[论文解读] Slope stability predictions on spatially variable random fields using machine learning surrogate models

Mohammad Aminpour, Reza Alaie+3 more|arXiv (Cornell University)|Apr 4, 2022

Geotechnical Engineering and Analysis被引用 4

一句话总结

该论文提出了一种机器学习（ML）代理建模方法，用于加速在空间变异随机场上的边坡稳定性分析，仅使用0.47%的蒙特卡洛模拟数据（500个样本）进行训练，即可实现85%的准确率和91%的AUC，预测边坡是否失稳。该方法将计算时间从306天减少至6小时以内，同时保持高可靠性，其中随机森林和装袋集成模型在所测试的算法中表现最优。

ABSTRACT

Random field Monte Carlo (MC) reliability analysis is a robust stochastic method to determine the probability of failure. This method, however, requires a large number of numerical simulations demanding high computational costs. This paper explores the efficiency of different machine learning (ML) algorithms used as surrogate models trained on a limited number of random field slope stability simulations in predicting the results of large datasets. The MC data in this paper require only the examination of failure or non-failure, circumventing the time-consuming calculation of factors of safety. An extensive dataset is generated, consisting of 120,000 finite difference MC slope stability simulations incorporating different levels of soil heterogeneity and anisotropy. The Bagging Ensemble, Random Forest and Support Vector classifiers are found to be the superior models for this problem amongst 9 different models and ensemble classifiers. Trained only on 0.47% of data (500 samples), the ML model can classify the entire 120,000 samples with an accuracy of %85 and AUC score of %91. The performance of ML methods in classifying the random field slope stability results generally reduces with higher anisotropy and heterogeneity of soil. The ML assisted MC reliability analysis proves a robust stochastic method where errors in the predicted probability of failure using %5 of MC data is only %0.46 in average. The approach reduced the computational time from 306 days to less than 6 hours.

研究动机与目标

• 降低边坡稳定性随机场蒙特卡洛（MC）可靠性分析的高计算成本。
• 评估多种机器学习模型作为空间变异土体中边坡失稳代理预测器的有效性。
• 确定基于机器学习的失效率预测所需最小的训练数据量。
• 评估在不同土体非均质性和各向异性水平下模型的性能表现。
• 通过将预测的失效率与参考结果对比，验证ML辅助蒙特卡洛方法的可靠性。

提出的方法

• 生成包含120,000次有限差分模拟的大型合成数据集，用于空间变异土体性质下的边坡稳定性分析。
• 将失稳定义为二元结果（失稳或不失稳），避免耗时的安全系数计算。
• 在数据集的小样本子集（500个样本）上训练九种不同的机器学习分类器，包括随机森林、装袋集成模型和支持向量机。
• 通过交叉验证和超参数调优，优化模型在未见数据上的性能表现。
• 应用训练好的ML模型对全部120,000个样本进行分类，显著降低计算需求。
• 通过使用5%的MC数据对比预测失效率与参考结果，验证ML辅助蒙特卡洛方法的可靠性。

实验结果

研究问题

• RQ1 仅使用完整蒙特卡洛模拟一小部分数据，机器学习代理模型能否准确预测空间变异随机场上的边坡失稳？
• RQ2 在非均质性和各向异性土体中，哪些机器学习算法在分类边坡稳定性结果方面表现最佳？
• RQ3 随着土体非均质性和各向异性的增加，ML代理模型的泛化性能如何变化？
• RQ4 ML模型在保持准确性的前提下，能在多大程度上减少计算时间？
• RQ5 与完整参考模拟相比，ML辅助蒙特卡洛方法在估计失效率时的准确性如何？

主要发现

• 装袋集成模型和随机森林分类器在仅使用500个样本（占数据总量的0.47%）进行训练时，对全部120,000个样本数据集的预测中，准确率达到85%，AUC为91%。
• 使用训练好的ML代理模型后，120,000次模拟的计算时间从306天减少至6小时以内。
• 仅使用5%的MC数据时，预测失效率的平均误差仅为0.46%，表明ML辅助方法具有高度可靠性。
• 随着土体非均质性和各向异性的增加，模型性能下降，表明在复杂土体条件下不确定性更高。
• 二元分类方法（失稳/不失稳）有效规避了安全系数计算的需求，显著降低了单次模拟的成本。
• 本研究证实，ML代理模型可在边坡稳定性可靠性分析中替代计算成本高昂的MC模拟，且准确率损失极小。