陳昌富，李偉?，張嘉睿，廖佳卉，呂曉璽

（1.建筑安全與節(jié)能教育部重點實驗室（湖南大學），湖南長沙 410082；2.湖南大學土木工程學院，湖南長沙 410082）

隨著我國高速公路建設不斷向主要由丘陵或山地組成的中西部山區(qū)延伸，不可避免地需要進行大填大挖，從而必然形成大量的高陡邊坡.高陡邊坡的開挖施工不僅打破了地表原有的地質(zhì)和生態(tài)平衡，對公路沿線周邊的地質(zhì)和生態(tài)環(huán)境產(chǎn)生重要影響，而且在強降雨或地震荷載作用下，高陡邊坡極易誘發(fā)滑坡、坍塌、泥石流等地質(zhì)災害，嚴重威脅人民的生命和財產(chǎn)安全.因此，國內(nèi)外學者為確保山區(qū)公路邊坡安全，在邊坡穩(wěn)定性分析、防護與加固設計、現(xiàn)場監(jiān)測和滑坡預測等方面做了大量的研究，并取得了豐碩的成果.

邊坡穩(wěn)定性分析的關(guān)鍵是邊坡中最危險滑動面的搜索.然而，山區(qū)公路邊坡因受到復雜地形地質(zhì)條件和各種工程等因素的綜合影響，具有高度不確定性、強非線性和動態(tài)演化的特征，這導致在最危險滑動面搜索過程中經(jīng)常面臨安全系數(shù)計算公式為隱函數(shù)、目標函數(shù)為高維且具有多極值點的非凸函數(shù)等突出問題，采用經(jīng)典的分析計算方法難以求解.近年來，隨著人工智能（AI）技術(shù)的快速發(fā)展，智能算法和機器學習模型被廣泛應用到邊坡工程的穩(wěn)定性分析中，建立了大量收斂能力強、計算精度高、搜索速度快的全局優(yōu)化搜索方法［1-6］，可有效解決復雜邊坡的穩(wěn)定性分析和最危險滑動面搜索問題.

對于欠穩(wěn)定或已失穩(wěn)邊坡（滑坡），為保證工程安全，必須對其進行加固處理.在工程中，由于邊坡處治涉及的因素眾多、建模困難、計算復雜，如何合理選擇邊坡處治加固形式并對其進行優(yōu)化設計，以獲得經(jīng)濟合理、技術(shù)可靠的邊坡加固設計方案，一直是邊坡處治的重點和難點.為此，一些學者采用智能算法［7］、機器學習［8］、模糊計算［9］、自適應神經(jīng)模糊推理系統(tǒng)［10］等人工智能方法，對邊坡處治進行智能設計，取得了良好的效果.

滑坡和泥石流是山區(qū)公路的高發(fā)地質(zhì)災害，防災減災任務十分艱巨.其中，滑坡的精準監(jiān)測和預測預警是邊坡防災減災的關(guān)鍵環(huán)節(jié).隨著航空航天和光學遙感技術(shù)的發(fā)展，新型的邊坡監(jiān)測技術(shù)不斷涌現(xiàn)，并逐漸向高精度、自動化、智能化、遠程化的方向發(fā)展［11］.同時，監(jiān)測內(nèi)容也日益豐富，除最常見的位移外，還拓展到裂縫、地下水、氣象等多項監(jiān)測指標［12］.智能監(jiān)測雖然可獲得大量多維度的、非線性的、高分辨率的多源監(jiān)測數(shù)據(jù)，但也使多源數(shù)據(jù)的融合和關(guān)鍵信息的識別和提取成為技術(shù)難點.而機器學習方法可以在復雜的數(shù)據(jù)中建立目標對象與屬性特征之間的關(guān)系框架；智能算法可以優(yōu)化模型參數(shù)，提高搜索能力.因此，它們被廣泛應用于滑坡的智能識別與預測預警、巖體結(jié)構(gòu)面的智能辨識等研究中，并且成效顯著.

為展示國內(nèi)外山區(qū)公路邊坡智能分析和設計方面的最近研究進展，本文在查閱大量文獻的基礎上，重點對最近10 余年來公路邊坡穩(wěn)定性智能分析與設計計算方法、邊坡處治智能設計計算方法、邊坡智能化監(jiān)測技術(shù)、滑坡的智能預測、巖土體參數(shù)智能反演以及巖質(zhì)邊坡結(jié)構(gòu)面智能識別等方面的研究進展進行較系統(tǒng)的總結(jié)，并就人工智能用于解決山區(qū)公路復雜邊坡穩(wěn)定性分析與加固設計、現(xiàn)場監(jiān)測與滑坡預測等問題的發(fā)展方向給予展望.

1 山區(qū)公路邊坡智能分析與設計計算方法研究進展

1.1 概述

邊坡穩(wěn)定性分析是公路邊坡設計和施工的理論基礎.目前，常用的邊坡穩(wěn)定性分析方法眾多，其分類如表1 所示.本節(jié)將系統(tǒng)地回顧人工智能方法應用于邊坡的確定性分析和非確定性（可靠性）分析，以及工程邊坡優(yōu)化設計的最新研究進展.

表1 邊坡穩(wěn)定性分析方法分類Tab.1 Classification of slope stability analysis methods

1.2 山區(qū)公路邊坡穩(wěn)定性智能分析方法

邊坡穩(wěn)定性分析的實質(zhì)是尋找一條使邊坡的安全系數(shù)最小的滑動路徑，這條路徑可稱為最危險滑動面（亦稱臨界滑動面）.由于邊坡系統(tǒng)的復雜性，臨界滑動面的目標函數(shù)通常是一個復雜且不可微的多峰函數(shù)，采用傳統(tǒng)的搜索方法極易陷入局部最優(yōu)解.近年來，諸多學者基于人工智能算法和機器學習，提出了眾多收斂能力強、高效、穩(wěn)定的全局優(yōu)化分析方法來定位邊坡臨界滑動面和計算邊坡的穩(wěn)定性.在智能算法方面，有遺傳算法［1］、模擬退火算法［2］、進化算法［3］、改進徑向移動算法［4］、群優(yōu)化算法（粒子群算法［13］、蟻群算法［14］、萬有引力算法［15］、人工蜂群算法［16］、鯨魚算法［17］、灰狼優(yōu)化算法［18］）等；在機器學習方面，有單模型（如支持向量機［5］）、聚類算法、概率模型、神經(jīng)網(wǎng)絡與深度學習［19］、集成學習［20］等，詳細分類如圖1 所示.上述人工智能模型均可獨立用于解決邊坡穩(wěn)定性問題，但也各有不完善之處，因此諸多學者通過對它們進行不同方式的組合或融合，提出了一些適應性更強的改進算法.

