Automatiserad bedömning av slope-stabilitet med modifierad Morgenstern-Price-metod och maskininlärningsintegration

Varför säkrare slänter spelar roll

Jordskred och kollapsande slänter kan stänga av vägar, skada gruvor och dammar samt utsätta närliggande samhällen för risk. Ingenjörer försöker förhindra sådana katastrofer genom att uppskatta hur nära ett markavsnitt är att brista, men detaljerade beräkningar och datorsimuleringar kan vara långsamma när många tänkbara jord- och jordbävningsvillkor måste prövas. Denna studie presenterar ett automatiserat system som förenar en väl etablerad ingenjörsmetod med modern maskininlärning så att släntsäkerhet snabbt och konsekvent kan bedömas över tusentals scenarier.

Att förena klassisk kunskap och nya verktyg

Författarna fokuserar på det ingenjörer kallar "säkerhetsfaktorn", ett enda tal som jämför de krafter som försöker få en slänt att glida med de krafter som håller den på plats. De utgår från en välkänd teknik kallad Morgenstern–Price-metoden, som delar en kulle i många vertikala remsor och balanserar krafterna på varje remsa, inklusive jordens hållfasthet, markens vikt, vattentryck och jordbävningsinducerade skakningar. Eftersom metoden är både stringent och allmänt betrodd fungerar den som den fysiska ryggraden i det nya ramverket. Teamet förenklar ekvationerna precis så mycket att de blir effektiva för storskalig användning, samtidigt som viktiga effekter såsom vatten i jorden och horisontella och vertikala jordbävningskrafter beaktas.

Att bygga en virtuell värld av slänter

I stället för att vänta på sällsynta verkliga haverier skapade forskarna en stor syntetisk datamängd av cirka 100 000 "virtuella" slänter. Varje fall varierar viktiga ingredienser: jordens densitet, släntens höjd och lutning, kohesion och friktion (som styr skjuvhållfastheten), vattentryck och jordbävningsintensitet, tillsammans med en faktor som approximerar krafterna mellan närliggande remsor. För var och en av dessa konstgjorda slänter beräknar den förenklade Morgenstern–Price-metoden en säkerhetsfaktor. Teamet renar och förbereder sedan data, tar bort orealistiska extremvärden, normaliserar numeriska intervall och delar upp samlingen i tränings- och testset. Denna noggranna förberedelse säkerställer att maskininlärningsmodellerna ser en realistisk spridning av stabila, gränsfall och instabila slänter och att slutsatserna är statistiskt robusta snarare än artefakter av brusig data.

Låta data avslöja vad som spelar störst roll

Med de syntetiska slänterna i handen frågar författarna vilka egenskaper som starkast styr stabiliteten. Genom att använda mått på variabelviktighet från träd-baserade maskininlärningsmodeller utför de en global känslighetsanalys. Resultaten överensstämmer med ingenjörsmässigt omdöme: lutningen är med stor marginal den dominerande faktorn, följd av dess höjd och jordens kohesiva styrka. Friktionsvinkel och vattentryck spelar också roll, särskilt under våta eller mättade förhållanden, medan den vertikala komponenten av jordbävningsskakning har en märkbar men mindre effekt inom det testade intervallet. Andra indata, såsom jordens volymvikt och skalningsfaktorn som representerar remsinteraktioner, har relativt liten påverkan inom de valda gränserna. Dessa fynd ger praktisk vägledning: konstruktörer bör lägga största ansträngningen på att mäta och kontrollera geometri och skjuvhållfasthet hos en slänt samt på att hantera vatten, vilket urholkar säkerhetsmarginalen.

Träna maskiner att efterlikna fysiken

Nästa steg är att träna nio olika maskininlärningsalgoritmer att direkt förutsäga säkerhetsfaktorn utifrån släntparametrarna, med de fysikbaserade beräkningarna som träningssignal. Dessa inkluderar neurala nätverk, beslutsträd, random forests och flera moderna "boosting"-metoder som kombinerar många enkla modeller till ett kraftfullt ensemble. Alla modeller genomgår systematisk justering och korsvalidering med flera prestandamått för att undvika överanpassning. Många presterar mycket väl, men en algoritm, CatBoost, utmärker sig: på osedd testdata återskapar den säkerhetsfaktorn med nästan perfekt noggrannhet och är dessutom mer stabil än enklare trädmodeller som tenderar att memorera träningsdata.

En automatiserad hjälpare, inte en spåkula

Slutligen paketerar författarna hela processen — från att generera syntetiska slänter och köra Morgenstern–Price-beräkningarna till att träna, utvärdera och välja den bästa maskininlärningsmodellen — i en återanvändbar Python-baserad pipeline. Detta automatiserade ramverk kan mycket snabbt uppskatta släntsäkerhet över stora kombinationer av jord, geometri, vatten och jordbävningsförhållanden, vilket gör det attraktivt för screenings av konstruktioner, utforskande av "tänk om"-scenarier eller som stöd för realtidsbeslutsverktyg. Systemet är emellertid endast så generellt som antagandena bakom det: slänterna behandlas som tvådimensionella och består av homogen jord, och maskininlärningen lär sig att efterlikna Morgenstern–Price-metoden, inte att direkt förutsäga verklig fältprestanda. Författarna ser därför sitt arbete som ett snabbt, skalbart beslutsstödsverktyg som kompletterar, snarare än ersätter, detaljerade numeriska simuleringar och platsanpassade undersökningar.

Citering: 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

Nyckelord: släntstabilitet, jordskredrisk, geoteknisk ingenjörskonst, maskininlärning, jordbävningsfaror