Processing math: 100%
  • 全国中文核心期刊
  • 中国科技核心期刊
  • 美国工程索引(EI)收录期刊
  • Scopus数据库收录期刊

基于强度折减采样与高斯过程回归的空间变异土坡自适应可靠度分析

刘亚栋, 刘贤, 黎学优, 杨智勇

刘亚栋, 刘贤, 黎学优, 杨智勇. 基于强度折减采样与高斯过程回归的空间变异土坡自适应可靠度分析[J]. 岩土工程学报, 2024, 46(5): 978-987. DOI: 10.11779/CJGE20230065
引用本文: 刘亚栋, 刘贤, 黎学优, 杨智勇. 基于强度折减采样与高斯过程回归的空间变异土坡自适应可靠度分析[J]. 岩土工程学报, 2024, 46(5): 978-987. DOI: 10.11779/CJGE20230065
LIU Yadong, LIU Xian, LI Xueyou, YANG Zhiyong. Adaptive reliability analysis of spatially variable soil slopes using strength reduction sampling and Gaussian process regression[J]. Chinese Journal of Geotechnical Engineering, 2024, 46(5): 978-987. DOI: 10.11779/CJGE20230065
Citation: LIU Yadong, LIU Xian, LI Xueyou, YANG Zhiyong. Adaptive reliability analysis of spatially variable soil slopes using strength reduction sampling and Gaussian process regression[J]. Chinese Journal of Geotechnical Engineering, 2024, 46(5): 978-987. DOI: 10.11779/CJGE20230065

基于强度折减采样与高斯过程回归的空间变异土坡自适应可靠度分析  English Version

基金项目: 

国家重点研发计划 2021YFC3001000

国家自然科学基金面上项目 52279122

广东省基础与应用基础研究基金 2022B1515250002

广东省珠江人才计划创新团队项目 2019ZT08G090

详细信息
    作者简介:

    刘亚栋(1991—),男,博士,主要从事岩土工程可靠度分析与设计方面的研究工作。E-mail: liuyd27@mail3.sysu.edu.cn

    通讯作者:

    黎学优, E-mail: lixueyou@mail.sysu.edu.cn

  • 中图分类号: TU47

Adaptive reliability analysis of spatially variable soil slopes using strength reduction sampling and Gaussian process regression

  • 摘要: 土体参数空间变异性对土坡稳定性的影响已受到岩土工程界的广泛关注,繁冗的计算量是空间变异土坡可靠度分析面临的瓶颈问题。基于强度折减采样(SRS)和高斯过程回归(GPR)模型,提出一种适用于高维空间的空间变异土坡自适应可靠度分析方法(SRS-GPR)。首先采用Karhunen-Loève展开法将空间变异土体强度参数离散为高维随机变量,随后根据SRS生成土坡临界样本点,接着通过GPR构建土体参数随机场与边坡安全系数之间的高维非线性函数关系,并基于主动学习策略自动搜寻最优训练样本点,迭代更新GPR模型。在此基础上,结合GPR模型和蒙特卡洛模拟进行边坡可靠度分析。最后,通过两个典型算例验证所提方法的准确性、高效性、鲁棒性和适用性。结果表明:所提方法可有效识别靠近极限状态面附近的最优样本点,使得迭代更新的GPR模型在该区域的预测精度逐渐提高。此外,所提方法不受随机变量维度的影响,可直接在高维参数空间应用,且对边坡稳定性模型的调用次数较少,在计算效率方面具有显著优势。
    Abstract: Spatial variability of soil parameters has significant impact on slope stability. The critical problem for the slope reliability analysis considering the spatial variability is the dramatic computational demand. Based on the strength reduction sampling (SRS) and Gaussian process regression (GPR), an adaptive reliability analysis method (SRS-GPR) for soil slopes considering the spatial variability is proposed. Firstly, the spatially variable soil strength parameters are discretized into high-dimensional random variables by the Karhunen-Loève expansion method. Then the critical sample points are generated according to the SRS. Next, the nonlinear relationship between the random fields of soil parameters and the safety factor of slopes is established by the GPR. With the active learning strategy, the best training sample points can be automatically identified, so the GPR model can be sequentially updated. Subsequently, the trained GPR model and Monte Carlo simulation are adopted to perform slope reliability analysis. Finally, the accuracy, efficiency, robustness and applicability of the proposed method are testified by two examples. The results show that the proposed method can effectively identify the best training sample points near the limit state surface, and the prediction accuracy of the updated GPR model in this region is gradually improved. Moreover, this method can be directly applied in the original high-dimensional parameter space with marginal impact of dimensionality of random variables, and a small number of evaluations of the slope stability model are required, which indicates a significant advantage in terms of the computational efficiency.
  • 潜水面上升可能诱发边坡失稳,艾伯凡矿灾[1](Aberfan Disaster)、沃楚西特水坝[2](Wachusett Dam)等就属于这一破坏模式。Brand[3]建议研究边坡的破坏机理时,应该考虑边坡内土体单元的应力应变响应。边坡内潜水面上升的应力路径可以简化为等剪应力排水路径[3-6]。针对等剪应力排水路径下土体的力学响应,研究者们进行了一系列工作[2, 6-7]。Chu等[2]通过试验证明了等剪应力排水路径下土体的非稳定态与边坡失稳存在相关性。Lashkari等[7]利用离散元数值模拟等剪应力排水路径,发现松砂和密砂的非稳定态存在区别。此外,研究者还发现各向异性对等剪应力排水路径的非稳定态存在显著影响。Fanni等[8]通过试验发现大主应力方向从垂直于沉积面旋转到45°时,非稳定态的应力比不断减小,指出在评估边坡稳定时不能忽略各向异性的影响。

