估与加权处理,进而影响了模型的预测精度;③集成学习领域常用的超参数搜索方法,如网格搜索(grid search,GS)与贝叶斯优化(BO)均存在局限性:网格搜索计算成本高、运行效率低,难以处理连续型参数,贝叶斯优化则对初始样本敏感、计算过程复杂、依赖模型假设,且在复杂问题中收敛速度较慢;④现有研究多聚焦于优化算法结合单一模型,或是优化算法结合集成学习模型的单一方向,缺乏对两类方法的系统性对比分析。
针对上述问题,提出基于多种优化算法改进的边坡稳定性智能预测方法,具体研究思路如下:首先通过8种机器学习模型,即决策树、随机森林、逻辑回归、支持向量机、朴素贝叶斯、K近邻、多层感知机(multi-layer perceptron,MLP)神经网络、梯度提升树开展分类预测,通过综合对比选取最优基准模型,随后对影响边坡稳定性的特征进行重要性排序和赋权,强化对预测结果贡献较大特征的作用。之后,采用肺部性能优化算法(lungs performance-based optimization,LPO)、黄金正弦算法(golden sine algorithm,Gold-SA)和黏菌算法(slime mould algorithm,SMA)对最优基准模型进行超参数优化,并通过分级网格搜索(halving grid search CV,HGSCV)优化集成学习模型的超参数,完成优化后对单一模型与集成学习模型的预测性能进行对比分析。接下来利用沙普利加性解释(shapley additive explanations,SHAP)和局部可解释模型无关解释(local interpretable model-agnostic explanations,LIME)对预测结果进行解释分析,以此提升模型的可解释性,明确各特征的贡献度,增强模型透明度。最终开发出一款基于LIME的数据可视化及边坡稳定性预测系统。研究成果不仅在算法优化与模型解释性方面具有创新性,同时也可为边坡设计与稳定性分析提供重要参考。

1 边坡特征数据分析

从文献中收集边坡数据集,共整理得到389个边坡案例[22-25],地域分布涵盖北美(美国、加拿大)、欧洲(英国、法国、西班牙、希腊、意大利)、亚洲(中国、印度、日本)、大洋洲(澳大利亚)等地区;工程场景包括露天矿边坡(铁矿、煤矿、铜矿、铬矿等)、交通工程边坡、水库与水电站边坡、库区滑坡及自然山体滑坡;岩性类型涉及花岗岩、砂岩、石灰岩、黏土、砂土、黄土等多种岩土介质。本数据集案例来源广泛,具有一定的代表性与通用性。为了进行边坡稳定性预测,选取6个典型的边坡稳定性影响因素:坡高H、坡角θ、孔隙水压比ru、容重γ、黏聚力c和内摩擦角ϕ。这些因素被认定为影响边坡稳定性的主要控制因素[26-27]。

1.1 样本数据集及可视化分析

表1展示了部分边坡案例数据。其中6个因素作为样本特征,边坡状态作为分类标签。分别计算边坡稳定与失稳状态下各因素的平均值和中位数,如表2所示。结果表明,坡高、坡角、孔隙水压比、容重、黏聚力和内摩擦角的平均值和中位数在稳定状态下和失稳状态下差异较大,由此说明选取这6个因素适用于边坡稳定性预测模型构建。

如图1所示为不同边坡状态下样本特征的核-密度分布图,显示了每个样本特征在边坡稳定和失稳情况下的分布情况,说明边坡稳定性是由多个特征共同作用所决定的。每个特征的分布情况反映了其在不同边坡状态下的变化,体现了边坡稳定性是一个综合考虑多种因素的复杂问题。如图2所示为不同边坡状态下样本特征间的相关系数图,可知,6组特征之间基本不存在相关性(R<0.5);在边坡稳定状态下,坡角与内摩擦角之间存在弱相关性(R=0.51)。将稳定与失稳边坡分组进行相关系数分析,可有效避免混合分析对不同状态下特征关联规律的平均化与模糊化,精准揭示边坡不同稳定性状态下的特征相互作用差异,此次分析所得的低相关性结果,进一步验证了选取坡高、坡角、孔隙水压比、容重、黏聚力和内摩擦角作为边坡预测模型输入参数的合理性,能有效规避模型建模过程中多重共线性问题的出现。

