Прогнозирование устойчивости откосов с помощью переноса обучения TrAdaBoost: интеграция физики и данных в двойную направляемую схему

Почему важно сохранять склоны в безопасности

Крутые склоны примыкают ко многим нашим дорогам, поселкам и шахтам. При их разрушении оползни могут похоронить дома, перекрыть транспортные пути и привести к человеческим жертвам. Инженеры используют методы, чтобы оценить, удержится склон или обрушится, но эти подходы либо требуют больших полевых работ и экспертных знаний, либо опираются на прошлые данные, которых часто мало. В этом исследовании предложен новый способ прогнозирования, какие склоны безопасны, а какие рискованны, путем сочетания компьютерно смоделированной физики и наблюдений из реального мира в единой системе обучения.

Два способа оценить склон

Традиционно безопасность откоса проверяют двумя способами. Физически обоснованные методы используют уравнения механики грунтов и горных пород, чтобы смоделировать, как склон может деформироваться или соскользнуть. Им доверяют, они опираются на науку, но требуют детальных обследований площадки и интенсивных вычислений для каждого нового случая. Напротив, методы, основанные на данных, рассматривают безопасность склона как задачу распознавания закономерностей: они подают на вход алгоритмов машинного обучения предыдущие случаи и позволяют компьютеру выявить, какие сочетания прочности грунта, угла наклона, давления воды и других факторов обычно приводят к разрушению. Такие модели могут работать быстро после обучения, но испытывают трудности, когда доступно лишь небольшое число реальных случаев разрушения, что типично на практике.

Заимствуя информацию у виртуальных склонов

Авторы решают проблему нехватки данных с помощью переноса обучения — набора методов, которые повторно используют знания из одной области, чтобы помочь в другой. Сначала они создают 150 «виртуальных» склонов с помощью конечно-элементного моделирования, стандартного инструмента, имитирующего, как грунт и породы реагируют на гравитацию и воду. Каждый смоделированный склон описывается шестью базовыми характеристиками: удельным весом грунта, сцеплением, шероховатостью зерен, углом наклона, высотой откоса и величиной водяного давления. Затем они собирают 98 реальных склонов из опубликованных историй случаев, которые имеют те же шесть описателей. Смоделированные склоны образуют исходный пул физически согласованных примеров, а реальные склоны — целевую выборку, которая в конечном счете представляет практический интерес.

Обучая модель тому, чему стоит доверять

Не все смоделированные склоны похожи на реальные участки, поэтому исследование использует конкретный алгоритм переноса обучения под названием TrAdaBoost, чтобы решить, какие примеры помогают, а какие вводят в заблуждение. Метод начинает с обучения нескольких стандартных классификаторов — опорных векторов, логистической регрессии, деревьев решений и случайных лесов — на смеси смоделированных и небольшой подвыборки реальных случаев. В ходе многих раундов обучения он автоматически увеличивает влияние тех смоделированных случаев, которые ведут себя как реальные склоны, и уменьшает вес тех, которые не похожи. Одновременно он уделяет больше внимания реальным склонам, которые модель предсказывает неверно, заставляя систему учиться на ошибках и улучшать способность распознавать действительно нестабильные ситуации.

Насколько хорошо работает новый подход

Исследователи сравнивают четыре варианта этой схемы переноса обучения, каждый из которых построен вокруг разного базового классификатора. Их оценивают на 74 реальных склонах, отложенных для тестирования. Лучший результат показывает сочетание TrAdaBoost с классификатором опорных векторов. Эта модель корректно прогнозирует устойчивость склона почти в 88 процентах случаев и особенно хорошо выявляет опасные склоны, правильно определяя около 93 процентов нестабильных примеров. Ее общий скоринговый показатель, который уравновешивает попадания и ложные срабатывания, также высок. При сравнении с ранее предложенными методами из литературы, включая нейронные сети и другие ансамблевые модели, обученные только на полевых данных, новая двойная направляемая схема последовательно сравнима или превосходит их по точности, несмотря на относительно малое число реальных случаев.

Что это значит для повседневной безопасности

Практически это исследование показывает, что компьютерно сгенерированные физические примеры и разреженные реальные наблюдения можно объединить в единый инструмент обучения, который одновременно надежен и эффективен. Позволяя алгоритму избирательно переносить лишь наиболее релевантные смоделированные знания, инженеры могут строить лучшие системы раннего предупреждения и проектные проверки откосов даже при ограниченных полевых данных. Авторы подчеркивают, что их схема может быть расширена добавлением дополнительных факторов, таких как землетрясения или осадки, и адаптирована к другим геотехническим задачам. Для неспециалиста главный вывод таков: более разумное использование симуляций и данных помогает раньше и точнее отмечать рискованные склоны, снижая как вероятность бедствия, так и затраты на ненужное укрепление.

Цитирование: Ren, M., Xu, X., Dai, F. et al. Slope stability prediction via TrAdaBoost transfer learning: integrating physics and data into a double-driven framework. Sci Rep 16, 11883 (2026). https://doi.org/10.1038/s41598-026-41919-z

Ключевые слова: прогноз оползней, устойчивость откосов, перенос обучения, геотехническая инженерия, машинное обучение