圖1 邊坡工程中常用的人工智能方法Fig.1 Artificial intelligence methods used in slope engineering

1.2.1 基于遺傳算法（GA）的邊坡穩(wěn)定性分析

針對傳統(tǒng)遺傳算法（GA）的局部尋優(yōu)能力不足，易因選擇壓力過大而產(chǎn)生早熟收斂的問題［21］，Zhu和Chen［22］將局部禁忌搜索策略植入遺傳算法的重組和循環(huán)中，提高了局部尋優(yōu)速度.Cen 等［23］將遺傳算法和模擬退火算法相結(jié)合，對生成的每個子滑面采用模擬退火操作，實現(xiàn)了快速收斂.Zhou 等［24］通過在上一代最優(yōu)解區(qū)域附近生成新種群，并與初始種群遺傳重組的方式擴大種群多樣性，加快了收斂速度.Xu等［25］結(jié)合改進的量子遺傳算法和隨機森林回歸方法，通過動態(tài)調(diào)整策略控制種群的更新和演化方向得到全局最優(yōu)解，有效地避免了過早收斂.

1.2.2 基于模擬退火算法（SA）的邊坡穩(wěn)定性分析

1983 年，Kirkpatrick 等［26］將熱力學中的退火思想引入組合優(yōu)化領域，提出了一種求解大規(guī)模組合優(yōu)化問題的有效近似算法——模擬退火算法（SA）.然而，由于在模擬退火過程中很難保證退火充分，導致在解的搜索過程中極易陷入局部最優(yōu)解，全局搜索能力較差.Cheng［2］提出了一種動態(tài)邊界模擬退火技術(shù)，可準確且快速地確定圓弧和非圓弧滑動面的最小安全系數(shù).劉華強等［27］通過增加算法的記憶功能和聯(lián)合搜索能力，給出了一套邊坡穩(wěn)定分析的非圓弧滑動面搜索方法.李亮等［28］引入禁忌搜索技術(shù)，避免了對退火中新解的重復、迂回搜索，形成了全局尋優(yōu)能力極強的禁忌模擬退火復合形法.

1.2.3 基于粒子群算法（PSO）的邊坡穩(wěn)定性分析

粒子群算法（PSO）［13］是采用速度-位置搜索模型，各粒子代表解空間中的一個候選解，通過定義適應值函數(shù)來評價各粒子的優(yōu)劣程度，該算法的適應性和兼容性較強，但也存在計算時比較依賴慣性因子的取值、易陷入局部最優(yōu)解、計算量大等缺點.李亮等［29］借鑒和聲算法直接模擬群體的位置更新，通過對簡化Janbu法的拓展，實現(xiàn)了對邊坡三維臨界滑動面的快速搜索.徐飛等［30］結(jié)合投影尋蹤算法、粒子群優(yōu)化算法和邏輯斯諦曲線函數(shù)，建立了邊坡穩(wěn)定性評價的粒子群優(yōu)化投影尋蹤模型（PSO-PP）.楊善統(tǒng)等［31］通過變異操作增強了粒子群跳出局部最優(yōu)解的能力，并用二次序列規(guī)劃加速局部搜索，大大提高了粒子群算法獲得全局最優(yōu)的能力.

1.2.4 基于蟻群算法（ACO）的邊坡穩(wěn)定性分析

蟻群算法（ACO）［14］具有開放性、魯棒性、并行性和全局收斂性等優(yōu)點，但也存在早熟收斂、收斂速度慢和求解質(zhì)量差等問題.為了克服原有算法的缺點，陳昌富等［32］引入混沌擾動算子，改變了螞蟻的選擇機制，增加解的多樣性，提高了全局尋優(yōu)能力.石露等［33］對蟻群算法的結(jié)構(gòu)和螞蟻轉(zhuǎn)移概率計算方式進行了改進，并與遺傳算法結(jié)合，克服了蟻群算法初期因信息素匱乏導致計算速度慢的不足.Gao［34］引入獎懲策略，增加較優(yōu)路徑與普通路徑的信息素差異，加快了收斂速度，也避免早熟收斂；他還基于螞蟻正反向搜索相遇形成完整路徑的原理，提出了一種相遇蟻群算法，提高了搜索效率和精度［35］.Yang等［36］將MAX-MIN 蟻群優(yōu)化算法應用于穩(wěn)定性分析的滑動面搜索上，提出一種基于數(shù)值流行法的數(shù)值模型，算例表明其具有較好的適用性.

1.2.5 基于萬有引力算法（GSA）的邊坡穩(wěn)定性分析

萬有引力算法（GSA）是由Rashedi 等人提出，利用萬有引力定律和模擬物體間的相互作用，得到一種粒子群體智能優(yōu)化算法.考慮到萬有引力算法局部搜索能力不足，易出現(xiàn)最優(yōu)值振蕩發(fā)散的現(xiàn)象，Khajehzadeh 等［15］采用自適應最大速度約束，提高了全局探索能力和收斂速度.Raihan 等［37］將萬有引力算法與順序二次規(guī)劃（SQP）相結(jié)合，提出了一種GSA-SQP 優(yōu)化算法.蔣建國等［38］通過限制粒子的速度和更改算法參數(shù)對萬有引力算法進行改進，顯著提高了算法中粒子的探索與開發(fā)能力.

1.2.6 基于新型群優(yōu)化算法的邊坡穩(wěn)定性分析

目前新的群優(yōu)化算法層出不窮，而且不斷被應用于邊坡穩(wěn)定性分析中.比如：Ma 等［39］根據(jù)仿生學原理和海豚的捕食行為，基于領導者海豚群算法（LDHA）創(chuàng)建了邊坡穩(wěn)定性分析的非線性多目標優(yōu)化模型，計算結(jié)果表明LDHA 在計算精度和效率上明顯優(yōu)于其他算法.Li 等［40］比較了8 種新型優(yōu)化算法［灰狼優(yōu)化算法（GWO）、粒子群優(yōu)化算法（PSO）、鯨魚優(yōu)化算法（WOA）、Salp 群算法（SSA）、多元優(yōu)化算法（MVO）、螞蟻獅子優(yōu)化算法（ALO）、布谷鳥搜索算法（CS）和平衡優(yōu)化算法（EO）］確定邊坡臨界滑坡面的能力，結(jié)果表明，平衡優(yōu)化算法在解的質(zhì)量、收斂速率和魯棒性方面優(yōu)于其他算法.

1.2.7 基于支持向量機（SVM）的邊坡穩(wěn)定性分析

支持向量機（SVM）是一種支持小樣本的機器學習，以結(jié)構(gòu)風險最小化為準則，縮小模型泛化誤差，提高泛化能力，但在求解大規(guī)模樣本數(shù)據(jù)時，具有效率低、魯棒性差等問題［5］.考慮到SVM 的準確性與核函數(shù)和懲罰參數(shù)的取值相關(guān)，陳光耀等［41］基于正態(tài)云模型改進果蠅算法，并用于求解SVM 分類模型的最優(yōu)參數(shù)組合，提出了一種有效、可行的邊坡穩(wěn)定性評價方法.Suykens 等［42］通過在目標函數(shù)中增加誤差平方和項，將原有的不等式約束求解過程變成等式方程求解，節(jié)省計算時間，提出了最小二乘支持向量機（LSSVM）方法，加快了求解速度.Xue［43］采用PSO 算法改進LSSVM 方法，在收斂速度和精度上較經(jīng)典的遺傳算法和粒子群算法更優(yōu).Zeng等［44］采用引力搜索算法和鯨魚優(yōu)化算法分別討論了LSSVM方法的正確控制參數(shù).Cai 等［45］采用混沌遺傳算法對LSSVM 參數(shù)進行優(yōu)化，提高了并行計算和全局優(yōu)化搜索的能力.Li 等［46］提出了基于量子化粒子群（QPSO）的LSSVM 算 法，相 比 于PSO-LSSVM 和LSSVM 算法，具有更快的搜索速度和最佳的收斂性能，更適合于邊坡穩(wěn)定性分析.