    一些研究者也在利用本构模型模拟该应力路径。Lashkari等[7]采用了各向异性临界状态塑性本构模型[9]模拟了不同孔隙比和剪应力值下的等剪应力排水试验,表明了模型具有模拟该应力路径的能力。但本构模型能否模拟各向异性条件下的等剪应力排水试验,目前仍然未知。

    各向异性对砂土的力学响应有显著影响[10-16]。如何用本构模型描述饱和砂土的力学响应是目前的研究热点之一。为总结各向异性对于砂土力学响应影响的规律,研究者们进行了大量物理试验和离散元数值试验。物理试验方面如Yoshimine等[17]和Nakata等[18]研究了不同加载方向和中主应力系数对丰浦砂应力应变关系的影响,发现当大主应力平行于沉积面、中主应力系数为1时,土样表现出更强的剪缩特性,更易发生静态液化。离散元数值试验方面如Fu等[19]再现了直剪试验,研究各向异性砂土的峰值强度。这些试验为本构模型的建立和验证提供了基础和依据,各类模型通过模拟试验证明了自身的有效性[20-23]。如Wang等[22]通过离散元数值试验总结各向异性对塑性模量和剪胀的影响,在CycLiq本构模型[24]的基础上加入了组构各向异性,并通过离散元试验和物理试验对新模型进行了验证。

    本文利用Wang等[22]提出的各向异性CycLiq本构模型,对Fanni等[8]进行的一系列定轴不排水试验与定轴等剪应力排水试验进行了模拟,验证了该模型对于各向异性砂土在不同主应力方向下、不同应力路径力学响应的模拟能力,并研究了初始组构强度对于模型模拟定轴等剪应力排水试验结果的影响。

    基于排水与不排水循环扭剪试验现象研究,张建民等[25-26]将砂土的体应变εv分解为有效球应力变化引起的弹性体应变εvc和剪切引起的塑性体应变εvd,又将剪切引起的塑性体应变εvd进一步划分为可逆性剪切体应变εvd, re与不可逆性剪切体应变εv, ir。在此基础上,王刚等[27]和Wang等[24]建立了一个能够模拟饱和砂土液化前后应力应变响应的弹塑性循环本构模型,并在模型中引入了状态变量,使得模型能够统一描述砂土在不同状态下的静动力响应。为考虑各向异性,Wang等[22]基于试验和离散元数值模拟总结的规律,对模型进行了改进,引入了组构张量,在塑性模量与剪胀率的计算中引入了各向异性的影响,使得模型能够描述不同主应力方向下的响应。

    CycLiq模型的应力应变关系可以用下式来描述:

    ˙ε=p˙r2G+(r2G+I3K)˙p+(n+D3I)L (1)

    式中:p为有效球应力;r为偏应力张量s与球应力p之比;GK为弹性剪切模量和体积模量;I为单位张量;n为塑性偏应变流动方向与加载方向;D为剪胀率;L为塑性加载指数。参数上加(·)表示增量;〈〉为Macaulay计算符,当x > 0时,〈x〉= x,当x ≤ 0时,〈x〉= 0。

