中国安全科学学报

样本编号	工程名称	预测指标	边坡类型	边坡实际状态
1	桂柳高速公路	27.1	22	18.6	25.6	100	0.19	土质	失稳
2	小浪底水库滑坡	21.2	0	35	23.75	150	0.25	土质	失稳
3	三峡水电项目滑坡	26.57	300	38.7	45.3	80	0.15	岩质	失稳
︙	︙	︙	︙	︙	︙	︙	︙	︙	︙
89	三穗-凯里高速公路	26.5	36.1	31	35	39	0	岩质	稳定
90	26	42.4	37	38	55	0	岩质	稳定

样本
编号

工程名称

预测指标

边坡
类型

边坡实
际状态

γ/(kN·m^-3)

c/kPa

Ф/(°)

φ_f/ (°)

H /m

r_u /kPa

桂柳高速公路

27.1

18.6

25.6

100

0.19

土质

失稳

小浪底水库滑坡

21.2

23.75

150

0.25

土质

失稳

三峡水电项目滑坡

26.57

300

38.7

45.3

0.15

岩质

失稳

︙

三穗-凯里高速公路

26.5

36.1

岩质

稳定

42.4

岩质

稳定

样本编号	工程名称	预测指标	边坡类型	边坡实际状态
1	桂柳高速公路	27.1	22	18.6	25.6	100	0.19	土质	失稳
2	小浪底水库滑坡	21.2	0	35	23.75	150	0.25	土质	失稳
3	三峡水电项目滑坡	26.57	300	38.7	45.3	80	0.15	岩质	失稳
︙	︙	︙	︙	︙	︙	︙	︙	︙	︙
89	三穗-凯里高速公路	26.5	36.1	31	35	39	0	岩质	稳定
90	26	42.4	37	38	55	0	岩质	稳定

样本
编号

工程名称

预测指标

边坡
类型

边坡实
际状态

γ/(kN·m^-3)

c/kPa

Ф/(°)

φ_f/ (°)

H /m

r_u /kPa

桂柳高速公路

27.1

18.6

25.6

100

0.19

土质

失稳

小浪底水库滑坡

21.2

23.75

150

0.25

土质

失稳

三峡水电项目滑坡

26.57

300

38.7

45.3

0.15

岩质

失稳

︙

三穗-凯里高速公路

26.5

36.1

岩质

稳定

42.4

岩质

稳定

工程名称	预测指标	边坡实际状态	预测结果
三峡库区链子崖滑坡	18.5	25	0	30	6.003	0.29	失稳	失稳	失稳	失稳
三穗-凯里高速公路	20	8	20	10	10	0	失稳	失稳	稳定	失稳
21.4	28.8	20	50	52	0	失稳	稳定	失稳	失稳
︙	︙	︙	︙	︙	︙	︙	︙	︙	︙	︙
三板溪水电站 3号边坡	27.3	36	1	50	92	0.29	稳定	稳定	稳定	失稳
印度露天铁矿	28.44	29.42	35	35	100	0	稳定	稳定	失稳	失稳
28.44	39.23	38	35	100	0	稳定	稳定	稳定	失稳
霸王山边坡	22.1	45.8	49.5	45.8	49.5	0.21	稳定	稳定	稳定	失稳

工程名称

预测指标

边坡实
际状态

预测结果

γ/
(kN·m^-3)

c/kPa

Ф/(°)

φ_f /(°)