1.2.8 基于人工神經(jīng)網(wǎng)絡（ANN）的邊坡穩(wěn)定性分析

人工神經(jīng)網(wǎng)絡（ANN）是一種模擬人腦神經(jīng)網(wǎng)絡結(jié)構(gòu)和功能的計算模型，通常由一層或多層互連的神經(jīng)元或節(jié)點組成.人工神經(jīng)網(wǎng)絡能夠充分考慮各因素間的非線性關(guān)系，實現(xiàn)對任意函數(shù)的逼近，已經(jīng)得到了較為廣泛的應用［19］.但是，人工神經(jīng)網(wǎng)絡模型在訓練中易出現(xiàn)信息重疊和過擬合現(xiàn)象，從而導致泛化能力差等問題.陳昌富和楊宇［47］采用基于人工神經(jīng)網(wǎng)絡結(jié)構(gòu)構(gòu)建的T-S 型模糊推理系統(tǒng)，利用混合遺傳算法訓練該模型，避免了隸屬函數(shù)難以確定的問題，提高了搜索效率.Gordan 等［48］借助粒子群算法（PSO）確定ANN 的權(quán)重和偏差問題，提出一種PSO-ANN 模型來預測邊坡的穩(wěn)定安全系數(shù)，提高了搜索精度.Das 等［49］分別采用差分進化神經(jīng)網(wǎng)絡（DENN）、貝葉斯正則化法神經(jīng)網(wǎng)絡（BRNN）和Levenberg-Marquardt 神經(jīng)網(wǎng)絡（LMNN）模型計算邊坡的安全系數(shù)，對比計算結(jié)果發(fā)現(xiàn)，DENN 模型計算精度更高.Khajehzadeh 等［50］提出了一種ANN 模型與自適應正余弦算法結(jié)合的智能分析方法，并用于評估和預測均質(zhì)邊坡在靜態(tài)和動態(tài)載荷下的安全系數(shù).Foong 和Moayedi［51］使用平衡優(yōu)化和渦流搜索算法優(yōu)化多層感知器神經(jīng)網(wǎng)絡模型來預測單層土坡的安全系數(shù).

誤差反饋神經(jīng)網(wǎng)絡（BPNN）［52］是一種改進的人工神經(jīng)網(wǎng)絡模型，在其輸入層和輸出層之間至少有一個隱含層，每個互連都分配有一個關(guān)聯(lián)權(quán)重，具有向前和向后傳遞兩個過程，因而能夠?qū)⑤敵鰧硬粶蚀_的結(jié)果向前傳遞，通過更新連接權(quán)重使誤差最小化，提高預測精度.胡軍等［53］結(jié)合協(xié)調(diào)粒子群算法和BP 神經(jīng)網(wǎng)絡，建立了邊坡穩(wěn)定性與各影響因素之間復雜的非線性關(guān)系，避免了BP 神經(jīng)網(wǎng)絡易陷入局部最優(yōu)的問題.考慮到卷積神經(jīng)網(wǎng)絡（CNN）在圖像分析方面具有更好的表現(xiàn)，Hsiao等［54］將CNN模型與ANN模型用于隨機場邊坡的安全系數(shù)和臨界滑動面搜索，以平均絕對誤差來判斷性能差異，結(jié)果表明，CNN 模型在復雜邊坡情況下精確度比ANN 模型更高，同時縮短了運算時間.

1.2.9 基于集成學習的邊坡穩(wěn)定性分析

集成學習［20］通過構(gòu)建并結(jié)合多個弱學習器，形成基于個體學習的強學習器，它可以獲得更準確的預測結(jié)果，具有更好的泛化性能和更廣泛的應用.Qi和Tang［55］采用自適應增強決策樹（ABDT）、二次判別分析、支持向量機（SVM）、人工神經(jīng)網(wǎng)絡（ANN）、高斯過程回歸（GPR）和k-最近鄰（KNN）作為弱學習器，通過加權(quán)多數(shù)投票法組合構(gòu)建了集成學習分類器.另外，他們也采用螢火蟲算法調(diào)整超參數(shù)，并驗證和討論了6 種綜合方法［Logistic 回歸、隨機森林（RF）、決策樹、梯度提升機（GBM）、多層感知器神經(jīng)網(wǎng)絡和支持向量機（SVM）］在邊坡穩(wěn)定性預測中的可行性，結(jié)果表明，集成學習方法大大提高了邊坡穩(wěn)定性預測性能［56］.Sun 等［57］提出了貝葉斯優(yōu)化的集成學習算法，對4 種回歸算法的超參數(shù)進行優(yōu)化，提高了邊坡安全系數(shù)的預測精度.

1.2.10 基于其他機器學習方法的邊坡穩(wěn)定性分析

不同的機器學習方法對同一類型的數(shù)據(jù)有不同的敏感度，同一類別的數(shù)據(jù)在不同方法下的分類精度也會有所不同，每個分類方法都有其獨特性和局限性.因此，Lin 等［58］基于349 個邊坡案例的數(shù)據(jù)集，評價了11 種用于邊坡穩(wěn)定性評價的機器學習模型在不同輸入?yún)?shù)組合下預測邊坡安全系數(shù)的能力，通過數(shù)理統(tǒng)計分析發(fā)現(xiàn)支持向量機（SVM）、梯度提升回歸（GBR）和裝袋（Bagging）方法是相對較好的回歸方法.Mahmoodzadeh 等［59］基于高斯過程回歸（GPR）、支持向量回歸（SVR）、決策樹（DT）、長短期記憶（LSTM）神經(jīng)網(wǎng)絡、卷積神經(jīng)網(wǎng)絡（CNN）和k-最近鄰（KNN）模型分析327 個案例邊坡的穩(wěn)定性，并與數(shù)值分析計算結(jié)果對比發(fā)現(xiàn)，GPR 模型的預測更加準確.Karir 等［60］基于支持向量回歸（SVR）、人工神經(jīng)網(wǎng)絡（ANN）、隨機森林（RF）、梯度提升（GB）和極端梯度提升（XGBoost）機器學習方法，建模并分析了邊坡安全系數(shù)，與數(shù)值分析計算結(jié)果對比發(fā)現(xiàn)，RF、GB 和XGB 模型等基于樹的算法具有出色的預測性能.Lin 等［61］對比了4 種監(jiān)督學習算法［隨機森林（RF）、萬有引力算法（GSA）、支持向量機（SVM）和樸素貝葉斯算法］在邊坡穩(wěn)定性評價中的性能差異，其中萬有引力算法可以獲得最好的結(jié)果.目前的研究表明，還沒有完善的機器學習方法能夠?qū)τ绊戇吰路€(wěn)定性的眾多因素進行較全面和有效的分析，仍需要不斷尋找精度更高、適用性強的機器學習方法來建立邊坡穩(wěn)定性評價模型，以獲得更好的預測結(jié)果.

