Zautomatyzowana ocena stateczności skarp przy użyciu zmodyfikowanej metody Morgensterna–Price’a i integracji uczenia maszynowego

Dlaczego bezpieczniejsze skarpy mają znaczenie

Osuwiska i zapadanie się stoków mogą zamykać drogi krajowe, uszkadzać kopalnie i zapory oraz zagrażać pobliskim społecznościom. Inżynierowie starają się zapobiegać takim katastrofom, oceniając, jak blisko jest skarpa do awarii, lecz szczegółowe obliczenia i symulacje komputerowe mogą być czasochłonne, gdy trzeba sprawdzić wiele możliwych warunków gruntowych i sejsmicznych. W tym badaniu przedstawiono zautomatyzowany system łączący sprawdzoną metodę inżynierską z nowoczesnym uczeniem maszynowym, dzięki czemu bezpieczeństwo skarp można ocenić szybko i spójnie w tysiącach scenariuszy.

Łączenie klasycznej wiedzy z nowymi narzędziami

Autorzy koncentrują się na tym, co inżynierowie nazywają „współczynnikiem bezpieczeństwa”, jednej liczbie porównującej siły dążące do zsuwu skarpy z siłami ją utrzymującymi. Wyjściem jest dobrze ugruntowana technika znana jako metoda Morgensterna–Price’a, która dzieli zbocze na wiele pionowych pasów i bilansuje siły działające na każdy pas, wliczając wytrzymałość gruntu, ciężar masy, ciśnienie wody oraz drgania sejsmiczne. Ponieważ metoda ta jest rygorystyczna i szeroko zaufana, stanowi fizyczne oparcie nowego podejścia. Zespół upraszcza równania na tyle, by były wydajne w zastosowaniach na dużą skalę, jednocześnie uwzględniając istotne efekty, takie jak woda w gruncie oraz poziome i pionowe składowe drgań sejsmicznych.

Budowanie wirtualnego świata stoków

Zamiast czekać na rzadkie awarie w rzeczywistym świecie, badacze stworzyli ogromny syntetyczny zbiór danych obejmujący około 100 000 „wirtualnych” skarp. Każdy przypadek różni się kluczowymi składnikami: ciężarem właściwym gruntu, wysokością i nachyleniem stoku, spójnością i tarciem (które kontrolują wytrzymałość na ścinanie), ciśnieniem wody oraz intensywnością trzęsienia ziemi, a także współczynnikiem aproksymującym siły między sąsiednimi pasami. Dla każdej z tych sztucznych skarp uproszczona metoda Morgensterna–Price’a oblicza współczynnik bezpieczeństwa. Zespół następnie oczyszcza i przygotowuje dane, odcinając nierealistyczne skrajności, normalizując zakresy liczbowe i dzieląc zbiór na części treningowe i testowe. Staranna przygotowawca zapewnia, że modele uczenia maszynowego zobaczą realistyczne rozproszenie skarp stabilnych, brzegowych i niestabilnych, a wnioski będą statystycznie wiarygodne, a nie artefaktem zaszumionych danych.

Pozwolenie danym ujawnić, co ma największe znaczenie

Mając syntetyczne skarpy, autorzy pytają, które cechy najsilniej wpływają na stateczność. Korzystając z miar istotności cech pochodzących z drzewiastych modeli uczenia maszynowego, przeprowadzają globalną analizę wrażliwości. Wyniki pokrywają się z inżynierską intuicją: nachylenie stoku jest bez wątpienia czynnikiem dominującym, następnie jego wysokość i spójność gruntu. Kąt tarcia i ciśnienie wody również mają znaczenie, zwłaszcza w warunkach wilgotnych lub nasyconych, podczas gdy pionowa składowa drgań sejsmicznych wykazuje zauważalny, lecz mniejszy wpływ w testowanym zakresie. Inne wejścia, takie jak ciężar jednostkowy gruntu i współczynnik skalujący reprezentujący interakcje pasów, mają stosunkowo niewielki wpływ w obrębie przyjętych granic. Odkrycia te dają praktyczne wskazówki: projektanci powinni skoncentrować wysiłki na pomiarze i kontrolowaniu geometrii oraz wytrzymałości ścinającej stoku oraz na zarządzaniu wodą, która zmniejsza margines bezpieczeństwa.

Uczenie maszyn naśladowania fizyki

Następnie wytrenowano dziewięć różnych algorytmów uczenia maszynowego do bezpośredniego przewidywania współczynnika bezpieczeństwa na podstawie parametrów stoku, używając obliczeń opartych na fizyce jako sygnału uczącego. W zestawie znalazły się sieci neuronowe, drzewa decyzyjne, lasy losowe oraz kilka nowoczesnych metod „boostingu”, które łączą wiele prostych modeli w wydajne zespoły. Wszystkie modele przeszły systematyczne strojenie i weryfikację krzyżową z wieloma miarami wydajności, aby uniknąć przeuczenia. Wiele z nich radziło sobie bardzo dobrze, ale jeden algorytm, CatBoost, wyróżnił się: na niewidzianych danych testowych odtwarza współczynnik bezpieczeństwa z niemal idealną dokładnością, pozostając przy tym bardziej stabilny niż prostsze modele drzewiaste, które mają tendencję do zapamiętywania zbioru treningowego.

Zautomatyzowany pomocnik, a nie kula kryształowa

Na koniec autorzy opakowali cały proces — od generowania syntetycznych skarp i uruchamiania obliczeń metodą Morgensterna–Price’a po trenowanie, ocenę i wybór najlepszego modelu uczenia maszynowego — w wielokrotnego użytku pipeline’ie opartym na Pythonie. Zautomatyzowane ramy mogą bardzo szybko oszacować bezpieczeństwo skarp w ogromnych kombinacjach parametrów gruntu, geometrii, wody i warunków sejsmicznych, co czyni je atrakcyjnym narzędziem do wstępnego przeglądu projektów, badania scenariuszy „co jeśli” lub wspomagania systemów podejmowania decyzji w czasie rzeczywistym. System jest jednak tak ogólny, jak jego założenia: skarpy traktowano jako dwuwymiarowe i z jednorodnego gruntu, a uczenie maszynowe uczy się naśladować metodę Morgensterna–Price’a, a nie bezpośrednio przewidywać rzeczywiste zachowanie w terenie. Autorzy postrzegają swoją pracę jako szybkie, skalowalne narzędzie wspomagające decyzje, które uzupełnia — a nie zastępuje — szczegółowe symulacje numeryczne i badania terenowe specyficzne dla danego miejsca.

Cytowanie: Showkat, M., Ghani, S., Paramasivam, P. et al. Automated slope stability assessment using modified Morgenstern-Price method and machine learning integration. Sci Rep 16, 9952 (2026). https://doi.org/10.1038/s41598-026-38670-w

Słowa kluczowe: stateczność skarp, ryzyko osuwisk, inżynieria geotechniczna, uczenie maszynowe, zagrożenia sejsmiczne