H/m

r_u/kPa

MISSA-
SVM

SSA-
SVM

SSA-
BP

三峡库区链子
崖滑坡

18.5

6.003

0.29

失稳

三穗-凯里高速
公路

失稳

稳定

失稳

21.4

28.8

失稳

稳定

失稳

︙

三板溪水电站
3号边坡

27.3

0.29

稳定

失稳

印度露天铁矿

28.44

29.42

100

稳定

失稳

28.44

39.23

100

稳定

失稳

霸王山边坡

22.1

45.8

49.5

45.8

49.5

0.21

稳定

失稳

工程名称	预测指标	边坡实际状态	预测结果
三峡库区链子崖滑坡	18.5	25	0	30	6.003	0.29	失稳	失稳	失稳	失稳
三穗-凯里高速公路	20	8	20	10	10	0	失稳	失稳	稳定	失稳
21.4	28.8	20	50	52	0	失稳	稳定	失稳	失稳
︙	︙	︙	︙	︙	︙	︙	︙	︙	︙	︙
三板溪水电站 3号边坡	27.3	36	1	50	92	0.29	稳定	稳定	稳定	失稳
印度露天铁矿	28.44	29.42	35	35	100	0	稳定	稳定	失稳	失稳
28.44	39.23	38	35	100	0	稳定	稳定	稳定	失稳
霸王山边坡	22.1	45.8	49.5	45.8	49.5	0.21	稳定	稳定	稳定	失稳

工程名称

预测指标

边坡实
际状态

预测结果

γ/
(kN·m^-3)

c/kPa

Ф/(°)

φ_f /(°)

H/m

r_u/kPa

MISSA-
SVM

SSA-
SVM

SSA-
BP

三峡库区链子
崖滑坡

18.5

6.003

0.29

失稳

三穗-凯里高速
公路

失稳

稳定

失稳

21.4

28.8

失稳

稳定

失稳

︙

三板溪水电站
3号边坡

27.3

0.29

稳定

失稳

印度露天铁矿

28.44

29.42

100

稳定

失稳

28.44

39.23

100

稳定

失稳

霸王山边坡

22.1

45.8

49.5

45.8

49.5

0.21

稳定

失稳

预测模型	准确率/%	精确率/%	召回率/%	F₁ 分数	MSE
MISSA-SVM	96.29	92.3	100	0.96	0.016
SSA-SVM	92.59	91.67	91.67	0.92	0.074
SSA-BP	85.18	100	66.67	0.8	0.148

预测
模型

准确
率/%

精确
率/%

召回
率/%

F₁
分数

MSE

MISSA-SVM

96.29

92.3

100

0.96

0.016

SSA-SVM

92.59

91.67

0.92

0.074

SSA-BP

85.18

100

66.67

0.8

0.148

预测模型	准确率/%	精确率/%	召回率/%	F₁ 分数	MSE
MISSA-SVM	96.29	92.3	100	0.96	0.016
SSA-SVM	92.59	91.67	91.67	0.92	0.074
SSA-BP	85.18	100	66.67	0.8	0.148

预测
模型

准确
率/%

精确
率/%

召回
率/%

F₁
分数

MSE

MISSA-SVM

96.29

92.3

100

0.96

0.016

SSA-SVM

92.59

91.67

0.92

0.074

SSA-BP

85.18

100

66.67

0.8

0.148

序号	工程名称	预测指标	边坡实际状态	预测结果
1	大溪滑坡	22	20	36	45	30	0.29	失稳	失稳	失稳	失稳
2	子洪水库右岸滑坡	12	0.03	30	35	4	0.29	失稳	失稳	稳定	失稳
3	中延村滑坡	12	0	30	45	8	0.29	失稳	失稳	失稳	稳定
4	旬阳水电站杨大沟滑坡	31.3	68	37	49	200.5	0.29	失稳	失稳	失稳	稳定
5	苏家坪滑坡	20	30	36	45	50	0.29	失稳	失稳	失稳	失稳
6	江西七一水库滑坡	18.82	25	14.6	20.32	50	0.4	失稳	失稳	失稳	失稳
7	天生桥二级水电站7号边坡	22	10	35	30	10	0.29	稳定	稳定	失稳	稳定
8	四川垮梁子边坡	21	10	30.34	30	30	0.29	稳定	稳定	失稳	稳定
9	云南头寨沟边坡	21.5	15	29	41.5	123.6	0.36	稳定	稳定	稳定	失稳

