斜坡不稳定是最具破坏性和危险性的灾害之一,对公路系统、山区社区和水库区域造成严重破坏[15,30,32]。确定性和概率性方法被广泛用于评估各种条件下的斜坡稳定性,如极端暴雨和水库水位波动[23,39,47]。概率方法因其能够量化岩土工程中的固有不确定性而越来越受到认可。开发适用于不同场景的稳健且快速的斜坡稳定性概率评估方法对研究界尤为重要。
斜坡稳定性的概率评估侧重于估计低至中等水平的失效概率[68]。蒙特卡洛(MCS)方法因其概念清晰性和鲁棒性而被广泛用于概率计算[17,48]。尽管MCS方法直接易懂,但它通常依赖于计算密集型的确定性模型,导致计算成本较高[16]。各种元建模技术被广泛用作确定性模型的替代品,以降低MCS的计算成本[27,53,55]。这些技术包括人工神经网络[51,52,54]、响应面方法[22]、多项式混沌展开(PCE)[31,62]、支持向量机[61,69]和克里金[37,45]。其一般工作流程包括通过实验设计构建样本集、构建适当的替代模型,然后执行MCS以估计失效概率。然而,岩土工程中的替代建模常常受到“维数灾难”的影响[26],因为土壤属性的空间变异性是通过随机场来表征的[25]。在高维输入空间中,替代模型的性能往往会下降。例如,PCE可能比直接MCS更具计算要求(Jiang等人,2014年),而克里金的准确性也会降低[6]。
为了克服这一挑战,研究人员经常应用降维技术将高维输入空间转换为低维潜在空间[38,41]。在涉及固有空间变异性的斜坡可靠性分析中,Karhunen–Loève展开(KLE)常用于离散化土壤属性场,并有效将维度减少到截断的数量[40]。然而,即使经过KLE后,维度仍然很高,这可能会降低替代模型的预测性能。这一限制凸显了第二阶段降维的必要性。然而,传统方法如主成分分析(PCA)[19]、主动子空间(AS)[18,50]和压缩感知(CS)[63]可能不适合斜坡可靠性分析。特别是当输入变量相互独立或弱相关时,PCA的表现往往较差;此外,AS和CS通常依赖于偏导数的评估,这在斜坡工程应用中可能计算密集且不切实际[6]。相比之下,切片逆回归(SIR)在实践工程中的可行性最近得到了证明,因为它可以有效地识别输入变量与感兴趣响应之间的重要依赖关系,从而进一步降低维度[5,38]。尽管如此,两阶段降维技术(KLE和SIR)与元模型的兼容性仍有待探索。
在元建模技术中,克里金模型具有灵活性和高插值精度[14],使其非常适合KLE和SIR所部署的低维环境。克里金模型特别适合基于周围样本信息生成点预测并量化相关的预测不确定性[42]。这些特性使得可以在实验的自适应设计中集成先进的学习函数,包括期望可行性(EF)[2]、基于Folds正规化的期望改进(FNEI)[43]、基于可靠性的置信度基础(RLCB)[64]和基于可靠性的期望改进(REI)函数[67]。值得注意的是,Sudret等人(2015年)引入了一种非侵入式混合元模型——多项式混沌克里金(PCK),它结合了PCE和克里金,在鲁棒性和泛化能力方面优于传统克里金,尤其是在高度非线性的情况下。由于其非侵入性,PCK模型还可以结合这些学习函数来自适应地识别最优样本点[46]。然而,Wolpert和Macready等人[59]提出了机器学习中的“无免费午餐定理”——算法在某一特定场景中的任何性能提升都不可避免地会被其他配置环境中的限制所抵消。换句话说,没有一种算法能在所有场景中都表现最佳。对于斜坡可靠性分析而言,这意味着缺乏学习函数先验知识的工程师往往难以确定最适合特定斜坡场景的函数。
实际上,输入变量与感兴趣响应之间的隐含关系在不同场景中差异很大,例如自然斜坡、具有降雨渗透的非饱和土壤斜坡以及具有水位波动的水库斜坡[57,58,65]。因此,根据“无免费午餐定理”,元模型的性能会随着不同斜坡随机场场景中学习函数的选择而变化。使用不合适的学习函数可能导致预测效果不佳或计算成本增加[6,12]。在高维输入配置空间中自适应选择最优学习函数——尤其是在缺乏明确指导的情况下——既具有挑战性又至关重要。为了填补这一空白,本研究的主要目的如下:
•将特定斜坡场景的学习函数选择问题视为多臂老虎机问题。
•提出一种方法,用于在高维输入空间中自适应过滤掉性能不佳的学习函数。
•确保自适应元模型在不同斜坡场景中的鲁棒性,考虑到土壤的空间变异性。
这些目的促使我们从固定策略转向更灵活的替代方案:一种自适应混合方法。本研究引入了一种投资组合优化策略,将多种学习函数集成到由KLE和SIR部署的低维系统中。具体来说,六种学习函数——U、EF、FNEI、H、RLCB、REI——被纳入混合系统。累积奖励指标和可调平衡参数用于动态平衡学习函数的探索与利用。该系统的目标是在迭代过程中最大化累积预期奖励,从而自适应地选择最有效的学习函数来细化极限状态附近的替代模型。此外,该混合系统中定义了一个收敛标准[13],以终止元模型的自适应过程。所提出的方法系统地应用于四个示例:(i)考虑交叉相关摩擦角和凝聚力的斜坡;(ii)具有软带的四层斜坡;(iii)在降雨渗透下的非饱和斜坡;(iv)具有水位下降的水库斜坡。各部分的组织结构如下。第2节介绍了所涉及的方法及其实现,特别解释了如何将学习函数选择问题视为多臂老虎机问题;第3节系统总结了所有示例的结果,探讨了所提出方法的特点,然后描述了每种方法在每个示例中的实际应用过程;第4节对所提出方法进行了敏感性分析。