    弹性剪切模量和体积模量采用Richart等[28]提出的线性弹性模量公式,在此不再赘述。塑性加载指数L通过下式计算:

    L=p˙r:nH (2)

    式中:H为塑性模量。

    砂土临界状态采用Been等[29]提出的状态变量Ψ =eec,但ecp的关系采用了与Wang等[22]所使用的指数关系[30]不同的对数关系:

    ec=Γλeln(p) (3)

    这一改动是因为Fanni等[8]给出了本文模拟试样临界状态下试样的e-p曲线,并采用式(3)的对数关系进行了拟合,且e-p曲线的对数关系被广泛采用,许多模型采用了这种关系[31-32],因此对模型中的公式进行了替换。不过需要指出的是,在液化状态时,对数关系不再适用,因此砂土的动力本构模型大都采用指数关系[33-34]。本文中不涉及液化内容,因此可以选取对数关系进行模拟。

    为了考虑各向异性的影响,Wang等[22]在模型中引入了组构张量Fn,并考虑了组构张量对于塑性模量与剪胀率的影响。组构张量Fn的演化采用了如下公式:

    dFn=Lc[n(1+D)Fn] (4)

    式中:c为模量参数,代表组构张量演化的速率。通过总结离散元数值试验的规律,Wang等[22]发现组构张量的模||Fn||与组构张量和加载方向的联合不变量An =Fn: n之差||Fn||-An可以作为一个良好的指标,以反映塑性模量和剪胀率随加载角度的变化。以水平沉积的试样在三轴压缩中的加载角度为0°,随着加载角度的增加,指标||Fn||-An不断增大,同时塑性模量不断减小,剪胀率从不断增加。因此,将||Fn||-An引入到了塑性模量与剪胀率的计算公式中:

    C=exp[Δ1(FnAn)1/122] (5)
    H=23hg(θ)Gexp(npΨ)(Mexp(npΨ)Mmˉρρ1C) (6)
    Dir=dir+Δ2(FnAn)dirDir, iso (7)

    式中:hΔ1Δ2Mdirnp为模型参数;g(θ)为形状函数,这里采用的是Zhang等[35]建议的函数;Mm为历史最大应力比;Dir, iso为各向同性条件下的不可逆剪胀率,详细公式可见Wang等[24]

    Fanni等[8]试验中采用的砂为一种细硅砂,颗粒相对质量密度为2.64,平均粒径D50为0.21 mm,均匀系数Cu为2.3,颗粒呈圆形至亚圆形。因缺乏相关试验,大部分参数参照了Wang等[22]标定的丰浦砂参数,仅对部分可确定的临界状态参数(npΓλe)进行了重新标定。标定结果如表 1所示。

    其中,Γλe由Fanni等[8]根据试验拟合得到,在更换了Wang等[22]模型中ecp的关系式后可直接使用。图 1展示了np的标定方法,以Fanni等[8]进行的一组定轴等剪应力排水试验(中主应力系数b = 0.2,加载角度α = 30°)结果参照进行标定。图中点代表试验所得试样到达非稳定态时的有效球应力与孔隙比,虚线和实线分别为np = 6和12时的模拟结果。可以看到当其他参数不变时,np值越大,模拟得到的非稳定态时有效球应力随孔隙比变化越快,曲线更加陡峭。这是由于等剪应力排水路径中的非稳定态代表试样处于峰值应力比状态,而峰值应力比可由Mexp(-npΨ)决定。

    图  1  模型参数np的标定方法演示
    Figure  1.  Calibration method for model parameter np

    除了表 1中列出的模型参数外,初始组构强度,即初始组构张量的模||Fnin||,也是一个重要的参数。它代表了试样在试验开始时的各向异性程度,||Fnin||越大,试样的各向异性越强。不同的制样方式制得的试样往往有着不同的各向异性程度[36],因此需要取不同的初始组构强度。本次模拟中涉及两种不同的制样方式,湿装夯实法(moist tamped, MT)和干砂雨法(dry pluviated, DP),其中干砂雨法得到的试样孔隙比要小于湿装夯实法,结合Yang等[37]、叶斌等[38]通过物理试验与离散元模拟均发现干砂雨法的各向异性强于湿装夯实法,可以推测干砂雨法在制样中,由于受到重力影响,土颗粒的排列具有定向性,而湿装夯实法在制样中,土颗粒更倾向于随机排列,导致其各向异性相对较弱。最终,湿装夯实法制得的试样初始组构强度||Fnin||取为0.5,干砂雨法制得的试样初始组构强度||Fnin||取为0.7。

