一种考虑土体空间变异性的边坡可靠度分析与加固区域识别方法

本发明涉及深度学习算法在岩土工程中的应用和边坡可靠度分析，尤其是一种考虑土体空间变异性的边坡可靠度分析与加固区域识别方法。

背景技术：

1、在边坡可靠度分析领域，土体参数的空间变异性对边坡稳定性评估和工程安全施工设计至关重要。传统的边坡可靠度分析方法包括一阶可靠度分析法（form）、蒙特卡洛模拟法（mcsm）等，通过随机有限元法进行大量模拟以获取边坡可靠指标β，但是受限于极限状态曲面的非线性和单个样本数值模拟计算效率，在计算效率和精度上存在瓶颈。因此，基于机器学习的代理模型法因其样本需求量少、计算效率高被广泛应用于边坡可靠度分析中，其中，以数字图像输入的代理模型保留了空间相关性信息，避免了数据降维后丢失特征信息，成为近年来研究热点方向。然而，现有代理模型多数仅输出安全系数fos或失效概率等标量结果，难以同步反映边坡内部最大剪应变增量场、潜在滑动面形态和失稳模式。

2、例如，文献1《姬建，姜振，殷鑫，王涛，崔红志，张卫杰，边坡随机场数字图像特征cnn深度学习及可靠度分析，岩土工程学报，2022，44(8)，1463-1473》将土体随机场的离散结果转化为数字图像，建立随机场图像与边坡功能函数之间的卷积神经网络（cnn）代理模型，实现精确逼近真实边坡稳定性计算结果，显著提高边坡可靠度分析的细算效率。文献2《huang n，han y，xie w，hu r，peng h，song g，wu m，zhu m，wei h，liang m，aninnovative and efficient approach for slope reliability analysis: machinelearning based surrogate modeling with advanced attention mechanisms，engineering geology，2025，354，108194》利用卷积块注意力模块（cbam）提升了cnn的全局特征提取能力，并通过梯度加权类激活映射（grad-cam）展示了模型可解释性的增强。文献3《lin w，ma g，jiang m，xu j，rezania m, zhu h，an efficient graph neural networkssurrogate model for slope reliability analysis considering soil spatialvariability，reliability engineering and system safety，2026，267，111924（lin w，ma g，jiang m，xu j，rezania m，zhu h，一种高效的图神经网络替代模型，用于考虑土壤空间变异性下的坡度可靠性分析，可靠度工程与系统安全，2026，267，111924）》提出了一种基于图注意力网络（gat）的替代模型，将图像像素转换为图节点，将常规图像数据映射到包含拓扑信息的图结构上，以促进高效的可靠性分析。在场信息的预测方面，基于数字图像的代理模型方法能够替代复杂的数值模拟计算，以高度逼近真实力学、渗流、热传导的模拟结果。文献4《wang z，zhang j，huang h，interpreting random fields through the u-netarchitecture for failure mechanism and deformation predictions of geosystems，geoscience frontiers，2024，15，101720（wang z，zhang j，huang h，通过u-net架构解释随机场，以进行地质系统的失效机制和变形预测，地球科学前沿，2024，15，101720）》提出了一种基于u-net架构的深度学习代理模型，将土体参数随机场作为输入，高效且准确地预测空间变异土体边坡的破坏机制、滑动面分布以及变形场。

3、然而，以上研究缺乏了联系边坡稳定性与其失效模式之间的关联性，研究内容停留在提升代理模型的精度和计算效率，对代理模型的可解释性分析不足，未能将研究内容更进一步深入至边坡的工程设计和施工规划上。

技术实现思路

1、为了克服上述现有技术中的缺陷，本发明提供一种考虑土体空间变异性的边坡可靠度分析与加固区域识别方法，该方法不仅实现安全系数的预测，还能够预测边坡潜在滑动面位置，且能够识别边坡的高敏感区域和高频滑动区域，以此判断边坡的重要加固区域。

2、为实现上述目的，本发明采用以下技术方案，包括：

3、一种考虑土体空间变异性的边坡可靠度分析与加固区域识别方法，包括以下步骤：

4、步骤1，建立边坡有限差分数值模型，并划分离散网格，提取网格坐标信息；

5、步骤2，构建土体抗剪强度参数的随机场概率分布模型，生成土体参数随机场样本，并将其映射至所述离散网格中；

6、步骤3，基于数值模拟软件使用强度折减法计算所述随机场样本的边坡安全系数，并提取临界状态下的最大剪应变增量场；

7、步骤4，将所述土体参数随机场样本的离散值转化为多通道土体参数随机场图像，将所述最大剪应变增量场转化为单通道灰度图像，连同对应的边坡安全系数构建代理模型的训练数据集；