序号

工程名称

预测指标

边坡实
际状态

预测结果

γ/
(kN·m^-3)

c/
kPa

Ф/
(°)

φ_f/
(°)

H/m

r_u/
kPa

MISSA-
SVM

SSA-
SVM

SSA-
BP

大溪滑坡

0.29

失稳

子洪水库右岸滑坡

0.03

0.29

失稳

稳定

失稳

中延村滑坡

0.29

失稳

稳定

旬阳水电站杨大沟滑坡

31.3

200.5

0.29

失稳

稳定

苏家坪滑坡

0.29

失稳

江西七一水库滑坡

18.82

14.6

20.32

0.4

失稳

天生桥二级水电站7号边坡

0.29

稳定

失稳

稳定

四川垮梁子边坡

30.34

0.29

稳定

失稳

稳定

云南头寨沟边坡

21.5

41.5

123.6

0.36

稳定

失稳

序号	工程名称	预测指标	边坡实际状态	预测结果
1	大溪滑坡	22	20	36	45	30	0.29	失稳	失稳	失稳	失稳
2	子洪水库右岸滑坡	12	0.03	30	35	4	0.29	失稳	失稳	稳定	失稳
3	中延村滑坡	12	0	30	45	8	0.29	失稳	失稳	失稳	稳定
4	旬阳水电站杨大沟滑坡	31.3	68	37	49	200.5	0.29	失稳	失稳	失稳	稳定
5	苏家坪滑坡	20	30	36	45	50	0.29	失稳	失稳	失稳	失稳
6	江西七一水库滑坡	18.82	25	14.6	20.32	50	0.4	失稳	失稳	失稳	失稳
7	天生桥二级水电站7号边坡	22	10	35	30	10	0.29	稳定	稳定	失稳	稳定
8	四川垮梁子边坡	21	10	30.34	30	30	0.29	稳定	稳定	失稳	稳定
9	云南头寨沟边坡	21.5	15	29	41.5	123.6	0.36	稳定	稳定	稳定	失稳

序号

工程名称

预测指标

边坡实
际状态

预测结果

γ/
(kN·m^-3)

c/
kPa

Ф/
(°)

φ_f/
(°)

H/m

r_u/
kPa

MISSA-
SVM

SSA-
SVM

SSA-
BP

大溪滑坡

0.29

失稳

子洪水库右岸滑坡

0.03

0.29

失稳

稳定

失稳

中延村滑坡

0.29

失稳

稳定

旬阳水电站杨大沟滑坡

31.3

200.5

0.29

失稳

稳定

苏家坪滑坡

0.29

失稳

江西七一水库滑坡

18.82

14.6

20.32

0.4

失稳

天生桥二级水电站7号边坡

0.29

稳定

失稳

稳定

四川垮梁子边坡

30.34

0.29

稳定

失稳

稳定

云南头寨沟边坡

21.5

41.5

123.6

0.36

稳定

失稳

基于MISSA-SVM模型的边坡稳定性预测及应用

PDF下载

王团辉 ¹ , 王超 ¹^,²^,³^,^** , 吴顺川 ¹^,²^,³ , 王琦玮 ¹ , 徐健珲 ¹

中国安全科学学报 | 安全工程技术 2024,34(4): 135-144

收起

中国安全科学学报 | 安全工程技术 2024, 34(4): 135-144

基于MISSA-SVM模型的边坡稳定性预测及应用

全屏

王团辉¹, 王超¹^,²^,³^,^**, 吴顺川¹^,²^,³, 王琦玮¹, 徐健珲¹

作者信息

¹ 昆明理工大学国土资源工程学院，云南昆明 650093

² 自然资源部高原山地地质灾害预报预警与生态保护修复重点实验室，云南昆明 650093

³ 云南省高原山地地质灾害预报预警与生态保护修复重点实验室，云南昆明 650093

王团辉 (1999—)，男，河南焦作人，硕士研究生，主要研究方向为岩土工程灾害防治。E-mail：wangtuanhui2022@163.com。

吴顺川教授

通讯作者:

**王超(1984—)，男，山东济宁人，博士，副教授，主要从事岩石力学及矿山安全方面的研究。E-mail：wangchao@kust.edu.cn。

Slope stability prediction and application based on MISSA-SVM model

Tuanhui WANG¹, Chao WANG¹^,²^,³^,^**, Shunchuan WU¹^,²^,³, Qiwei WANG¹, Jianhui XU¹

Affiliations

¹ Faculty of Land Resource Engineering，Kunming University of Science and Technology，Kunming Yunnan 650093，China

² Key Laboratory of Geohazard Forecast and Geoecological Restoration in Plateau Mountainous Area，Ministry of Natural Resources of the People's Republic of China，Kunming Yunnan 650093，China

³ Yunnan Key Laboratory of Geohazard Forecast and Geoecological Restoration in Plateau Mountainous Area，Kunming Yunnan 650093，China

出版时间: 2024-04-28 doi: 10.16265/j.cnki.issn1003-3033.2024.04.1275

文章导航

摘要

收起

为提高边坡稳定性的预测精度，提出一种基于多策略改进的麻雀搜索算法(MISSA)优化支持向量机(SVM)的边坡稳定性预测模型。选取容重γ、黏聚力c、内摩擦角Ф、边坡角φ_f、边坡高度H、孔隙压力比r_u等6个代表性特征作为模型的预测指标。针对麻雀优化算法(SSA)存在的收敛速度慢、精确度不高、易陷入局部最优等问题，引入一维复合混沌映射、正余弦算法(SCA)、Levy飞行机制和步长因子动态调整等策略进行优化改进，构建基于MISSA-SVM的边坡稳定性预测模型。将MISSA-SVM模型应用到大溪滑坡等9组边坡工程实例进行验证。结果表明：MISSA-SVM模型的准确率、精确率、召回率、F₁分数、均方误差(MSE)和曲线下面积(AUC)分别达到96.29%、92.3%、100%、0.96、0.016和0.967，均优于SSA优化的SVM模型和BP模型，预测结果与实际边坡状况完全吻合，表明MISSA-SVM模型具有较强的泛化能力。

关键词

多策略改进麻雀搜索算法(MISSA) / 支持向量机(SVM) / 边坡稳定性 / 正余弦算法(SCA) / 预测指标

Abstract

收起

In order to further improve the prediction accuracy of slope stability，a slope stability prediction model based on MISSA optimized SVM was proposed. Six representative indexes，including bulk density (γ)，cohesion (c)，internal friction angle (Ф)，slope angle (φ_f)，slope height (H) and pore pressure ratio (r_u) were selected as the prediction indexes of the model. In response to the problems of slow convergence speed，low accuracy，and susceptibility to local optima in the sparrow optimization algorithm (SSA)，strategies such as one-dimensional composite chaotic mapping，SCA，Levy flight mechanism，and dynamic adjustment of step size factor are introduced for optimization and improvement. A slope stability prediction model based on MISSA-SVM was constructed. The MISSA-SVM model was applied to 9 groups of slope engineering examples，such as the Daxi landslide，for verification. The results show that the accuracy，precision，recall，F₁ score，mean square error (MSE) and area under the curve (AUC) of the MISSA-SVM model reach 96.29%，92.3%，100%，0.96，0.016 and 0.967，respectively，which are better than the SSA-optimized SVM model and BP model，and the prediction results are completely consistent with the actual slope conditions，indicating that the MISSA-SVM model has strong generalization ability.