    Fanni等[8]进行了一系列空心圆柱定轴不排水剪切试验。试验中,初始有效球应力均为171 kPa,大小主应力之差均为64 kPa,中主应力系数b分别为0,0.2,0.5,大主应力与沉积方向的夹角α分别为0°,22.5°,30°和45°,两种制样方法,即湿装夯实法和干砂雨法,各5组试验,如图 23所示。其中,湿装夯实法所得试样孔隙比在0.761~0.785,干砂雨法所得试样孔隙比在0.674~0.697。采用表 1中的模型参数对试验进行模拟,模拟结果如图 23所示。图 2(a)(b)中横纵坐标为Fanni等[8]给出的八面体剪应变和八面体偏应力,图 3同理。

    图  2  不同中主应力系数与主应力方向下湿装夯实法试样定轴不排水试验结果与模拟
    Figure  2.  Undrained torsional shear hollow cylinder tests and simulated results at different α and b of moist tamped loose sand
    图  3  不同中主应力系数与主应力方向下干砂雨法试样定轴不排水试验结果与模拟
    Figure  3.  Undrained torsional shear hollow cylinder tests and simulated results at different α and b of dry pluviated loose sand
    表  1  各向异性CycLiq模型参数
    Table  1.  Model parameters of anisotropic CycLiq model
    Go κ h dre, 1 dre, 2 dir α γd, r np nd M λe Γ Δ1 Δ2 c
    100 0.008 4.0 0.7 30 0.3 30 0.05 12 2 1.2 0.008 0.761 1.35 0.8 5
    下载: 导出CSV 
    | 显示表格

    图 2展示了湿装夯实法试样定轴不排水试验结果与模拟。湿装夯实法得到的试样均为松砂,各试验和模拟均出现静态液化。总体上来看,随着bα的增加,试验与模拟中试样的峰值偏应力均不断减小。从图 2(a)(c)中可以看出,试验中b = 0.2的3组曲线极为接近,甚至α = 30°的偏应力要高于α = 22.5°,这主要是试验中不同试样的孔隙比相差较大造成的,在模拟中该现象并不明显。此外,b = 0.5的模拟结果在加载初期剪应力出现了明显的减小,这主要是由于本构模型中组构对塑性模量的影响描述不够准确,在大孔隙比下放大了组构对塑性模量的影响。

    图 3展示了干砂雨法试样定轴不排水试验结果与模拟。相比于湿装夯实法,干砂雨法得到的试样孔隙比更小,可认为密砂。各组模拟的曲线与试验结果均有较好的吻合。对于b = 0.2的3组试验和模拟,α = 22.5°时均表现出明显的剪胀,而在α = 45°时则表现出强烈的剪缩。对于b = 0,α = 0°和b = 0.2,α = 22.5°两组试验,试验和模拟的曲线在图 3(a)(b)均出现了交叉,这是由于两者的孔隙比相差较大,在孔隙比、中主应力系数、主应力方向三者的共同作用下出现了图中的效果。

    在定轴不排水剪切试验的基础上,Fanni等[8]进行了一系列定轴等剪应力排水试验,以探究各向异性对等剪应力排水应力路径的影响。试验中采用了湿装夯实法(MT)和干砂雨法(DP)两种制样方法,初始有效球应力均为171 kPa,大小主应力之差均为64 kPa,中主应力系数b分别为0,0.2,主应力与沉积方向的夹角α分别为0°,22.5°和45°。每个夹角均用不同的孔隙比进行试验,对于湿装夯实法,b = 0,α = 0°组采用了6个不同的孔隙比,b = 0.2,α = 22.5°组采用了4个,b = 0.2,α = 45°组采用了10个;对于干砂雨法, b = 0.2,α = 22.5°组1个,b = 0.2,α = 45°组2个。采用表 1中的模型参数进行模拟,模拟中保持偏应力不变,当有效球应力无法再减小时,即试样达到峰值应力比时,认为此时试样处于非稳定态,模拟结束。

    图 4给出了湿装夯实法试样在不同bα下的定轴等剪应力排水试验结果与模拟。图中圆代表初始状态,三角形代表试样达到非稳定态,即处于峰值应力比状态。当相同bα时,非稳定态的有效球应力p随孔隙比e的增加而增加,3组中模拟与试验均吻合较好。当孔隙比e不变、α增加时,模拟与试验得到的有效球应力均增加。