8、步骤5，构建并训练融合自适应卷积块注意力模块的数值回归代理模型，用于实现边坡安全系数的预测；

9、步骤6，构建并训练基于条件生成对抗网络cgan的图像转换代理模型，将所述多通道土体参数随机场图像作为输入，输出单通道最大剪应变增量场灰度图像；

10、步骤7，基于shap可解释性方法，计算安全系数预测结果对空间输入特征的归一化全局敏感性指标ngsi，识别出参数高敏感区域；

11、步骤8，构建与最大剪应变增量场呈反比的空间代价场，对输出的单通道最大剪应变增量场灰度图像进行潜在滑动面搜索，并统计滑动面空间出现频率，得到高频滑动区域；

12、步骤9，将所述参数高敏感区域与所述高频滑动区域进行空间耦合分析，确定边坡的关键加固区域，并将该关键加固区域作为边坡支护结构的优选布置区域，通过所述数值回归代理模型预测安全系数并计算加固前后可靠指标和失效概率进行验证。

13、优选的，步骤2中所述土体参数随机场样本的具体生成方法为：

14、记和为边坡数值模型中任意两个离散网格单元中心点坐标，土体参数随机场为随机场，其概率分布类型为对数正态分布；自相关函数为平方指数型函数，其表达式为：

15、

16、式中，为水平自相关距离，为竖直自相关距离；根据网格坐标计算自相关矩阵并进行特征分解，通过kl展开方法求解得到离散的土体参数随机场样本。

17、优选的，步骤5中所述的数值回归代理模型包括卷积神经网络及全连接层；

18、其中，所述卷积神经网络用于提取所述多通道土体参数随机场图像特征；所述全连接层接收所述卷积神经网络提取的图像特征输出安全系数；所述数值回归代理模型沿网络输入输出方向依次串联的以下结构：

19、一个非对称矩形卷积核的第一卷积层、一个prelu激活层、一个包含自适应卷积块注意力模块的残差结构、一个平均池化层、一个非对称矩形卷积核的第二卷积层、一个prelu激活层、一个平均池化层、一个展平结构，以及依次连接的全连接层、prelu激活层、丢弃层和输出全连接层。

20、优选的，步骤6中所述图像转换代理模型构建为条件生成对抗网络cgan，所述条件生成对抗网络包括生成器和判别器：

21、所述条件生成对抗网络以所述多通道土体参数随机场图像作为条件输入，以对应的单通道最大剪应变增量场灰度图像作为目标输出；

22、所述生成器采用嵌入所述自适应卷积块注意力模块的轻量化u2-net架构，其整体网络拓扑结构包括依次连接的编码单元、桥接单元、解码单元和输出单元；其中，所述编码单元和解码单元均采用残差u块rsu与自适应卷积块注意力模块级联的结构。

23、优选的，所述编码单元与桥接单元的具体特征提取与通道映射过程为：

24、编码阶段：条件输入进入编码单元；

25、在第一级编码中，输入特征经过第一残差u块rsu1将通道数映射至64个特征通道，随后通过第一级编码自适应卷积块注意力模块进行空间与通道注意力重标定，再经第一最大池化层下采样进行分辨率减半；

26、在第二级编码中，下采样特征进入第二残差u块rsu2并映射至128个特征通道，随后通过第二级编码自适应卷积块注意力模块进行空间与通道注意力重标定，再经第二最大池化层进行二次下采样分辨率减半；

27、桥接阶段：二次下采样后的深层特征进入桥接单元；

28、深层特征首先输入第三残差u块rsu3将特征通道进一步拓展映射至256个特征通道，随后桥接自适应卷积块注意力模块。

29、所述解码单元的跳跃连接与多尺度特征拼接恢复过程为：

30、第一级解码重构：所述桥接单元输出的256通道特征首先通过第一转置卷积层进行上采样，将空间分辨率放大一倍，特征通道数降维至128通道；随后，该128通道特征与所述编码阶段中第二级编码自适应卷积块注意力模块输出的128通道注意力特征，在通道维度上进行跳跃连接特征拼接，融合为256通道的复合特征张量；该256通道的复合特征张量依次通过第二级解码自适应卷积块注意力模块和第二级解码rsu进行降维与多尺度特征提取，输出128通道的深层恢复特征；