1.2 利用随机森林模型进行特征重要度排序

特征重要度排序是指利用随机森林模型来评估每个输入特征对模型预测准确性的贡献程度,从而分析不同特征对预测准确性的影响。

在随机森林中,最终的预测结果是通过所有树的预测结果进行投票得到的。通过该方法,随机森林可以评估每个特征对模型预测能力的贡献,从而对特征进行重要度排序,重要性得分越高的特征,其对模型的贡献越大,如图3所示。

之后将各个特征的重要度与训练集逐元素相乘,通过式(1)赋予不同的重要性权重,可以突出那些对模型预测能力贡献更大的特征,同时降低贡献较小的特征的影响。

${\mathit{W}}_{\mathit{X}\_\mathrm{t}\mathrm{r}\mathrm{a}\mathrm{i}{\mathrm{n}}_{\mathit{i}\mathit{j}}}={\mathit{X}}_{\mathrm{t}\mathrm{r}\mathrm{a}\mathrm{i}{\mathrm{n}}_{\mathit{i}\mathit{j}}}{\mathit{F}}_{\mathrm{i}\mathrm{m}\mathrm{p}\mathrm{o}\mathrm{r}{\mathrm{t}}_{\mathit{j}}}$

式(1)中:${\mathit{W}}_{\mathit{X}\_\mathrm{t}\mathrm{r}\mathrm{a}\mathrm{i}{\mathrm{n}}_{\mathit{i}\mathit{j}}}$为加权后的特征矩阵的元素;Xtrainij为训练数据集中的元素;Fimportj为第j个特征的重要性权重。

综上所述,通过特征重要度分析与加权处理,可有效突出关键影响因素、提升后续模型的学习效率与预测精度。为清晰地展现整体研究逻辑与技术实施路径,将数据预处理、特征加权、模型构建、预测分析及可解释性验证等环节整合为完整的边坡稳定性预测系统流程,如图4所示。

基于流程框架,后续将重点开展边坡稳定性预测模型的构建、优化、对比与可解释性分析工作。

2 边坡稳定性预测

2.1 机器学习算法

最初选择决策树[28]、随机森林[29]、逻辑回归[30]、支持向量机[31]、朴素贝叶斯[32]、K近邻[33]、MLP神经网络[34]、梯度提升树[35]分类预测算法来预测同一数据集上的边坡稳定性情况。8种算法目前已广泛应用于各种领域当中,且都属于监督学习的范畴,选择这些算法来预测边坡稳定性情况,可以确保从多个角度评估问题,并能通过集成方法结合它们的优势,以提高预测的准确性和鲁棒性。

2.2 优化算法

为解决优化参数问题,采用了多种优化算法,包括受肺部工作方式启发、通过“吸入”“呼出”阶段模拟实现全局最优解搜索的肺部性能优化算法[36],利用正弦函数周期性与黄金分割比例迭代寻优的黄金正弦算法[37],模拟黏菌觅食行为以避免局部最优的黏菌算法[38],以及基于网格搜索和成功率控制、通过逐步缩小候选参数范围加快超参数搜索速度的分级网格搜索[39]。

2.3 预测模型分析

分别在同一数据集选用决策树、随机森林、逻辑回归、支持向量机、朴素贝叶斯、K近邻、MLP神经网络、梯度提升树模型,并且都采用默认超参数,对数据集进行预测,通过综合考虑交叉验证精度、准确率、模型的稳定性和泛化能力可以发现随机森林模型在上述8种模型中表现出最佳的性能。

不同模型的预测准确率及平均交叉验证精度如图5所示。在边坡稳定性预测中,随机森林模型表现出显著的优势,准确率最高(0.884 6),且交叉验证准确率(0.821 4)也表现良好,表明其泛化能力较强。相比之下,其他模型如决策树、逻辑回归和支持向量机准确率均低于随机森林,尤其是贝叶斯的表现最差,说明这些模型难以处理边坡稳定性预测中的非线性关系。随机森林通过集成多棵决策树,具有抗过拟合能力强、适应非线性特征和处理高维数据的优势,同时还能评估特征重要性。因此,随机森林是边坡稳定性预测中的最优选择。