    图  4  不同中主应力系数与主应力方向下湿装夯实法试样定轴等剪应力排水试验结果与模拟
    Figure  4.  Constant shear drained tests and simulated results at different α and b of moist tamped loose sand

    图 5给出了干砂雨法试样在不同bα下的定轴等剪应力排水试验结果与模拟。b = 0.2,α = 45°组试验与模拟结果相近,规律也与湿装夯实法中一致;模拟结果在定量上与试验结果存在差距,推测这是由于模型参数或者初始组构强度不准确导致的。当α增加时,模拟与试验得到的有效球应力均增加,这与湿装夯实法中的规律是一致的。

    图  5  不同主应力方向下干砂雨法试样定轴等剪应力排水试验结果与模拟
    Figure  5.  Constant shear drained tests and simulated results at different α and b of dry pluviated loose sand

    图 6给出了试验和模拟中非稳定态的结果与趋势线。可以看到试验得到的非稳定态在e-p空间内具有良好的线性关系,对模拟得到的非稳定态进行线性回归,得到R2均在0.99以上,表明模型对等剪应力比试验具有良好的模拟能力。对比湿装夯实法的3组试验,可以发现模拟得到的3条趋势线之间的间距要略小于试验所得,这主要受初始组构强度的影响,具体情况在下文中阐释。

    图  6  不同中主应力系数、主应力方向下定轴等剪应力排水试验中非稳定态试验与模拟结果及各自的趋势线
    Figure  6.  Instability states of constant shear drained tests and simulations at different α and b

    为了说明初始组构强度对于定轴等剪应力排水条件下土体响应的影响,在数值模拟中对不同初始组构强度条件进行了分析。图 7中给出了不同初始组构强度对非稳定态模拟结果的影响。从图中可以发现初始组构越强,不同主应力方向下的非稳定态差异越大,即峰值应力比差异越大。式(5),(6)中可以解释这一现象。试样达到峰值应力比时,有塑性模量H = 0。当初始组构强度增加,即||Fn||增加时,指标||Fn||-An = ||Fn||(1 – nF: n)(其中nF指组构张量的方向)的值域[0, 2||Fn||]随之扩大,式(5)所得C的值域也相应扩大。对于定轴试验,初始组构强度增加,导致了不同的bα计算得到C值之间的差异增加,因H = 0,进而使得式(6)中历史最大峰值应力比Mm(即非稳定态时的应力比)的差异增加,在剪应力q不变的情况下,非稳定态时的球应力p之间的差异也就增加了。这些反映在图 7中即为趋势线之间的间距增加。

    图  7  初始组构强度对定轴等剪应力排水试验非稳定态e-p关系的影响
    Figure  7.  Effects of initial fabric norm on instability state of constant shear drained loading at different α and b

    本文利用各向异性CycLiq本构模型,模拟了Fanni等[8]进行的定轴不排水试验与定轴等剪应力排水试验,对比试验结果与模拟结果,可以得到以下3点结论。

    (1)对于定轴不排水剪切试验,该模型与试验均表现为随着中主应力系数和加载角度的增加,土体剪缩增强,更易发生静态液化。在定量上,模型模拟的应力路径和应力应变曲线与试验也有较好的吻合。

    (2)对于定轴等剪应力排水试验,模型与试验均表现为非稳定态时的平均有效应力随孔隙比和加载角度的增加而增加,且相同加载角度的非稳定态在e-p空间内呈线性分布。总体来说,CycLiq模型对各向异性下砂土等剪应力排水响应的模拟效果较好,具有运用到实际工程中的潜力。

    (3)不同初始组构强度对于等剪应力排水试验的结果有显著的影响。初始组构强度越高,不同主应力方向作用下的非稳定态时平均有效应力相差越大。

  • 图  1   强度折减采样法原理

    Figure  1.   Principle of strength reduction sampling method

    图  2   SRS-GPR方法的计算流程图

    Figure  2.   Flow chart of proposed SRS-GPR method

    图  3   黏性土坡剖面及随机场网格示意图

    Figure  3.   Profile of cohesive slope and elements of random field

    图  4   不排水强度cu随机场的一次典型实现

    Figure  4.   A typical realization of random field of cu

    图  5   可靠度分析迭代计算过程

    Figure  5.   Iterative calculation process of reliability analysis

    图  6   安全系数的累积分布函数值

    Figure  6.   Cumulative distribution function for safety factor

    图  7   自相关距离对边坡失效概率的影响

    Figure  7.   Effects of autocorrelation distance on failure probability of slope

    图  8   黏性-摩擦土坡剖面及随机场网格示意图

    Figure  8.   Profile of cohesive-frictional slope and elements of random field

    图  9   cϕ互相关随机场的一次典型实现(ρcϕ = −0.5)