31、第二级解码重构：所述128通道的深层恢复特征通过第二转置卷积层进行二次上采样，空间分辨率再次放大一倍，通道数降维至64通道；随后，该64通道特征与所述编码阶段中第一级编码自适应卷积块注意力模块输出的64通道注意力特征进行通道维度拼接，融合为128通道的复合特征张量；该128通道的复合特征张量依次通过第一级解码自适应卷积块注意力模块和第一级解码rsu，最终输出64通道的浅层恢复特征，并传送至所述输出单元进行单通道映射。

32、编码单元中的rsu1与rsu2，以及所述桥接单元中的rsu3的微观特征提取过程具体如下：

33、rsu1内部特征提取：输入特征首先通过输入卷积层进行局部特征映射，随后依次经过由3层编码卷积层与2个最大池化层交替串联构成的第一内部下采样链，逐级提取多尺度局部特征；在最底层经由一层膨胀卷积层进行全局上下文信息过渡后，特征依次经过由3层解码卷积层与2个上采样层交替串联构成的第一内部上采样链，并与所述第一内部下采样链中对应分辨率的特征进行通道拼接；最终通过输出卷积层输出，并与所述rsu1的输入特征通过局部残差连接进行逐元素相加；

34、rsu2内部特征提取：采用较浅的嵌套深度以适应分辨率降低后的特征域，其输入特征首先通过输入卷积层进行局部特征映射，随后依次经过由2层编码卷积层与1个最大池化层交替串联构成的第二内部下采样链；在最底层经由一层膨胀率为2的膨胀卷积层进行全局上下文信息过渡后，特征依次经过由2层解码卷积层与1个上采样层交替串联构成的第二内部上采样链，并与所述第二内部下采样链中对应分辨率的特征进行通道拼接；最终通过输出卷积层输出，并与所述rsu2的输入特征通过局部残差连接进行逐元素相加；

35、rsu3内部特征提取：输入特征首先通过输入卷积层进行局部特征映射，随后仅经过1层编码卷积层提取深层局部特征，且全程保持特征图空间分辨率不变；在最底层经由一层膨胀率为2的膨胀卷积层进行全局上下文信息过渡后，特征直接经过1层解码卷积层进行特征映射，并与所述编码卷积层输出的等分辨率特征进行通道拼接；最终通过输出卷积层输出，并与所述rsu3的输入特征通过局部残差连接进行逐元素相加。

36、优选的，自适应卷积块注意力模块依次通过自适应通道注意力子模块和自适应空间注意力子模块对输入特征图进行特征重标定，具体特征提取过程与公式如下；

37、设输入特征图为，其中、、分别表示特征图的通道数、高度和宽度；

38、首先，对输入特征图分别进行基于空间维度的全局平均池化和全局最大池化，得到平均池化通道特征和最大池化通道特征；随后，利用自适应一维卷积实现局部跨通道交互，生成通道注意力权重，其计算公式为：

39、

40、式中，为sigmoid激活函数；一维卷积的自适应卷积核大小由输入通道数非线性映射动态决定；

41、然后，将所述通道注意力权重与输入特征图逐元素相乘，得到通道重标定后的特征图，即；

42、再以所述特征图作为输入，首先，沿通道维度分别进行平均池化和最大池化，生成二维的平均池化空间特征和最大池化空间特征；将两者在通道维度上进行拼接得到拼接特征；随后，采用并行的卷积核提取多尺度空间特征，并引入可学习参数进行融合，生成空间注意力权重，其计算公式为：

43、

44、式中，分别表示卷积核大小为和的二维卷积操作；为网络训练过程中动态更新的可学习融合权重参数；

45、最终，将所述空间注意力权重与特征图逐元素相乘，输出经过通道和空间双重注意力加权后的最终融合特征图，即。

46、优选的，步骤7中所述的归一化全局敏感性指标ngsi的具体计算公式与评价过程为：

47、利用shap可解释性方法，计算第个多通道土体参数随机场样本中第个空间网格位置处的输入特征对边坡安全系数预测结果的局部边际贡献值，记为局部shap值；

48、统计多个随机场样本在同一空间网格位置处局部shap值的绝对值累计量，以及该空间网格位置处的输入特征偏离基准值的绝对值累计量；

49、提取第个多通道土体参数随机场样本在第个空间网格位置处的输入特征相对基准值的偏离量绝对值，记为；

50、所述归一化全局敏感性指标ngsi的计算公式为：

51、

52、式中，用于全局解释的随机场样本总数；为防止分母为零的数值稳定常数；

53、通过所述归一化全局敏感性指标ngsi，解耦模型固有敏感性与输入波动幅值的耦合效应，并根据ngsi的空间数值分布提取出参数高敏感区域。

54、优选的，步骤8中所述对输出的单通道最大剪应变增量场灰度图像进行潜在滑动面搜索的具体算法与物理转换公式包括：

55、将单通道最大剪应变增量场图像中的像素值映射至物理空间，记空间网格单元处的归一化最大剪应变增量为，其中；构建最大基于剪应变增量呈指数衰减的非线性空间代价函数，其公式为：

