期刊：Journal of Geotechnical and Geoenvironmental Engineering
作者：Dian-Qing Li, Wei Wang, Xin Liu and Wenqi Du
年份：2024
1
摘要
本文基于数值方法，建立了估算土坡地震位移的通用模型。开发了14112个具有不同边坡几何形状和土性参数配置的边坡模型，以表示一般的土质边坡。然后在FLAC中进行了数千次边坡动力学分析，以估计同震边坡位移。基于计算的位移，将18个地震动强度判据（IM）和8个坡度变量作为候选预测变量，使用light gradient boosting machine（LightGBM）开发预测位移模型。比较结果表明，屈服加速度（𝐾𝑦）和阿里亚斯强度（AI）是回归位移的最有效标量变量。基于效率、充分性和可计算性标准，（AI，峰值地面速度）和（AI，峰地面加速度）的矢量IMs，以及Ky和初始剪切模量，分别被视为优选的预测变量。因此，分别通过基于LightGBM和多项式的方法，使用优选变量提出了两组预测位移模型。多项式模型预测边坡位移的变异性比LightGBM模型大约15%-30%，表明LightGBM的预测性能优于多项式模型。
2
图表
图：（a）M𝑤和Rrup的散点图；以及（b）本研究中使用的地震动的𝑉𝑠30直方图
图：实施的土坡模型的示意图
图：基于26个特征的预测模型的所有特征的平均绝对SHAP值
图：使用Ky、AI和一个额外的斜率变量作为预测变量的基于LightGBM的预测模型的RMSE和R2得分的比较。虚线表示使用Ky和AI的预测模型的RMSE和R2分数
图：通过各种模型预测的中值位移与地震场景下的位移（a）Mw=7.0，Rrup=10 km；（b） Mw=7.0，Rrup=20公里；和（c）Mw=7.0，Rrup=40km。
3
结论及讨论
本文基于数值模拟结果，建立了一般土质边坡的地震位移预测模型。以两个边坡几何参数（即𝐻和𝐼）和四个土性参数（即内聚力、摩擦角、初始剪切模量和单位重量）为随机变量，在FLAC中实现了14112个边坡模型。然后进行了数千次动力分析，以获得沿坡面的最大总永久位移。18个常用的地面运动IMs和8个边坡变量被视为候选预测变量。基于确定的优选预测变量，分别通过基于LightGBM和多项式的方法提出了两组预测模型。所进行的分析得出以下结论性意见：
（1）为了比较预测效率，通过采用候选预测变量的不同组合，提出了各种基于LightGBM的预测模型。SHAP得分的平均绝对值表明，𝐾y和AI分别是估计边坡位移的最有效的边坡变量和IM。因此，在选择所需的预测变量时，应优先考虑这两个参数。此外，考虑到它们在效率、可计算性和充分性方面的总体理想性能，[AI，PGV]和[AI，PGA，PGV]的向量，以及𝐾𝑦和𝐺，被视为开发基于2-IM和3-IM的预测模型的优选预测变量。
（2）通过分别使用两组优选的预测变量，开发了两个基于LightGBM的模型来预测土坡的位移。基于测试数据集计算的𝑅2坐标在0.90到0.91的范围内，在预测效率和泛化方面表现出令人满意的性能。提出了三线性关系来估计方差项。基于2-IM和3-IM的预测模型中，𝐾𝑦<0.1 g的估计对数标准偏差分别为0.67和0.61。
（3）基于确定的优选预测变量，还开发了两个基于多项式的位移模型。基于整个数据集计算出的两个模型的RMSE得分约为1.15，比基于LightGBM的模型高出约15%-20%。因此，多项式模型的预测性能明显不如基于LightGBM的模型。此外，多项式模型在预测𝐷方面的变异性比基于LightGBM的模型大15%-30%。
（4）将两组预测模型和现有模型在几种地震情况下进行了比较。比较结果表明，基于数值模型的预测位移明显大于基于滑块的模型，尤其是在具有相对较强激励的情况下。这可能是由于基于数值的方法更好地表征了土体材料的应力-应变行为。此外，两个基于数值的通用边坡模型之间也存在一些差异。这种差异主要归因于开发模型时对土的性质、边坡几何形状、边界条件、预测变量和函数形式的不同考虑。
与多项式模型相比，基于LightGBM的模型由于其改进的预测效率而表现出优势。为了实际使用，开发的LightGBM模型的可执行文件可在以下位置获得：https://github.com/wangw233/DisplacementPredictiveModels_Version2.git.
所开发的两组预测模型应适用于估算工程应用中粘性范围为13至43 kPa、摩擦角范围为11°至34°、坡高范围为4至40 m、坡角范围为14°至45°的一般土质边坡的同震位移。具体而言，所提出的模型仅适用于表现出𝐾𝑦–𝑇𝑠 如图5所示范围内的组合。
实施数值边坡模型有几个局限性，包括缺乏包含土体应变软化效应的先进本构模型，将边坡材料视为干燥条件，以及无限边界的近似。数值模型的局限性可能会对计算的边坡位移大小产生影响。此外，由于考虑到计算费用，所实现的每个边坡模型仅由一个地面运动激励，因此可能无法完全捕捉到每个边坡模型的动态响应。因此，在开发边坡位移模型时，需要进一步的研究工作来解决这些局限性。
4
参考文献
Li, D.-Q., Wang, W., Liu, X. & Du, W. Generic Models for Predicting Coseismic Displacements of Earth Slopes Based on Numerical Analysis and Machine Learning Algorithm. Journal of Geotechnical and Geoenvironmental Engineering 150, 04024074, doi:10.1061/JGGEFK.GTENG-11764 (2024).