    Figure  9.   A typical realization of cross-correlated random fields of c and ϕ (ρc, ϕ = −0.5)

    图  10   可靠度分析迭代计算过程

    Figure  10.   Iterative calculation process of reliability analysis

    图  11   不同方法所得Pf随互相关系数ρcϕ的变化

    Figure  11.   Variations of Pf given by different methods with cross-correlated coefficients between cohesion and friction angle

    图  12   不同方法所得Pf随黏聚力和内摩擦角变异系数的变化

    Figure  12.   Variations of Pf given by different methods with COVc and COVϕ

    图  13   不同方法所得Pf随垂直波动范围的变化

    Figure  13.   Variations of Pf given by different methods with vertical scale of fluctuations

    表  1   不排水黏性土坡可靠度分析结果

    Table  1   Reliability results of undrained cohesive slope

    方法类别 Ncall Pf Fs计算方法
    MCS 100000 0.0882 BSM
    LHS[3] 1000 0.0830 BSM
    2阶多重SRSM[3] 1000 0.0790 BSM
    3阶多重SRSM[24] 1000 0.0810 BSM
    GPR-RSM[4] 150 0.0740 BSM
    CNN-LHS[5] 100 0.1070 FDM
    EQP-MRSM[22] 3021 0.0740 BSM
    RSSs-RSM[23] 1821 0.0755 BSM
    SRS-GPRa 73.3 0.0881 BSM
    SRS-GPRb [64.3,84.2] [0.0854,0.0908] BSM
    注:上标a为20次独立分析的平均结果;上标b为95% 置信区间;FDM为有限差分法;SRSM为随机响应面法;GPR-RSM为基于高斯过程回归的响应面法;CNN-LHS为基于卷积神经网络的拉丁超立抽样法;EQP-MRSM为基于等效参数的多重响应面法;RSSs-RSM为基于代表性滑面的响应面法。
    下载: 导出CSV

    表  2   黏性-摩擦土坡可靠度分析的土体参数

    Table  2   Parameters for reliability analysis of cohesive-frictional slope

    土体参数 均值 变异系数 分布类型 波动范围 互相关系数
    c/kPa 10 0.3 对数
    正态
    δv = 4 m
    δh = 40 m
    ρcϕ = −0.5
    ϕ/(°) 30 0.2 对数
    正态
    δv = 4 m
    δh = 40 m
    下载: 导出CSV

    表  3   不同工况下的黏性-摩擦土坡可靠度分析结果

    Table  3   Reliability results of cohesive-frictional slope in different cases

    计算工况 方法类别 Ncall Pf Fs计算方法
    δv = 4 m
    δh = 40 m
    MCS 100000 0.0269 BSM
    LHS[1] 10000 0.0272 BSM
    MARS[1] 280 0.0292 BSM
    SIR-MARS[25] 120 0.0261 FDM
    SRS-GPRa 87.9 0.0267 BSM
    SRS-GPRb [78.4, 97.4] [0.0252, 0.0282] BSM
    δv = 8 m
    δh = 40 m
    MCS 100, 000 0.0582 BSM
    LHS[1] 10000 0.0570 BSM
    MARS[1] 280 0.0546 BSM
    SIR-MARS[25] 120 0.0538 FDM
    SRS-GPRa 67.8 0.0593 BSM
    SRS-GPRb [60.4, 75.2] [0.0569, 0.0617] BSM
    δv = 4 m
    δh = 80 m
    MCS 100, 000 0.0277 BSM
    LHS[1] 10000 0.0286 BSM
    MARS[1] 280 0.0305 BSM
    SIR-MARS[25] 120 0.0295 FDM
    SRS-GPRa 88.4 0.0283 BSM
    SRS-GPRb [81.8, 94.9] [0.0271, 0.0294] BSM
    注:上标a为20次独立分析的平均结果;上标b为95%置信区间;FDM为有限差分法;MARS为多元自适应回归样条;SIR-MARS为切片逆回归与MARS组合方法。
    下载: 导出CSV
  • [1]