1.3 山區(qū)公路邊坡可靠度智能分析方法

自然邊坡受長期風化、搬運、沉積、后沉積等地質(zhì)作用的影響，土體強度參數(shù)往往具有隨機性和不確定性.而常用的穩(wěn)定性分析僅是在確定性參數(shù)條件下求解安全系數(shù)，不能有效地考慮實際荷載和邊坡參數(shù)的隨機性和不確定性，易使評價結(jié)果偏離實際.因此，國內(nèi)外衍生出許多以概率表征的邊坡可靠度分析方法，它們能夠定量、客觀地考慮這些不確定性因素對邊坡穩(wěn)定性的影響.而隨著計算機和智能技術(shù)的蓬勃發(fā)展，引入人工智能技術(shù)的邊坡可靠度分析研究也在日益增加.

邊坡可靠度計算問題可以分為兩類［62］：一類是極限狀態(tài)方程是基本隨機變量的顯式功能函數(shù)；另一類是極限狀態(tài)方程是基本隨機變量的隱式功能函數(shù)，后者更為常見.當功能函數(shù)為不易求解的高度非線性的隱式函數(shù)時，一般采用代理模型法構(gòu)建隨機變量與功能函數(shù)之間的映射關(guān)系，如響應面法［63］、支持向量機（SVM）模型［64-65］等，并在此基礎上應用各種可靠度計算方法來計算邊坡可靠度指標.在代理模型的建立中運用人工智能技術(shù)，可大大提高計算效率，減少時間成本.Li 等［64］基于支持向量機（SVM）代理模型構(gòu)建功能函數(shù)，然后采用蒙特卡洛方法計算邊坡可靠度指標，提出了一種基于SVM 的邊坡可靠度分析方法.Samui 等［66］建立了相關(guān)向量機（RVM）在隱式功能函數(shù)的極限狀態(tài)下的可靠性分析模型.蘇永華等［67］基于Kriging 模型建立了各向異性關(guān)聯(lián)映射方法，再結(jié)合蒙特卡洛模擬和主動學習方法求解了邊坡的失效概率.Kang 等［68］提出了一種基于最小二乘向量機（LSSVM）和粒子群算法（PSO）結(jié)合的土質(zhì)邊坡系統(tǒng)失效概率評估可靠度方法.朱彬等［69］基于高斯過程回歸算法構(gòu)建代理模型，并用蒙特卡洛模擬求解邊坡失穩(wěn)概率，在保證計算精度的同時減少了對邊坡穩(wěn)定性分析程序的調(diào)用.張?zhí)忑埖龋?0］提出了基于主動學習徑向基函數(shù)的代理模型，加快了模型訓練的收斂速度，然后結(jié)合蒙特卡洛模擬計算邊坡的系統(tǒng)失穩(wěn)概率.謝夢龍等［71］引入LASSO算法壓縮數(shù)據(jù)系數(shù)，消除變量間的共線性問題，建立了邊坡土體強度參數(shù)與安全系數(shù)的關(guān)系，與普通線性回歸算法相比，其預測效果更有優(yōu)勢.

巖土體變異性包括地層變異性和巖土體參數(shù)的空間變異性［72］.針對巖土體參數(shù)變異性對邊坡穩(wěn)定性分析的影響，許多學者引入隨機場模擬不均勻參數(shù)的分布，并對穩(wěn)定性進行了大量的探討，提出了許多有效的可靠度評估方法［73］.Li等［74］基于理論自相關(guān)函數(shù)，提出了一種考慮巖土體抗剪強度參數(shù)空間變異性的多響應面邊坡可靠性分析方法.Qin 等［75］考慮了土體參數(shù)的空間變異性對開挖邊坡變形行為的影響，提出了一種基于隨機有限元方法的貝葉斯更新框架，能夠根據(jù)現(xiàn)場測量數(shù)據(jù)對邊坡進行有效的安全性評估.楊智勇等［76］采用概率故障樹模型構(gòu)建了邊坡多失效模式系統(tǒng)可靠度分析模型.姬建等［77］建立邊坡土體隨機場數(shù)字圖像與功能函數(shù)值之間隱式關(guān)系的卷積神經(jīng)網(wǎng)絡（CNN）代理模型，顯著提高了考慮隨機場模擬的邊坡可靠度分析計算效率.Zai 等［78］提出了廣義概率密度演化方法來評估邊坡的系統(tǒng)可靠性，對于隱式函數(shù)和多參數(shù)變量的復雜斜坡分析具有很好的適應性.另外，在考慮巖土體地層軟硬交替的變異性方面，Li 等［79］根據(jù)鉆孔資料結(jié)合耦合馬爾可夫鏈模型模擬地層的不確定性，并對邊坡進行穩(wěn)定性分析，表明地層變異性對安全系數(shù)和失效概率不確定性有重要影響.Liu 等［80］基于現(xiàn)場有限的鉆孔數(shù)據(jù)，采用一維馬爾可夫鏈模型研究了地層邊界不確定和土體參數(shù)空間變異性對邊坡可靠性分析的影響.鄧志平等［72］提出了同時考慮地層變異性和土體參數(shù)固有變異性的邊坡可靠度分析方法，有效地反映了這兩種土體變異性對邊坡可靠度的影響.

對于呈線狀分布的山區(qū)高速公路，因其線路長、場地勘察難度大，有關(guān)巖土參數(shù)的數(shù)據(jù)獲取困難，導致用于可靠度分析的數(shù)據(jù)嚴重不足.為了解決數(shù)據(jù)樣本量不足的問題，Yi 等［81］在Kriging 建模中引入粒子群算法以獲得最優(yōu)相關(guān)參數(shù)，通過對未監(jiān)測點的插值和外推，可以增加初始數(shù)據(jù)，有效解決了小樣本的參數(shù)不足.Xiao等［82］將改進的自適應遺傳算法與時空Kriging插值法相結(jié)合來解決監(jiān)測數(shù)據(jù)缺失的問題，其插值精度較傳統(tǒng)時空Kriging 和高斯過程回歸（GPR）方法提高了約1 倍.姬建等［83］運用概率密度權(quán)重法對邊坡系統(tǒng)可靠度進行概率分析，實現(xiàn)了在低樣本量下對高維、隱式極限狀態(tài)方程的邊坡可靠度的分析.另外，也有一些學者借助貝葉斯網(wǎng)絡框架建立代理模型對樣本數(shù)據(jù)進行合理的更新.比如，Yao 等［84］提出了基于結(jié)構(gòu)可靠度和貝葉斯更新的邊坡可靠度更新方法，可以基于較少的樣本數(shù)據(jù)，進行有效和準確的邊坡可靠性分析；Contreras 和Brown［85］基于貝葉斯方法構(gòu)建了多維后驗概率分布來推斷邊坡參數(shù)，并采用馬爾科夫鏈蒙特卡洛方法進行了邊坡可靠度分析；劉陽等［86］以貝葉斯網(wǎng)絡為框架，結(jié)合模糊理論與支持向量機模型，提出了一種公路邊坡地震失穩(wěn)規(guī)模的評估方法，克服了樣本量少引起網(wǎng)絡參數(shù)誤差過大的缺陷.