2.4 集成算法分析

集成算法(ensemble algorithms)是机器学习中的一种技术,通过组合多个模型的预测结果来提高整体模型的性能和稳定性[40]。

选用梯度提升模型通过逐步构建多个弱模型,每个模型在之前模型的基础上进行改进,重点关注前一模型未能正确预测的样本。最终的预测是多个模型的加权和。

选用决策树、随机森林、支持向量机、梯度提升分类器作为投票分类器中的基学习器具有以下优势和好处,它们能够相互弥补各自的缺点,各模型在边坡稳定性预测中的优势互补性体现了其协同作用。随机森林作为基于装袋法(bagging)的强大集成模型,具有较低的过拟合风险和较高的泛化能力;决策树则以简单、快速、易解释的特点为基础,为集成模型提供了参考;支持向量机能够处理高维数据和复杂的非线性决策边界,与树模型形成互补;梯度提升模型通过提升方法捕捉复杂非线性关系并逐步优化误差,提供了精度高且适应性强的模型。这些模型通过各自的特点和优势互相补充,充分利用集成模型的多样性,既降低了过拟合风险,又提升了整体预测性能与稳健性。

2.5 优化算法分析

2.5.1 单预测模型优化

将3种优化算法设定相同的迭代次数和初始化种群大小,对预测模型进行迭代寻优,选用随机森林的估计器数量(n_estimators)和最大深度(max_depth)这两类超参数,其中,n_estimators为构建决策树的数量,增加树的数量可以提高模型的准确性,但也会增加计算成本和过拟合的风险;而max_depth为每棵决策树的最大深度,控制树的最大深度有助于防止过拟合。分别将这两个参数范围设为50~1 000和0~25。其中max_depth的0(对应参数none),允许树充分生长。

分别使用上述肺部性能的优化、黄金正弦算法优化、黏菌算法优化算法,之后将适应度函数定义为F1分数(统计学中用来衡量二分类模型精确度的一种指标)随机森林的预测模型,求其平均验证分数为适应度值。之后选取的最优适应度值和位置(即最优超参数)如表3所示。

由表3可知,最优适应度值相同而超参数不相同,可以进一步验证这些超参数在数据集上的性能,分别使用十折交叉验证法(计算所有迭代中性能指标的平均值,得到模型的整体评估结果)、曲线下面积(衡量模型对于正负样本区分能力的指标,AUC)、混淆矩阵(描述模型预测和实际标签之间的关系),其中参数组1为肺部性能优化算法寻优得到的超参数组合(n_estimators=96,max_depth=19),参数组2为黄金正弦优化算法寻优得到的超参数组合(n_estimators=89,max_depth=none),参数组3为黏菌优化算法寻优得到的超参数组合(n_estimators=100,max_depth=none),验证结果如图6所示。如图7所示为参数组1、参数组2、参数组3超参数组合下,模型对测试集数据预测的混淆矩阵。后续模型训练与性能验证,将 389 组边坡样本按照8∶2 的比例划分数据集,其中训练集311组数据,测试集78组数据,并设立固定随机种子,确保数据分割的可重复性。

由图6可知,参数组1和参数组2在十折交叉验证结果中均优于参数组3,且参数组1对应的AUC值高于参数组2和参数组3。由图7可知,不同参数组在测试集上的分类结果整体较为接近,但参数组1在稳定与失稳样本的识别上更为均衡,误分类数量相对较少。综合对比各项评价指标,最终选取参数组1(n_estimators=96,max_depth=19)作为随机森林预测模型的最优超参数组合。

2.5.2 集成算法优化

使用分级网格搜索优化算法为每个分类器定义超参数搜索空间,指定3折交叉验证并设置启发式因子factor为2,以F1分数作为评估指标,同时启用并行化[设置并行任务数n_jobs=-1,表示调用设备全部CPU核心进行并行计算]对各基学习器的超参数进行寻优。经寻优得到各集成学习基学习器的最优超参数如表4所示。各超参数的具体含义如下,n_estimators与max_depth用于控制基学习器的规模与复杂度;最大特征数(max_features)为决策树划分节点时选取的特征数量;划分准则(criterion)为节点不纯度度量标准; 惩罚系数(C)与核函数(kernel)分别为支持向量机的正则化强度与映射方式;学习率(learning_rate)用于控制梯度提升过程中迭代步长。将优化后的4个分类器组合成一个硬投票分类器(硬投票机制下,各个基学习器输出独立预测结果作为投票依据,集成模型最终选取得票数最高的类别作为判别结果),即最终预测结果由4个基学习器的投票结果决定。