    LIU L L, ZHANG S H, CHENG Y M, et al. Advanced reliability analysis of slopes in spatially variable soils using multivariate adaptive regression splines[J]. Geoscience Frontiers, 2019, 10(2): 671-682. doi: 10.1016/j.gsf.2018.03.013

    [2] 李典庆, 蒋水华, 周创兵, 等. 考虑参数空间变异性的边坡可靠度分析非侵入式随机有限元法[J]. 岩土工程学报, 2013, 35(8): 1413-1422. https://www.cnki.com.cn/Article/CJFDTOTAL-YTGC201308008.htm

    LI Dianqing, JIANG Shuihua, ZHOU Chuangbing, et al. Reliability analysis of slopes considering spatial variability of soil parameters using non-intrusive stochastic finite element method[J]. Chinese Journal of Geotechnical Engineering, 2013, 35(8): 1413-1422. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-YTGC201308008.htm

    [3]

    JIANG S H, LI D Q, CAO Z J, et al. Efficient system reliability analysis of slope stability in spatially variable soils using Monte Carlo simulation[J]. Journal of Geotechnical and Geoenvironmental Engineering, 2015, 141(2): 4014096. doi: 10.1061/(ASCE)GT.1943-5606.0001227

    [4]

    ZHU B, HIRAISHI T, PEI H F, et al. Efficient reliability analysis of slopes integrating the random field method and a Gaussian process regression-based surrogate model[J]. International Journal for Numerical and Analytical Methods in Geomechanics, 2021, 45(4): 478-501. doi: 10.1002/nag.3169

    [5] 姬建, 姜振, 殷鑫, 等. 边坡随机场数字图像特征CNN深度学习及可靠度分析[J]. 岩土工程学报, 2022, 44(8): 1463-1473. doi: 10.11779/CJGE202208011

    JI Jian, JIANG Zhen, YIN Xin, et al. Slope reliability analysis based on deep learning of digital images of random fields using CNN[J]. Chinese Journal of Geotechnical Engineering, 2022, 44(8): 1463-1473. (in Chinese) doi: 10.11779/CJGE202208011

    [6] 张天龙, 曾鹏, 李天斌, 等. 基于主动学习径向基函数的边坡系统可靠度分析[J]. 岩土力学, 2020, 41(9): 3098-3108. https://www.cnki.com.cn/Article/CJFDTOTAL-YTLX202009028.htm

    ZHANG Tianlong, ZENG Peng, LI Tianbin, et al. System reliability analyses of slopes based on active-learning radial basis function[J]. Rock and Soil Mechanics, 2020, 41(9): 3098-3108. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-YTLX202009028.htm

    [7]

    ECHARD B, GAYTON N, LEMAIRE M. AK-MCS: an active learning reliability method combining Kriging and Monte Carlo Simulation[J]. Structural Safety, 2011, 33(2): 145-154. doi: 10.1016/j.strusafe.2011.01.002

    [8] 罗正东, 董辉, 陈铖, 等. 基于克里金模型的边坡稳定可靠度分析方法[J]. 岩土力学, 2015, 36(增刊1): 439-444. https://www.cnki.com.cn/Article/CJFDTOTAL-YTLX2015S1076.htm

    LUO Zhengdong, DONG Hui, CHEN Cheng, et al. An analytic method for slope stability reliability based on Kriging model[J]. Rock and Soil Mechanics, 2015, 36(S1): 439-444. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-YTLX2015S1076.htm

    [9]

    DUNCAN J M. State of the art: limit equilibrium and finite-element analysis of slopes[J]. Journal of Geotechnical Engineering, 1996, 122(7): 577-596. doi: 10.1061/(ASCE)0733-9410(1996)122:7(577)

    [10]

    LI D Q, JIANG S H, CAO Z J, et al. A multiple response-surface method for slope reliability analysis considering spatial variability of soil properties[J]. Engineering Geology, 2015, 187: 60-72. doi: 10.1016/j.enggeo.2014.12.003

    [11]

    ANG A H S, TANG W H. Probability Concepts in Engineering: Emphasis on Applications in Civil & Environmental Engineering[M]. New York: Wiley, 2007

    [12]

    LI D Q, ZHENG D, CAO Z J, et al. Response surface methods for slope reliability analysis: review and comparison[J]. Engineering Geology, 2016, 203: 3-14. doi: 10.1016/j.enggeo.2015.09.003