1.4 山區(qū)公路邊坡智能設計方法

在給定的工程場地（地質(zhì)地形條件已知）和荷載條件下，山區(qū)公路邊坡設計的關(guān)鍵是合理確定坡形和坡角.但由于影響邊坡穩(wěn)定性的地層物理力學參數(shù)和工程荷載等因素通常具有隨機性、模糊性及離散性，故邊坡的設計是一個復雜的非線性問題［87］.在邊坡坡角的智能設計中，張志軍等［88］根據(jù)邊坡的巖土力學參數(shù)及邊坡高度，采用人工神經(jīng)網(wǎng)絡（ANN）方法和自適應神經(jīng)模糊推理系統(tǒng)（ANFIS）方法，在滿足安全系數(shù)要求下對圓弧破壞邊坡的邊坡角反演設計，結(jié)果發(fā)現(xiàn)ANFIS 反演設計效果更好.徐沖等［87］采用基于組合核函數(shù)的高斯過程回歸網(wǎng)絡模型對邊坡坡角進行智能設計，提高了預測精度和泛化能力，同時可較好地處理坡角設計中的非線性問題.Zhou 等［89］將貝葉斯推理、概率運動學分析和立體投影應用于不連續(xù)性控制的巖石邊坡不穩(wěn)定性分析，計算出各開挖邊坡潛在不穩(wěn)定區(qū)塊的破壞角.Yan 等［90］結(jié)合運動學分析、貝葉斯估計和蒙特卡洛模擬，提出了一種確定邊坡節(jié)理巖邊坡的最大安全角的方法.Xie 等［91］基于影響巖質(zhì)邊坡角的10 個主要影響因素，構(gòu)建了一種基于隨機森林算法預測巖質(zhì)邊坡穩(wěn)定坡角的新方法.

2 山區(qū)公路邊坡處治智能設計計算方法研究進展

2.1 概述

山區(qū)公路修建時，不可避免地要對沿線邊坡進行開挖、削坡和爆破等施工作業(yè)，會形成大量的深路塹和高路堤邊坡.不僅破壞了沿線的生態(tài)景觀，也容易引發(fā)水土流失、滑坡和坍塌等災害，影響邊坡的穩(wěn)定性.為了保證公路安全、邊坡穩(wěn)定、生態(tài)平衡，應采取科學合理的邊坡處治措施.而在邊坡處治設計中往往涉及的因素眾多，導致建模困難、計算復雜，因此，一些學者采用智能算法和機器學習模型方法對邊坡處治進行智能設計，取得了良好的效果.本節(jié)將對邊坡不同防護與加固形式的智能設計研究進展進行較為詳細的闡述.

2.2 山區(qū)公路邊坡植物防護智能分析計算方法

邊坡防護主要有工程防護和植物防護兩種形式，工程防護主要有噴護、錨桿掛網(wǎng)噴漿和砌塊防護等，由于這些措施景觀效果不好，已經(jīng)不提倡使用，因此邊坡防護的主要途徑以植物防護為主［92］.目前有關(guān)山區(qū)公路邊坡防護智能分析計算方法的研究很少.Sari 等［10］針對草、灌木和喬木防護的邊坡，考慮根系加固作用，提出了一種高性能低誤差的邊坡穩(wěn)定性ANFIS 分析方法.隨后，Safa 等［93］考慮根系拉力作用，分別采用ANN、ANFIS 和ABC-ANN（人工蜂群與神經(jīng)網(wǎng)絡混合）算法，對生態(tài)防護的黏性土質(zhì)邊坡的安全系數(shù)進行計算，結(jié)果發(fā)現(xiàn)，ANFIS 算法具有更好的性能.此外，Liu等［94］建立了公路植物邊坡穩(wěn)定性評價指標體系，并運用粗糙集理論和層次分析法確定了邊坡評價指標的權(quán)重，提出了一種有效且可靠的預測公路植物邊坡防護質(zhì)量的評價模型.Liu 等［95］提出了一種結(jié)合遺傳算法和BP 神經(jīng)網(wǎng)絡回歸的模型，結(jié)合氣象和土壤濕度監(jiān)測數(shù)據(jù)，可以對生態(tài)防護高邊坡的水分進行合理預測.

2.3 山區(qū)公路邊坡加固智能分析計算方法

由于場地工程地質(zhì)和工程條件的復雜性，邊坡加固方式千差萬別.目前，常用的公路邊坡加固方法有加筋土坡、重力式或加筋土擋墻、土釘支護（土釘墻）、錨桿（索）擋墻、抗滑樁等.

加筋土坡因填方量少、施工期短、經(jīng)濟安全、抗震性能好等優(yōu)點，在邊坡工程中應用廣泛，其相關(guān)的研究也較多.Ponterosso 和Fox［7］提出了一種基于遺傳算法的加筋土坡優(yōu)化設計方法，并發(fā)現(xiàn)應用遺傳算法可有效節(jié)省加固費用.Farshidfar 等［96］采用遺傳算法搜索加筋土坡的臨界滑動面，提出了一種水平條分的加筋土邊坡穩(wěn)定性分析方法.Shinoda 和Miyata［97］采用粒子群優(yōu)化算法計算加筋土坡的安全系數(shù)，驗證了案例邊坡的穩(wěn)定性，提高了計算精度和設計效率.Bahootoroody 等［98］利用分層貝葉斯和馬爾科夫鏈蒙特卡洛方法來評價土工布加筋土坡的失穩(wěn)概率，提出了一種加固邊坡可靠度分析計算方法.

擋土墻結(jié)構(gòu)因抗滑能力強、布置靈活、施工方便、結(jié)構(gòu)形式多樣等優(yōu)點而應用廣泛.Gandomi等［99］采用加速粒子群優(yōu)化、螢火蟲算法和布谷鳥搜索等三種群體智能優(yōu)化算法對懸臂式擋土墻的幾何形狀參數(shù)進行優(yōu)化設計，發(fā)現(xiàn)在低成本和低耗材設計優(yōu)化方面，布谷鳥搜索算法更精確.侯超群等［100］采用遺傳算法確定地震作用下臨水加筋土擋墻的臨界滑動面，在滿足其內(nèi)部穩(wěn)定條件下，得到了筋材拉力系數(shù)的優(yōu)化設計結(jié)果.