2.6 预测分析

基于上述研究,选取最优预测算法模型(随机森林)、肺部性能优化算法(LPO)得出的最优超参数,进而保障模型训练和评估结果更稳定和可靠。通过随机森林预测,得到表5所示结果,优化前后随机森林预测模型对比如图8所示。

将优化后的集成模型使用硬投票策略完成测试集样本预测,投票机制仅输出类别投票结果、不输出类别预测概率,因此基于概率的评价指标不适用。因此本文将分类结果视为一种“二值化”的回归输出,然后计算均方误差、准确率、精确率、召回率和F1分数,各项指标结果如表6所示,如图9所示为集成学习预测值与真实值对比。

将上述3种不同预测结果以柱状图形式展示,如图10所示,对比了优化前随机森林模型、优化后随机森林模型和集成学习在均方误差、准确率、精确率、召回率和F1分数5个不同指标上的表现。优化前模型的均方误差最高,表明预测误差较大,而优化后和集成学习的均方误差显著降低,体现优化模型和集成学习能够有效降低误差。在准确率层面,优化后随机森林与集成学习模型性能均优于原始模型,其中集成学习模型取得更高准确率,预测判别能力得到进一步提升。精确率指标同样呈现该规律,优化后的两类模型高于优化前模型,集成学习精确率最优,对于边坡失稳正样本的误判概率更低。

3种模型召回率数值较为相近,优化后的单模型和集成学习模型效果基本持平,可见该数据集下召回率的提升空间有限,集成学习的性能优势主要反映于其余评价指标。由F1分数能够看出,优化后模型整体性能远优于初始随机森林,集成学习模型表现最优,具备优异的精确率召回率均衡能力。

优化后的单一预测模型和集成学习模型在所有指标上均优于未优化的模型,特别是在均方误差、准确率、精确率、召回率和F1分数指标上,显示出明显的提升。集成学习模型在所有指标上的表现都优于优化后的单一模型,证明了集成学习方法在提高预测精度和鲁棒性方面的优势。总而言之,通过优化和集成学习,模型在各个关键性能指标上都有显著改善。

2.7 模型可解释性分析

为了探索边坡稳定性与边坡特征之间的相关性,并解决复杂的机器学习算法的黑盒性质,采用了一种可解释性技术SHAP[41]。该技术提供了一种清晰直观的方法来解释不同特征对模型预测的影响;利用博弈论中的沙普利(Shapley)值来确保特征贡献方式的公平性,并揭示特征值与预测输出之间的潜在关系,为岩土工程领域的研究提供新的思路。

如图11所示,按特征贡献度从上往下排列,黏聚力对边坡稳定预测过程的影响最为显著,表明黏聚力是模型判断边坡是否稳定的关键因素;且对于黏聚力、内摩擦角和容重来说,高特征值大多数分布在正Shapley值区域,这说明这些特征值较高时,对边坡稳定性具有积极的贡献,即较高的黏聚力和内摩擦角可能提高边坡的稳定性。对于孔隙水压比来说,高特征值大多数分布在负Shapley值区域,表明这些特征值较大时,对边坡不稳定具有积极的贡献,即较大的孔隙水压力比可能降低边坡的稳定性。虽然大坡高、大了坡角通常被视为边坡稳定性的风险因素,但在本数据集中,模型将其视为稳定边坡的正向特征,可能反映了数据中的工程处理或优化设计因素。因此,需要结合具体工况对模型预测结果进行合理解释。

