Автоматизированная оценка устойчивости откосов с использованием модифицированного метода Моргенстерна–Прайса и интеграции машинного обучения

Почему безопасность откосов важна

Оползни и обвалы откосов могут перекрывать автомагистрали, повреждать горные разработки и плотины и ставить под угрозу близлежащие населённые пункты. Инженеры стараются предотвратить такие катастрофы, оценивая, насколько близок откос к разрушению, но детальные расчёты и компьютерные моделирования могут занимать много времени, когда нужно проверить множество возможных грунтовых и сейсмических условий. В этом исследовании представлен автоматизированный подход, который сочетает надёжный инженерный метод с современным машинным обучением, чтобы оценивать безопасность откосов быстро и последовательно для тысяч сценариев.

Сочетая классические знания и новые инструменты

Авторы концентрируются на том, что инженеры называют «коэффициентом запаса прочности» — единой величине, сравнивающей силы, стремящиеся сдвинуть откос, и силы, удерживающие его на месте. Они берут за основу хорошо зарекомендовавшую себя технику, известную как метод Моргенстерна–Прайса, который делит склон на множество вертикальных полос и уравновешивает силы для каждой полосы, включая прочность грунта, вес пород, давление воды и воздействие землетрясений. Поскольку этот метод и строг, и широко принят, он служит физической основой новой системы. Команда упрощает уравнения достаточно, чтобы сделать их эффективными для крупномасштабного использования, при этом учитывая важные эффекты, такие как вода в грунте и горизонтальные и вертикальные составляющие землетрясенных нагрузок.

Построение виртуального мира откосов

Вместо того чтобы ждать редких реальных отказов, исследователи создали огромный синтетический набор данных примерно из 100 000 «виртуальных» откосов. В каждом случае варьируются ключевые параметры: удельный вес грунта, высота и угол наклона откоса, сцепление и угол внутреннего трения (определяющие сдвиговую прочность), давление воды и интенсивность землетрясения, а также коэффициент, приближённо учитывающий силы взаимодействия между соседними полосами. Для каждого такого искусственного откоса упрощённый метод Моргенстерна–Прайса вычисляет коэффициент запаса прочности. Команда затем очищает и подготавливает данные, отсекая нереалистичные крайности, нормируя числовые диапазоны и разбивая коллекцию на обучающую и тестовую выборки. Такая тщательная подготовка обеспечивает, что модели машинного обучения видят реалистичное распределение стабильных, пограничных и нестабильных откосов и что выводы являются статистически обоснованными, а не артефактами шумных данных.

Пусть данные покажут, что важнее

Имея синтетические откосы, авторы исследуют, какие свойства сильнее всего управляют устойчивостью. Используя меры важности признаков из древовидных моделей машинного обучения, они проводят глобальный анализ чувствительности. Результаты согласуются с инженерной интуицией: крутизна откоса оказывается доминирующим фактором, за ней следуют высота и сцепление грунта. Угол внутреннего трения и давление воды также существенны, особенно во влажных или насыщенных условиях, тогда как вертикальная составляющая сейсмических воздействий заметна, но в протестированном диапазоне имеет меньший эффект. Другие входные параметры, такие как удельный вес грунта и коэффициент, моделирующий взаимодействие полос, оказывают относительно незначительное влияние в выбранных пределах. Эти выводы дают практическое руководство: проектировщикам следует сосредоточить усилия на измерении и контроле геометрии и сдвиговой прочности откоса, а также на управлении водой, которая уменьшает запас безопасности.

Обучение машин имитировать физику

Далее обучают девять различных алгоритмов машинного обучения предсказывать коэффициент запаса прочности непосредственно по входным параметрам откоса, используя физические расчёты как обучающий сигнал. Среди них нейронные сети, решающие деревья, случайные леса и несколько современных методов «бустинга», объединяющих много простых моделей в мощный ансамбль. Все модели проходят систематическую настройку и перекрёстную проверку по нескольким метрикам качества, чтобы избежать переобучения. Многие показывают отличные результаты, но один алгоритм, CatBoost, выделяется: на невидимых тестовых данных он воспроизводит коэффициент запаса практически с идеальной точностью, при этом остаётся более стабильным, чем простейшие древовидные модели, склонные к запоминанию обучающей выборки.

Автоматизированный помощник, а не хрустальный шар

В заключение авторы упаковывают весь процесс — от генерации синтетических откосов и выполнения расчётов по Моргенстерну–Прайсу до обучения, оценки и выбора лучшей модели машинного обучения — в повторно используемый конвейер на Python. Эта автоматизированная система может очень быстро оценивать безопасность откосов для огромного числа сочетаний грунта, геометрии, воды и сейсмических условий, что делает её полезной для предварительной проверки проектов, изучения сценариев «что если» или поддержки инструментов оперативного принятия решений. Однако система ограничена предпосылками, на которых она основана: откосы рассматриваются как двумерные и состоят из однородного грунта, а машинное обучение учится имитировать метод Моргенстерна–Прайса, а не напрямую предсказывать реальную полевую работу. Поэтому авторы рассматривают свою работу как быстрый масштабируемый инструмент поддержки принятия решений, дополняющий, но не заменяющий детальные численные модели и обследования конкретных участков.

Цитирование: 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

Ключевые слова: устойчивость откосов, риски оползней, геотехническое строительство, машинное обучение, землетрясенные опасности