土釘支護（土釘墻）的穩(wěn)定性分析中多采用極限平衡法計算土釘支護結(jié)構(gòu)穩(wěn)定性安全系數(shù).朱劍鋒等［101］提出一種新型的自適應禁忌變異遺傳搜索優(yōu)化算法，該算法能獲取土釘墻任意形狀最危險滑動面及相應安全系數(shù)，快速確定邊坡的穩(wěn)定性.董建華和朱彥鵬［102］提出了地震作用下土釘支護邊坡永久位移計算方法，其中采用遺傳算法搜索土釘支護邊坡的臨界滑動面.惠趁意等［103］運用遺傳算法對復合土釘支護結(jié)構(gòu)邊坡的最危險滑動面進行動態(tài)搜索，加快了設計速度.房光文等［104］為了切實反映土釘加固邊坡的實際狀態(tài)，考慮土體參數(shù)模糊隨機性和邊坡模糊過渡區(qū)間，提出了一種土釘加固邊坡可靠度分析方法.

對于錨桿（索）擋墻的設計，可先假定錨桿長度為一定值，然后通過逐步試算安全系數(shù)確定最優(yōu)設計方案.羅輝等［105］應用可靠度反分析法設計邊坡錨桿，采用遺傳算法求得目標可靠度下的錨桿優(yōu)化設計長度.尹志凱等［106］基于改進的差分進化算法，對三維邊坡錨固位置進行合理優(yōu)化，優(yōu)化后可有效節(jié)約錨桿數(shù)量.周蘇華等［9］建立了預應力錨索加固順層邊坡的穩(wěn)定性評價指標體系，提出了基于模糊層次分析法的邊坡穩(wěn)定性評定模型，并通過數(shù)值正交試驗發(fā)現(xiàn)結(jié)構(gòu)面強度和坡后角（即坡頂?shù)孛鎯A角）比邊坡的高度和坡度對邊坡的穩(wěn)定性影響要顯著.謝全敏等［107］基于灰色關(guān)聯(lián)度分析與模糊識別理論，建立了既有加固邊坡錨桿結(jié)構(gòu)健康狀態(tài)診斷方法，其評估結(jié)果能夠較全面、系統(tǒng)地反映既有錨桿加固邊坡工程的整體健康狀態(tài).

抗滑樁是邊坡支護中廣泛采用的支擋結(jié)構(gòu)形式.在抗滑樁設計時，一般是在指定的安全系數(shù)下計算出抗滑樁受到的下滑力，并據(jù)此設計確定樁距、樁徑、樁長和配筋.唐曉松等［8］、楊波等［108］采用GASVM 算法對埋入式和雙排全長式抗滑樁的合理樁位和樁長進行了分析計算.梁冠亭等［109］基于改進M-P法建立了抗滑樁支護邊坡的穩(wěn)定性分析模型，并引入自適應遺傳優(yōu)化算法，實現(xiàn)了最危險滑動面的自動搜索.Gong 等［110］基于隨機馬爾可夫隨機場方法，研究了地層不確定性對抗滑樁加固邊坡失穩(wěn)概率的影響，以最小化加固邊坡的失穩(wěn)概率和樁的成本為雙目標函數(shù)，優(yōu)化設計了單排抗滑樁的設計參數(shù)，提高了加固邊坡的性能.

3 山區(qū)公路邊坡智能監(jiān)測與滑坡預測研究進展

3.1 邊坡智能監(jiān)測

山區(qū)公路運營期間，公路邊坡可能出現(xiàn)不同程度的變形，甚至發(fā)生滑坡、坍塌等強破壞性災害，嚴重影響公路的正常使用.監(jiān)測邊坡的位移、土體內(nèi)部應力、地下水和外部誘發(fā)因素，對邊坡的穩(wěn)定性評價和滑坡等災害的預測和預警意義重大.

近年來，邊坡監(jiān)測技術(shù)取得了長足發(fā)展，并逐漸向高精度、自動化、智能化的方向邁進.常用的公路邊坡監(jiān)測技術(shù)主要有光纖光柵傳感技術(shù)（FBG）、三維激光掃描技術(shù)、數(shù)字化近景攝影測量技術(shù)、合成孔徑雷達干涉技術(shù)（InSAR）和全球?qū)Ш叫l(wèi)星系統(tǒng)（GNSS）等［12］高新技術(shù)，它們在公路邊坡監(jiān)測中都有成功應用.比如，李時宜等［111］開發(fā)了分布式布里淵光纖傳感技術(shù)，可以擴展光纜對局部變形的耐受度，同時提高了監(jiān)測的準確度；謝謨文等［112］運用三維激光掃描技術(shù)對金坪子滑坡表面變形進行了監(jiān)測研究；賈曙光等［113］基于無人機攝影測量技術(shù)，實現(xiàn)了高陡邊坡的數(shù)字化巖體產(chǎn)狀測量；王慧敏等［114］基于GNSS 高速公路自動化監(jiān)測系統(tǒng)，實現(xiàn)了地表位移和深層位移的實時管理和分析.凌建明等［12］對上述五種智能化監(jiān)測技術(shù)的特點、適用性以及發(fā)展和應用現(xiàn)狀進行了詳細的回顧，并展望了該領域的發(fā)展方向.也有學者提出了一些其他的監(jiān)測技術(shù)，比如：江勝華等［115］基于磁測原理，采用磁性標簽制作智能石頭，通過磁力梯度儀和智能石頭建立邊坡變形監(jiān)測系統(tǒng)，并通過改進遺傳算法，反演智能石頭的運動軌跡，實現(xiàn)了基于磁場梯度的磁性目標定位，進而得到邊坡的位移狀態(tài)；梁苗等［116］基于LoRa區(qū)域無線傳輸技術(shù)實現(xiàn)區(qū)域聚集監(jiān)測數(shù)據(jù)，再傳輸至后臺處理的深部位移監(jiān)測系統(tǒng)，實現(xiàn)了對西南山區(qū)某高速公路邊坡變形遠程自動化監(jiān)測，成功解決了偏遠山區(qū)網(wǎng)絡信號差和監(jiān)測數(shù)據(jù)回傳難的問題.

3.2 滑坡智能預測

基于已有邊坡監(jiān)測數(shù)據(jù)對邊坡變形進行快速、合理的預測是一項關(guān)鍵工作，它有助于進一步快速評價邊坡失穩(wěn)風險和對未來滑坡災害進行中長期預測.邊坡因受到巖土體材料特性、工程水文地質(zhì)條件、荷載條件、地表植被等多因素影響，其變形發(fā)展變化規(guī)律以及災變過程難以用傳統(tǒng)方法進行快速、準確預測.機器學習方法具有很強的處理非線性問題的能力，它在邊坡智能預測中得到了廣泛應用，尤其以人工神經(jīng)網(wǎng)絡（ANN）和支持向量機（SVM）模型為基礎的機器學習方法在邊坡預測中應用最為普遍，并發(fā)展出不同的改進方法.

在各類神經(jīng)網(wǎng)絡的應用方面，Chen 等［117］基于模糊神經(jīng)網(wǎng)絡對監(jiān)測數(shù)據(jù)進行位移預測，具有較高的預測精度和適用性.Cheng 和Hoang［118］采用模糊k最近鄰算法和螢火蟲算法結(jié)合來優(yōu)化模型超參數(shù)，提出了一種新型的預測邊坡坍塌的模型——基于實例學習的群優(yōu)化模糊（SOFIL）模型；相似地，他們還基于貝葉斯框架和k最近鄰算法，提出了邊坡坍塌評估的概率分析方法［119］，并采用我國臺灣地區(qū)高速公路的邊坡樣本數(shù)據(jù)驗證了該方法的有效性.Wang等［120］采用基于人工魚群算法（AFSA）的Elman神經(jīng)網(wǎng)絡模型對無人機攝影測量的位移數(shù)據(jù)進行訓練并預測位移變化，與現(xiàn)有的Elman 網(wǎng)絡方法相比，具有更好的精度和收斂性，適用于邊坡關(guān)鍵測點的位移預測.