计算集成学习模型的Shapley值时,首先分别构建各基学习器对应的SHAP解释模型,获取不同模型对特征贡献的量化结果;在此基础上,从集成学习视角出发,对多模型的解释结果进行融合。考虑到各基学习器在模型性能上整体表现接近,采用等权平均融合方法(即算术平均)对各基学习器的Shapley值进行组合,从而获得集成模型整体特征重要性的综合估计。该方法能够在保留各基学习器解释信息的同时,降低单一模型波动带来的影响,提高结果的稳健性与可靠性,如图12所示。图12与图11的特征贡献度排序顺序不同,但黏聚力和容重依旧是影响边坡稳定性最重要的两个特征,表明它们对预测边坡是否稳定有显著的贡献。较低的黏聚力、密度和内摩擦角主要分布在负Shapley值区域,表明这些因素可能导致边坡处于失稳状态。而较低的孔隙水压力比则大多位于Shapley正值区域,表明较低的孔隙水压力比更有利于边坡的稳定。坡高和坡角的高特征值主要分布在Shapley值为0附近。这表明在当前数据和模型条件下,它们对边坡稳定性预测的贡献较小。这种现象可能与工程中分台阶设计降低了坡高影响有关,也可能是模型未能充分捕捉其与其他特征的交互关系所致。因此,需要结合工程背景和特征交互分析进一步研究其潜在影响。

前述模型解释分析为全局层面的特征贡献规律。为直观地揭示模型对不同边坡状态的决策逻辑,从测试集中选取典型失稳、稳定边坡样本开展局部可解释性分析,采用LIME方法[42]。LIME 通过在模型预测的样本局部邻域内构建简单可解释代理模型,聚焦于单样本预测行为解析,无需挖掘整个数据集的全局关联,能够在局部范围实现精细化解释。如图13所示为边坡失稳样本的 LIME 解释结果,模型预测该样本失稳概率为93%、稳定概率为7%;蓝色条形代表特征取值推动模型判定边坡失稳,橙色条形代表特征取值推动模型判定边坡稳定,条形长度表征贡献大小。孔隙水压比ru是驱动该样本判定为失稳的主控因素,贡献度 0.14;偏低黏聚力进一步增大失稳倾向。重度、坡高、坡角、内摩擦角虽对稳定存在正向贡献,但影响较弱,不足以抵消不利因素,模型最终判定边坡失稳。

如图14所示为稳定样本 LIME 解释结果,模型预测稳定概率高达 0.98。重度是支撑边坡稳定的主导因素,孔隙水压比、坡高、坡角、内摩擦角取值对稳定判定起到正向促进;偏低黏聚力在局部产生不利于稳定的作用。模型综合多特征协同效应完成预测,体现边坡稳定性受多因素共同控制。

3 边坡预测系统开发

基于可解释性的边坡稳定性可视化预测模型存在复杂性,以及模型的不透明等难点。因此将LIME图嵌入到边坡预测当中,并使用SHAP等可视化图形,开发了可解释性边坡稳定性预测系统,如图15所示。

后续选用本数据集之外的边坡实测样本开展外部验证,测试该系统的预测准确性,使用该系统预测表预测准确率达到100%,从表7中随机抽取样本6、样本10、样本14及样本20开展局部可解释性分析,部分预测结果如图16所示,借此可甄别对边坡失稳起主导作用的影响特征,为后续模型优化以及边坡防控处置方案的制定提供依据。

4 结论

通过对多种模型构建、优化及对比分析的系统研究,对边坡稳定性预测方法进行了深入探讨,综合结果可得到如下主要结论。

(1)对比分析表明,在本边坡数据集中,随机森林模型在8种预测模型中表现最优,其预测准确率与十折交叉验证平均准确率分别为0.884 6和0.821 4,因此被选为基准预测模型。

(2)采用3种优化算法有效辅助了随机森林超参数调优,显著提高了预测准确率与交叉验证性能。通过比较不同优化算法所得超参数对应的AUC值与十折交叉验证结果,最终选用LPO优化算法确定的超参数组合,该模型准确率达到0.935 9,精确率、召回率和F1分数分别为0.960 8、0.942 3和0.951 5。

(3)进一步引入梯度提升模型方法构建多个弱学习器,并基于分级网格搜索算法优化集成模型的超参数。优化后的集成模型准确率提升至0.948 7,精确率、召回率和F1分数分别达到0.980 0、0.942 3和0.960 8。结果表明,集成模型在准确率、精确率和F1分数等方面均优于单一模型,尤其在精确率与F1分数方面表现突出,说明其在控制误报率的同时保持了良好的正类识别能力。