56、

57、式中，为敏感性参数；

58、遍历边坡数值模型的几何边界节点，识别并提取最大剪应变增量场的局部极大值点，选取空间距离最远的两个极大值点作为潜在滑动面的起止锚点；

59、在所述空间代价场中，采用a启发式搜索算法，以所述起止锚点作为起点和终点求解最小累计代价路径，从而强制搜索路径收敛于最大剪应变增量最大值轨迹，提取出离散的滑动面路径；

60、利用三次b样条插值算法对所述离散的滑动面路径进行曲线拟合与几何平滑处理，输出具备几何连续性的潜在滑动面。

61、优选的，步骤9中确定关键加固区域及优选布置区域的空间耦合准则具体为：

62、构建空间位置坐标系，将土体参数高敏感区域与高频滑动区域映射至同一空间坐标系内；

63、计算参数高敏感区域与高频滑动区域在空间位置上的几何交集，将该重叠区域定义为边坡的关键加固区域；

64、以该关键加固区域作为抗滑桩或抗滑挡墙支护结构的横向布设优选位置，使得支护结构的竖向主体穿透所述参数高敏感区域并截断所述高频滑动区域，以实现局部抗剪强度提升与宏观滑移面阻断的空间耦合加固。

65、优选的，步骤9中通过数值回归代理模型预测安全系数并计算加固前后可靠指标和失效概率进行验证，具体包括：

66、基于相同随机场样本使用数值模拟软件计算包含加固和未加固的结果并组成数据集，训练数值回归代理模型，基于蒙特卡洛模拟法预测次随机样本的安全系数并组成数据池，采用极限状态条件作为不稳定性判定准则，失效概率直接计算为蒙特卡洛数据池中失稳次数与数据池尺寸的比值：

67、

68、基于计算得到的失效概率，边坡可靠指标可计算如下：

69、

70、式中，表示标准正态分布的逆累积分布函数。

71、本发明的优点在于：

72、（1）本发明克服了传统可靠度分析通常仅关注单一安全系数的局限，实现了向“全场力学响应与失效模式预测”的范式转变，现有的边坡可靠度分析方法通常仅将计算目标聚焦于单一的“安全系数”标量，难以直观、全面地反映边坡在复杂条件下的内部破坏演化过程，本发明基于深度的网络架构，将预测维度从一维标量拓展至二维场变量，在输出安全系数的同时，本框架能够同步、直观地预测边坡的最大剪应变增量场信息并提取潜在滑动面位置，这种多维度的预测结果为全面评估边坡稳定性、揭示失稳演化机制提供了更丰富、更具物理意义的科学依据。

73、（2）本发明极大突破了复杂随机场抽样与可靠度分析的计算效率瓶颈，在考虑岩土体空间变异性的系统可靠度分析中，传统方法需要成千上万次反复调用耗时的数值模拟程序，存在严重的算力瓶颈，本发明通过构建高效的深度学习代理模型，将复杂的非线性物理场演化求解转化为神经网络的快速前向传播计算，在保证预测精度与传统数值方法高度一致的前提下，单次计算时间呈指数级缩短，使得大规模随机抽样和精细化风险评估在工程实践中变得极具时效性与可行性。

74、（3）本发明显著增强了深度学习模型在岩土工程应用中的物理感知能力与强可解释性，传统纯数据驱动的深度学习模型往往被视为“黑盒”，缺乏清晰的物理逻辑，难以在严谨的工程领域获得广泛信任，本发明构建的是一种具备可解释性的深度学习框架，该方法不仅在学习过程中无损融入了岩土体的底层物理力学规律，且易于结合可解释性人工智能技术，能够定量揭示和追溯输入变量对最终稳定性预测结果的贡献度与敏感性，这有效打破了模型的黑盒特性，大幅提升了预测结果在工程风险决策中的透明度、科学可信度与实用价值。