在深度學習的應用方面，Yin 等［121］利用卷積神經(jīng)網(wǎng)絡（CNN）處理心電圖儀（ECG）輸出信號的方法創(chuàng)建了一種空間預測模型，并選取合理的空間預測因子，在GIS 的支持下對博山區(qū)公路邊坡的滑坡易發(fā)性進行了預測.Das 等［122］基于貝葉斯邏輯回歸對印度公路沿線的滑坡敏感性進行了評估.黃武彪等［123］基于層數(shù)自適應、通道加權(quán)的CNN 方法對川藏交通廊道沿線滑坡易發(fā)性進行了評價.

由于支持向量機（SVM）模型可以較好地解決監(jiān)測數(shù)據(jù)量不足、維數(shù)高和非線性等一系列問題，因此，鄭志成等［124］通過構(gòu)造基于混合核函數(shù)改進的最小二乘支持向量機（LSSVM）模型，并引入粒子群算法（PSO），提出了邊坡位移時序預測的PSO-LSSVM算法，同時提高了預測精度和泛化能力；而Gong等［125］提出了一種結(jié)合雙輸出最小二乘支持向量機和粒子群優(yōu)化算法的滑坡位移區(qū)間預測新方法，該方法可為滑坡位移的中長期區(qū)間預測提供準確、可靠的結(jié)果.

另外，一些其他的智能方法也應用到滑坡預測中，王志穎等［126］構(gòu)造一種基于PSO-Prophet 的邊坡變形分析與預測模型，較好地解決了邊坡變形分析與預測中周期項提取方法不確定性大和組合預測模型復雜度高的問題.仉文崗等［127］采用多元自適應回歸樣條曲線和集成學習LightGBM 模型構(gòu)建了一種基于數(shù)理-機制雙驅(qū)動的滑坡變形預測方法，可在考慮巖土體參數(shù)不確定性的基礎上對邊坡坡腳變形進行預測.Liu 等［128］先采用粗糙集理論和核主成分分析方法（RS-KPCA）提取輸入數(shù)據(jù)，然后采用量子化粒子群算法和最小二乘支持向量機方法（QPSOLSSVM）創(chuàng)建優(yōu)化預測模型，最后采用蒙特卡洛模擬法校正預測結(jié)果，從而提出了一套邊坡位移預測模型和預警方法，該模型方法具有良好的精度、收斂性和泛化能力.

地震是滑坡的主要誘因之一，常用Newmark 滑塊位移法來計算邊坡的震后位移［129］.該方法雖然原理簡單、計算方便且適用性強，但若要考慮邊坡土體強度參數(shù)變化、地震動強度、屈服加速度、地下水位等多因素對邊坡震動位移預測的影響，機器學習方法則更為靈活.Gade 等［130］基于數(shù)據(jù)驅(qū)動的人工神經(jīng)網(wǎng)絡模型，構(gòu)建了一種新的Newmark 滑動位移預測方程，可用于考慮地震震級、焦點機理、破裂距離、土壤頂部30 m 平均橫波速度和邊坡屈服加速度因素下邊坡位移預測.Nayek和Gade［131］采用相同的方法，針對地震動強度參數(shù)和邊坡屈服加速度值的不同組合預測了邊坡位移.Cho 等［132］基于邊坡位移有限元數(shù)據(jù)，采用ANN 模型和經(jīng)典回歸模型對邊坡地震位移進行預測，對比分析結(jié)果表明，ANN模型預測的位移隨參數(shù)變化更平滑.Huang等［133］基于大規(guī)模振動臺試驗數(shù)據(jù)，分別采用簡化的循環(huán)神經(jīng)網(wǎng)絡（Simple-RNN）模型、長短期記憶（LSTM）神經(jīng)網(wǎng)絡模型和循環(huán)門單元（GRU）神經(jīng)網(wǎng)絡模型對地震荷載動態(tài)響應的時序位移進行預測，結(jié)果表明，Simple-RNN 模型在分析邊坡的地震動力響應方面表現(xiàn)較好.Wang 等［134］提出了一個利用極端梯度提升模型（XGBoost）和子集仿真（SS）的機器學習框架（SSXGBoost）來預測邊坡滑動位移.Macedo 等［135］提出了多種機器學習模型來估計地震引起的邊坡位移量，其 中，Logistic 回 歸 和Bray-Macedo 模 型（即BM2019模型）出錯率較低.

3.3 滑坡智能識別

在大面積滑坡災害發(fā)生時快速獲取滑坡區(qū)域分布、數(shù)量、規(guī)模等災情信息對救援決策和防災減災都有著重要意義［136］.隨著航空航天技術(shù)和光學遙感技術(shù)的發(fā)展，高分辨率、多/高光譜、多平臺、多時相遙感成像為滑坡的檢測識別和災情快速提取提供了新的技術(shù)手段.滑坡的識別結(jié)果可以反映滑坡分布情況，是滑坡易發(fā)性等風險評價研究的基礎［137］.巨袁臻等［138］利用掩膜區(qū)域卷積神經(jīng)網(wǎng)絡（Mask RCNN）目標檢測模塊對中國典型黃土滑坡進行了自動識別.陳善靜等［136］提出了一種基于多源遙感時空譜特征融合的滑坡災害檢測方法，其中基于SVM實現(xiàn)了對滑坡目標地物的精確識別.余加勇等［139］基于無人機傾斜攝影測量數(shù)據(jù)，重構(gòu)了公路邊坡三維實景模型和三維點云模型，引入多尺度模型與模型點云比較（M3C2）算法對三維點云數(shù)據(jù)進行分析，實現(xiàn)了滑坡、坍塌、落石等災害場景的自動識別.