(4)借助SHAP方法对随机森林与集成学习模型进行特征解析,发现黏聚力和容重特征在边坡稳定性预测中贡献最为显著,并明确了特征重要性排序及其与模型输出的关系。这一分析不仅增强了型决策过程的透明度,还揭示了集成模型通过多特征协同提升预测性能的机制,为边坡稳定性评估提供了更可靠的依据。

(5)在局部样本分析中,采用LIME方法对6个特征在具体样本中的预测贡献进行解释。LIME能够提供稳定与失稳类型的预测概率,并以可解释的方式展示各特征对单个预测结果的影响,有助于理解模型在特定样本中的决策逻辑,增强预测结果的可信度和可接受性。

参考文献

[1]

Ortiz-Giraldo L, Botero B A, Vega J. An integral assessment of landslide dams generated by the occurrence of rainfall-induced landslide and debris flow hazard chain[J]. Frontiers in Earth Science, 2023, 11: 1157881.

[2]

张志辉, 康景宇, 庞鑫, 等. 露天矿高陡边坡岩体参数获取与稳定性评价方法研究[J]. 科学技术与工程, 2024, 24(12): 4916-4924.

[3]

Zhang Zhihui, Kang Jingyu, Pang Xin, et al. Parameter acquisition and stability evaluation method of high steep slope rock mass in open-pit mine[J]. Science Technology and Engineering, 2024, 24(12): 4916-4924.

[4]

Wang Y H, Wang L Q, Zhang W G, et al. Knowledge data collaborative driven landslide vulnerability evaluation method based on 3D slope stability analysis[J]. Journal of Central South University, 2024, 31 (11): 3838-3853.

[5]

Xu S G, Zhang S T, Zhu C B, et al. Three practical methods for analyzing slope stability[J]. Acta Geologica Sinica, 2008, 82(5): 1083-1088.

[6]

陈建峰, 孙立川, 石振明, 等. 浙江三门核电厂人工高边坡稳定性评价[J]. 岩土力学, 2005, 26(S2): 33-35.

[7]

Chen Jianfeng, Sun Lichuan, Shi Zhenming, et al. Stability evaluation of artificial high slope at Sanmen Nuclear Power Plant in Zhejiang Province[J]. Rock and Soil Mechanics, 2005, 26 (S2): 33-35.

[8]

Fenton G A, Hicks M A, Wang X, et al. Effect of slope height and gradient on failure probability[C]//Geo-Congress 2013: Stability and Performance of Slopes and Embankments III. Reston: American Society of Civil Engineers, 2013: 972-981.

[9]

南宁, 李鹏, 苏生瑞, 等. 基于宽窄平台相结合的黄土高边坡优化设计——以陕西省子长市某工业广场高边坡为例[J]. 煤田地质与勘探, 2022, 50(6): 155-164.

[10]

Nan Ning, Li Peng, Su Shengrui, et al. Optimization design of loess high slope based on wide and narrow platforms: a case study of a high slope in an industrial square in Zichang City, Shaanxi Province[J]. Coalfield Geology and Exploration, 2022, 50(6): 155-164.

[11]

Trivedi A. Discussion of “exact solution of the friction circle method” by Jozsef Garai[J]. International Journal of Geomechanics, 2017, 17(10): 07017010.

[12]

陈刚, 黄骁, 孙进忠. 赤平极射投影在边坡稳定性分析中的应用[J]. 工程地质学报, 2008, 16(S1): 395-398.

[13]

Chen Gang, Huang Xiao, Sun Jinzhong. Application of Chi Ping Polar Projection in slope stability analysis[J]. Journal of Engineering Geology, 2008, 16(S1): 395-398.

[14]

Liu S Y, Shao L T, Li H J. Slope stability analysis using the limit equilibrium method and two finite element methods[J]. Computers and Geotechnics, 2015, 63: 291-298.

[15]

Sarkar K, Singh T N, Verma A K. A numerical simulation of landslide-prone slope in Himalayan region—a case study[J]. Arabian Journal of Geosciences, 2012, 5: 73-81.

[16]

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.