    [13]

    PAL M, DESWAL S. Modelling pile capacity using Gaussian process regression[J]. Computers and Geotechnics, 2010, 37(7-8): 942-947. doi: 10.1016/j.compgeo.2010.07.012

    [14]

    KANG F, HAN S X, SALGADO R, et al. System probabilistic stability analysis of soil slopes using Gaussian process regression with Latin hypercube sampling[J]. Computers and Geotechnics, 2015, 63: 13-25. doi: 10.1016/j.compgeo.2014.08.010

    [15]

    LI M Y, WANG G, QIAN L, et al. ASS-GPR: adaptive sequential sampling method based on Gaussian process regression for reliability analysis of complex geotechnical engineering[J]. International Journal of Geomechanics, 2021, 21(10): 4021192. doi: 10.1061/(ASCE)GM.1943-5622.0002161

    [16] 苏国韶, 宋咏春, 燕柳斌. 高斯过程机器学习在边坡稳定性评价中的应用[J]. 岩土力学, 2009, 30(3): 675-679, 687. doi: 10.3969/j.issn.1000-7598.2009.03.018

    SU Guoshao, SONG Yongchun, YAN Liubin. Application of Gaussian process machine learning to slope stability evaluation[J]. Rock and Soil Mechanics, 2009, 30(3): 675-679, 687. (in Chinese) doi: 10.3969/j.issn.1000-7598.2009.03.018

    [17]

    RASMUSSEN C E, WILLIAMS C K I. Gaussian Processes for Machine Learning[M]. Cambridge: MIT Press, 2006.

    [18]

    ASLAN N. Application of response surface methodology and central composite rotatable design for modeling and optimization of a multi-gravity separator for chromite concentration[J]. Powder Technology, 2008, 185(1): 80-86. doi: 10.1016/j.powtec.2007.10.002

    [19]

    PAN Q J, DIAS D. An efficient reliability method combining adaptive Support Vector Machine and Monte Carlo Simulation[J]. Structural Safety, 2017, 67: 85-95. doi: 10.1016/j.strusafe.2017.04.006

    [20]

    LIU Y D, YANG Z Y, LI X Y. Adaptive ensemble learning of radial basis functions for efficient geotechnical reliability analysis[J]. Computers and Geotechnics, 2022, 146: 104753. doi: 10.1016/j.compgeo.2022.104753

    [21]

    CHO S E. Probabilistic assessment of slope stability that considers the spatial variability of soil properties[J]. Journal of Geotechnical and Geoenvironmental Engineering, 2010, 136(7): 975-984. doi: 10.1061/(ASCE)GT.1943-5606.0000309

    [22]

    LIU L L, DENG Z P, ZHANG S H, et al. Simplified framework for system reliability analysis of slopes in spatially variable soils[J]. Engineering Geology, 2018, 239: 330-343. doi: 10.1016/j.enggeo.2018.04.009

    [23]

    WANG B, LIU L L, LI Y H, et al. Reliability analysis of slopes considering spatial variability of soil properties based on efficiently identified representative slip surfaces[J]. Journal of Rock Mechanics and Geotechnical Engineering, 2020, 12(3): 642-655. doi: 10.1016/j.jrmge.2019.12.003

    [24] 蒋水华, 李典庆, 曹子君, 等. 考虑参数空间变异性的边坡系统可靠度分析[J]. 应用基础与工程科学学报, 2014, 22(5): 841-855. https://www.cnki.com.cn/Article/CJFDTOTAL-YJGX202104013.htm

    JIANG Shuihua, LI Dianqing, CAO Zijun, et al. System reliability analysis of slopes considering spatial variability of soil properties[J]. Journal of Basic Science and Engineering, 2014, 22(5): 841-855. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-YJGX202104013.htm

    [25]

    DENG Z P, PAN M, NIU J T, et al. Slope reliability analysis in spatially variable soils using sliced inverse regression-based multivariate adaptive regression spline[J]. Bulletin of Engineering Geology and the Environment, 2021, 80(9): 7213-7226. doi: 10.1007/s10064-021-02353-9

图(13)  /  表(3)
计量
  • 文章访问数:  319
  • HTML全文浏览量:  39
  • PDF下载量:  78
  • 被引次数: 0
出版历程
  • 收稿日期:  2023-01-29
  • 网络出版日期:  2024-05-14
  • 刊出日期:  2024-04-30

目录

/

返回文章
返回