使用改进的Morgenstern-Price方法与机器学习集成的坡稳定性自动评估

为何更安全的坡体很重要

滑坡和边坡坍塌可能导致公路中断、破坏矿山和水坝，并使周边社区处于危险之中。工程师通过评估边坡接近失稳的程度来预防此类灾害，但在需要检查许多可能的土壤和地震条件时，详细的计算和计算机模拟可能耗时很长。本研究介绍了一种自动化系统，将受信赖的工程方法与现代机器学习相结合，以便在成千上万种情形下快速且一致地评估边坡安全性。

将经典经验与新工具融合

作者集中于工程中称为“安全系数”的概念——一个将促使边坡滑动的驱动力与维持其稳定的抗力进行比较的单一数值。他们以久经验证的Morgenstern–Price方法为出发点，该方法将山体切分为许多垂直条片，并在每个条片上平衡力，包括土体强度、地重、水压力以及地震引起的振动。由于该方法既严谨又广受信任，它成为新框架的物理基础。研究团队对方程进行了适度简化，使其在大规模应用时更高效，同时仍考虑诸如土体含水、水平与垂直地震力等重要影响因素。

构建一个虚拟边坡世界

研究者没有等待现实中罕见的失稳事件，而是创建了大约10万条“虚拟”边坡的大型合成数据集。每个样本改变关键要素：土体单位重、坡高与坡角、黏聚力与摩擦（控制剪切强度）、水压和地震强度，以及近邻条片相互作用的近似系数。对于这些人工边坡，简化的Morgenstern–Price方法计算出相应的安全系数。团队随后对数据进行清洗与准备，剔除不现实的极端值、归一化数值范围，并将集合分为训练集与测试集。如此仔细的准备可确保机器学习模型见到的是稳定、临界与不稳定坡体的真实分布，从而使结论在统计学上可靠，而非噪声数据的伪像。

让数据揭示最重要的因素

在得到合成边坡数据后，作者探讨哪些属性最强烈地控制稳定性。他们利用基于树的机器学习模型的特征重要性度量，执行全局敏感性分析。结果符合工程直觉：坡度远远是主导因素，其次是坡高与土体的黏聚强度。摩擦角和水压也很重要，尤其在潮湿或饱和条件下，而地震振动的竖向分量在测试范围内有可察觉但较小的影响。其他输入，如土体单位重和表示条片相互作用的缩放因子，在所选范围内影响相对较小。这些发现提供了实际指导：设计者应将大部分精力用于测量与控制坡体几何与剪切强度，并管理水分，因为水会削弱安全裕度。

训练机器模仿物理行为

随后，九种不同的机器学习算法被训练以直接从边坡输入预测安全系数，使用基于物理的计算作为教学信号。所用算法包括神经网络、决策树、随机森林以及若干现代“提升”方法，这些方法将许多简单模型组合成强大的集成体。所有模型都经过系统调优与交叉验证，并使用多种性能指标以避免过拟合。许多模型表现出色，但有一种算法——CatBoost，表现尤为突出：在未见过的测试数据上它几乎能完美重现安全系数，同时比那些倾向记忆训练集的简单树模型更稳定。

是自动化辅助工具，而非水晶球

最后，作者将整个流程打包成一个可复用的基于Python的流水线——从生成合成边坡并运行Morgenstern–Price计算，到训练、评估并选出最佳机器学习模型。该自动化框架能够非常快速地在广泛的土壤、几何、水文与地震条件组合下估算边坡安全性，使其适合用于方案筛选、探索“若……将如何”的情景或支持实时决策工具。然而，该系统的普适性受其前提假设的限制：边坡被视为二维且由均质土构成，且机器学习模型学习的是模仿Morgenstern–Price方法，而不是直接预测野外的实际表现。因此，作者将其工作视为一种快速、可扩展的决策支持工具，补充而非替代详尽的数值模拟和针对具体场地的调查。

引用: 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

关键词: 边坡稳定性, 滑坡风险, 岩土工程, 机器学习, 地震灾害