[17]

Chen Lei, Zhang Qiang, Jia Chaojun, et al. Centrifugal model test and numerical simulation study on the influence of heavy rainfall on the stability of reservoir bank slope[J]. Geotechnical Mechanics, 2024, 45(5): 1423-1434.

[18]

Salgado R, Kim D. Reliability analysis of load and resistance factor design of slopes[J]. Journal of Geotechnical and Geoenvironmental Engineering, 2014, 140(1): 57-73.

[19]

宋二祥. 条分法计算边坡稳定安全系数的定义——关于“稳定安全系数计算公式中荷载与抗力错位影响探讨”的讨论[J]. 岩土工程学报, 2021, 43(11): 2142-2143.

[20]

Song Erxiang. Definition of slope stability safety factor calculation by strip method - discussion on the influence of load and resistance misalignment in the stability safety factor calculation formula[J]. Chinese Journal of Geotechnical Engineering, 2021, 43 (11): 2142-2143.

[21]

吴顺川, 金爱兵, 刘洋. 边坡工程[M]. 北京: 冶金工业出版社, 2020.

[22]

Wu Shunchuan, Jin Aibing, Liu Yang. Slope engineering[M]. Beijing: Metallurgical Industry Press, 2020.

[23]

谭勇, 陈记, 杨忠民, 等. 基于CatBoost集成学习的边坡稳定性预测方法[J]. 科学技术与工程, 2024, 24(30): 13153-13160.

[24]

Tan Yong, Chen Ji, Yang Zhongmin, et al. Slope stability prediction method based on CatBoost ensemble learning[J]. Science Technology and Engineering, 2024, 24(30): 13153-13160.

[25]

徐智超, 陈匀杉, 邓超, 等. 基于PSO-SVM模型的边坡稳定性预测研究[J]. 安全与环境学报, 2025, 25(9): 3531-3537.

[26]

Xu Zhichao, Chen Yunshan, Deng Chao, et al. Predicting slope stability using a PSO-SVM model[J]. Journal of Safety and Environment, 2025, 25(9): 3531-3537.

[27]

Foong L K, Moayedi H. Slope stability evaluation using neural network optimized by equilibrium optimization and vortex search algorithm[J]. Engineering with Computers, 2022, 38(S2): 1269-1283.

[28]

彭宗桓, 盛建龙, 叶祖洋, 等. 基于改进PSO-RBF神经网络的三维边坡可靠度分析[J]. 地球科学, 2024, 49(5): 1706-1721.

[29]

Peng Zonghuan, Sheng Jianlong, Ye Zuyang, et al. Reliability analysis of 3D slope based on improved PSO-RBF neural network[J]. Earth Science, 2024, 49(5): 1706-1721.

[30]

Sun J, Wu S, Zhang H, et al. Based on multi-algorithm hybrid method to predict the slope safety factor-stacking ensemble learning with bayesian optimization[J]. Journal of Computational Science, 2022, 59: 101587.

[31]

金爱兵, 张静辉, 孙浩, 等. 基于SSA-SVM的边坡失稳智能预测及预警模型[J]. 华中科技大学学报(自然科学版), 2022, 50(11): 142-148.

[32]

Jin Aibing, Zhang Jinghui, Sun Hao, et al. Intelligent prediction and warning model for slope instability based on SSA-SVM[J]. Journal of Huazhong University of Science and Technology (Natural Science Edition), 2022, 50(11): 142-148.

[33]

Zhou J, Li E, Yang S, et al. Slope stability prediction for circular mode failure using gradient boosting machine approach based on an updated database of case histories[J]. Safety Science, 2019, 118: 505-518.

[34]

Qi C, Tang X. Slope stability prediction using integrated metaheuristic and machine learning approaches: a comparative study[J]. Computers & Industrial Engineering, 2018, 118: 112-122.

[35]

Li M, Li K, Qin Q, et al. Slope stability prediction based on IPOARF algorithm: a case study of Lala Copper Mine, Sichuan, China[J]. Expert Systems with Applications, 2023, 229: 120595.

[36]

Zhang H, Wu S, Zhang X, et al. Slope stability prediction method based on the margin distance minimization selective ensemble[J]. Catena, 2022, 212: 106055.