3.4 巖質(zhì)邊坡結(jié)構(gòu)面智能識別

巖體中結(jié)構(gòu)面調(diào)查和產(chǎn)狀分析是開展巖體穩(wěn)定性分析研究的基礎.隨著監(jiān)測和測量技術(shù)的不斷發(fā)展，新型的非接觸式測量技術(shù)被廣泛用于規(guī)模較大、地質(zhì)環(huán)境復雜的邊坡工程，具有便捷、可靠、安全的特點.比如，三維激光掃描技術(shù)可以短時間內(nèi)獲得巖體結(jié)構(gòu)面的高精度點云數(shù)據(jù)［140］；無人機攝影測量技術(shù)隨著運動恢復結(jié)構(gòu)（SfM）和多視圖立體匹配（MVS）算法的成熟，可以輕松地對拍攝照片進行三維模型重建，更加適應復雜地形的監(jiān)測［141］.而后，基于生成的點云數(shù)據(jù)或三維巖體結(jié)構(gòu)模型智能識別結(jié)構(gòu)面參數(shù)的研究也快速發(fā)展起來.Chen 等［142］基于k均值聚類算法，提出了一種從三維點云中自動提取不連續(xù)性方向的新方法.葛云峰等［143］利用改進的區(qū)域生長法與解析幾何理論對點云數(shù)據(jù)處理，實現(xiàn)了巖體結(jié)構(gòu)面智能識別與信息提取.寧浩等［144］通過基于霍夫空間變換算法和深度學習計算了點云的法向量，并對點云進行賦色，提出了一種自動識別結(jié)構(gòu)面及產(chǎn)狀信息的方法.王培濤等［145］基于敏感性參數(shù)近鄰點數(shù)、夾角閾值和過濾因子的結(jié)構(gòu)面識別算法，實現(xiàn)了對三維復雜點云的優(yōu)勢結(jié)構(gòu)面傾向、傾角產(chǎn)狀信息快速識別.陳昌富等［146］基于k最近鄰（KNN）聚類算法及主成分分析法（PCA）確定了邊坡三維模型中結(jié)構(gòu)面的位置和產(chǎn)狀參數(shù).

在充足的數(shù)據(jù)樣本下，深度學習方法的識別效果更有優(yōu)勢，王鵬宇和王述紅［147］基于Tensorflow 建立了巖質(zhì)邊坡圖像分析的CNN 模型，并對模型進行了訓練和測試，實現(xiàn)了巖質(zhì)邊坡巖石的自動識別與分類，該模型具有良好的魯棒性.張紫杉等［148］采用空洞卷積算法與高斯混合模型-最大期望算法（GMM-EM）結(jié)合，對巖體坡面裂隙網(wǎng)絡進行快速智能識別與參數(shù)化表征，達到了較高的準確率.

3.5 巖土體力學參數(shù)智能反演

巖土體參數(shù)的分析與確定是邊坡穩(wěn)定性評價和設計的基礎.反演分析方法可為準確估計巖土體參數(shù)提供有效的手段.近年來，隨著計算技術(shù)和人工智能技術(shù)的發(fā)展，ANN、GA、SA、SVM 等人工智能方法被廣泛引入反分析領域，巖土工程反分析正朝著多維化、智能化和高效化方向發(fā)展.

邊坡位移反分析法是確定邊坡巖土體參數(shù)值的一種有效方法.漆祖芳等［149］基于粒子遷徙和變異的粒子群優(yōu)化算法（MVPSO）搜索最佳的支持向量機（v-SVR）模型參數(shù)，提出了一種位移反分析方法，該法與基于遺傳算法BP 神經(jīng)網(wǎng)絡模型（BP-GA）和v-SVR-GA 相比，反演精度和效率更高.Liu等［150］基于梯度提升決策樹算法構(gòu)建元模型，分別構(gòu)建了以頻率推理的確定性反分析和以貝葉斯推理的概率反分析兩種位移反分析方法.由于兩種方法對參數(shù)空間具有不同的敏感度，可以互補分析邊坡的參數(shù)與位移關(guān)系.

概率反分析方法可以更好地考慮地質(zhì)力學參數(shù)的不確定性.Zhang 等［151］在貝葉斯框架下評估了邊坡土體中水力參數(shù)、黏聚力和內(nèi)摩擦角的不確定性及其對邊坡穩(wěn)定性預測的影響.Wang 等［152］基于最大似然估計和馬爾可夫鏈蒙特卡羅模擬（MCMC）反算了臺北3 號高速公路滑坡中巖土體的內(nèi)摩擦角和錨固力參數(shù).Li 等［153］集成貝葉斯方法和多輸出支持矢量機模型提出了一種概率反分析方法，并合理地應用于龍?zhí)端娬編r質(zhì)邊坡的楊氏模量和側(cè)壓系數(shù)分析.Jiang 等［154］提出基于結(jié)構(gòu)可靠度進行貝葉斯更新（BUS）的方法，對空間變異的土體不排水抗剪強度參數(shù)進行概率反分析和邊坡可靠性更新，有效地避免了“維數(shù)災難”和似然乘數(shù)評估，顯著提高了計算精度.江巍等［155］提出了利用BP 神經(jīng)網(wǎng)絡實現(xiàn)巖土體抗剪強度參數(shù)的逆向迭代修正反演的方法.Liu 等［156］使用基于子集模擬的貝葉斯更新的方法和邊坡監(jiān)測數(shù)據(jù)，反演出土體的水力參數(shù).仉文崗等［127］基于有限的孔壓實測數(shù)據(jù)，運用DREAM_zs算法，對降雨入滲非飽和土坡的巖土體變形、水力和強度參數(shù)進行了概率反演和有效更新，該方法計算效率高且收斂速度快.

4 展 望

1）在邊坡的確定性分析方法中，基于中值安全系數(shù)的極限平衡法或極限分析法仍然是最重要的兩種分析手段，但由于其在建模時假定條件較多，無法較全面地考慮山區(qū)復雜的地質(zhì)條件和環(huán)境因素對公路邊坡穩(wěn)定性的影響，導致其對山區(qū)公路邊坡穩(wěn)定性的評價往往與工程實際不符.雖然基于智能算法和機器學習的分析方法，可以考慮多種因素對邊坡穩(wěn)定性的影響，但由于其理論尚不完善、計算相對繁瑣、實用性不強，目前尚未被業(yè)界廣泛接受.因此，對于復雜環(huán)境和工況下的山區(qū)公路邊坡，亟須發(fā)展方法可靠、計算高效、適用性強的穩(wěn)定性分析智能計算方法.

2）雖然業(yè)界已普遍認識到山區(qū)公路邊坡穩(wěn)定性分析中存在大量的隨機性和不確定性因素，并逐漸接受了采用可靠度方法來評價邊坡的穩(wěn)定性，而且大量智能算法和機器學習方法也在邊坡可靠度計算中得到成功應用，但由于對山區(qū)巖土體物理力學參數(shù)的統(tǒng)計分析嚴重缺乏，導致可靠度分析結(jié)果往往與實際差異較大.因此，應引入現(xiàn)代試驗技術(shù)與方法、數(shù)據(jù)挖掘技術(shù)和人工智能方法，大力開展公路邊坡巖土體參數(shù)的數(shù)理統(tǒng)計分析，并加強對邊坡可靠度計算模型和可靠性評價標準的研究.

3）在山區(qū)公路邊坡處治智能設計方面，人工智能技術(shù)的應用還不夠成熟，相關(guān)的研究還較少.今后應加強引入人工智能方法和智能試驗技術(shù)，開展邊坡加固結(jié)構(gòu)工作機理和實用的智能優(yōu)化設計計算方法研究.

4）在山區(qū)公路邊坡智能監(jiān)測和預測方面，嘗試采用基于人工智能的“天-空-地”一體化聯(lián)合監(jiān)測方法對公路沿線邊坡開展多層次、多角度、系統(tǒng)性的監(jiān)測，實時監(jiān)控并分析邊坡的變形發(fā)育特征，及時識別滑坡災害并做出預測預警.