[37]

Rukhaiyar S, Alam M N, Samadhiya N K. A PSO-ANN hybrid model for predicting factor of safety of slope[J]. International Journal of Geotechnical Engineering, 2018, 12(6): 556-566.

[38]

Sakellariou M G, Ferentinou M D. A study of slope stability prediction using neural networks[J]. Geotechnical & Geological Engineering, 2005, 23: 419-445.

[39]

Magee J F. Decision trees for decision making[M]. Brighton: Harvard Business Review, 1964.

[40]

Breiman L. Random forests[J]. Machine Learning, 2001, 45: 5-32.

[41]

Hosmer Jr D W, Lemeshow S, Sturdivant R X. Applied logistic regression[M]. Hoboken: John Wiley & Sons, 2013.

[42]

Hearst M A, Dumais S T, Osuna E, et al. Support vector machines[J]. IEEE Intelligent Systems and Their Applications, 1998, 13(4): 18-28.

[43]

Rish I. An empirical study of the naive Bayes classifier[C]//IJCAI 2001 Workshop on Empirical Methods in Artificial Intelligence. Seattle: IJCAI, 2001: 41-46.

[44]

Peterson L E. K-nearest neighbor[J]. Scholarpedia, 2009, 4(2): 1883.

[45]

Taud H, Mas J F. Multilayer perceptron (MLP)[M]// Geomatic Approaches for Modeling Land Change Scenarios. Cham: Springer, 2018: 451-455.

[46]

Ke G, Meng Q, Finley T, et al. Lightgbm: a highly efficient gradient boosting decision tree[J]. Advances in Neural Information Processing Systems, 2017, 30: 3146-3154.

[47]

Ghasemi M, Zare M, Zahedi A, et al. Optimization based on performance of lungs in body: lungs performance-based optimization (LPO)[J]. Computer Methods in Applied Mechanics and Engineering, 2024, 419: 116582.

[48]

Tanyildizi E, Demir G. Golden sine algorithm: a novel math-inspired algorithm[J]. Advances in Electrical & Computer Engineering, 2017, 17(2): 71-78.

[49]

Li S, Chen H, Wang M, et al. Slime mould algorithm: a new method for stochastic optimization[J]. Future Generation Computer Systems, 2020, 111: 300-323.

[50]

Soper D S. Hyperparameter optimization using successive halving with greedy cross validation[J]. Algorithms, 2022, 16(1): 17.

[51]

孔坤锋, 陈宜玲, 陈锋, 等. 多模型决策级融合土质边坡稳定性预测模型及可解释性分析[J/OL]. 铁道科学与工程学报. (2025-07-01)[2026-03-29]. https://doi.org/10.19713/j.cnki.43-1423/u.T20250822.

[52]

Kong Kunfeng, Chen Yiling, Chen Feng, et al. Multi model decision level fusion soil slope stability prediction model and interpretability analysis[J/OL]. Journal of Railway Science and Engineering. (2025-07-01)[2026-03-29]. https://doi.org/10.19713/j.cnki.43-1423/u.T20250822.

[53]

Lundberg S M, Lee S I. A unified approach to interpreting model predictions[C]//Advances in Neural Information Processing Systems. Long Beach: Curran Associates, Inc., 2017: 4765-4774.

[54]

Ribeiro M T, Singh S, Guestrin C. “Why should I trust you?” Explaining the predictions of any classifier[C]//Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. San Francisco: ACM, 2016: 1135-1144.

[55]

Hoek E, Bray J D. Rock slope engineering[M]. Boca Raton: CRC Press, 1981.

[56]

Hudson J A. Rock engineering systems: theory and practice[M]. Oxford: Pergamon Press, 1992.

[57]

Lin P S, Lin M H, Su M B, et al. An investigation on the failure of a building constructed on hillslope[C]//5th International Symposium on Landslides. Rotterdam: A. A. Balkema, 1988: 445-449.

基金资助

国家自然科学基金(42302313)

云南省教育厅高校服务重点产业科技项目(FWCY-QYCT2024009)

云南省“兴滇英才支持计划”青年人才项目(KKXX202521023)

PDF (18168KB)

0

访问

0

被引

详细

导航
相关文章

/

〈 〉