Key words

multi-strategy improvements sparrow search algorithm (MISSA) / support vector machine (SVM) / slope stability / sine cosine algorithm (SCA) / predictive indicators

引用本文

王团辉, 王超, 吴顺川, 王琦玮, 徐健珲. 基于MISSA-SVM模型的边坡稳定性预测及应用. 中国安全科学学报, 2024 , 34 (4) : 135 -144 . DOI: 10.16265/j.cnki.issn1003-3033.2024.04.1275

Tuanhui WANG, Chao WANG, Shunchuan WU, Qiwei WANG, Jianhui XU. Slope stability prediction and application based on MISSA-SVM model[J]. China Safety Science Journal, 2024 , 34 (4) : 135 -144 . DOI: 10.16265/j.cnki.issn1003-3033.2024.04.1275

正文

收起

0 引言

收起

边坡是矿山、隧道、铁路、水利等多个领域的关键工程之一^[1]，其安全性问题备受关注。2023年2月22日，内蒙古自治区新井煤业有限公司矿区发生山体滑坡，造成53人死亡、6人受伤^[2]。自然资源部发布的全国地质灾害灾情统计数据显示，2021年我国共发生2 335起滑坡事故，占地质灾害总数的48.93%，居于首位^[3]。可见：边坡稳定性预测及防治研究尤为重要^[4]。

传统的边坡稳定性预测方法主要是极限平衡法^[5]和数值分析方法^[6]，此类方法计算量大，计算过程复杂且存在收敛性问题，在处理非线性关系方面也有局限性^[7]。随着计算机网络和人工智能的发展，边坡稳定性预测被开辟了新方向^[8]。目前，常用的机器学习模型有反向传播(Back-Propagation，BP)神经网络^[9]、随机森林^[10]、支持向量机(Support Vector Machines，SVM)^[11]等。相较于其他机器学习模型，SVM基于非线性映射理论，在处理小样本、非线性、避免陷入局部最优解等多个问题中展现出独特优势^[12]。吕鹏^[13]比较分析了6种人工智能方法在边坡稳定性预测中的应用情况，结果表明：SVM在实际工程中预测效果最好。但由于SVM模型准确率涉及惩罚因子和核函数参数的合理确定，目前尚无统一的参数确定方法。因此，很多智能优化算法被用于SVM模型的参数寻优，如遗传算法^[14]、蚁群优化算法^[15]、麻雀搜索算法(Sparrow Search Algorithm，SSA)^[16]等。

SSA通过模仿麻雀个体搜索食物和反捕食行为进行迭代寻优，相较于其他群体智能优化算法具有较好的寻优能力^[17]。金爱兵等^[22]采用SSA优化SVM，构建边坡失稳智能预测的SSA-SVM模型；李波等^[18]通过改进的极限学习机(Extreme Learning Machine，ELM)，构建了SSA-ELM露天矿边坡位移预测模型并开展了工程应用，结果表明：SSA具有较好地改进效果。但SSA在求解复杂优化问题时，当搜索接近全局最优时，种群多样性显著降低，收敛速度缓慢，易陷入局部最优^[19]。此外，在边坡稳定性预测方面，针对SSA存在收敛速度慢、精确度不高、易陷入局部最优等不足进行改进的研究尚未开展。

鉴于此，笔者拟针对SSA存在的缺点进行多策略优化改进，并采用改进的SSA对SVM的惩罚因子和核函数参数进行寻优，建立基于多策略改进SSA(Multi-strategy Improvements SSA，MISSA)优化SVM的边坡稳定性预测模型，并进行工程应用，以期提高边坡稳定性的预测精度。

1 预测指标选取及样本分析

收起

1.1 边坡稳定性预测指标选取

边坡是否稳定取决于沿假定滑动面抗滑力与下滑力的比值。以仁遵高速边坡(第RZTJ-9合同段K43+345—K43+470)^[20]为例进行分析，该段边坡以碳酸盐岩和红黏土为主体，为岩土混合质边坡，岩溶峰丛坡度较大，介于40~90°之间，相对高差约200m，属于高陡边坡。在相同条件下，边坡越高越陡，会直接影响到坡体假定滑动面的剩余下滑力，越易造成边坡失稳^[21]。该段边坡岩土层的黏聚力c大部分小于20 kPa，内摩擦角Ф大部分小于25°，可以看出，抗剪强度较小，其中，c间距越大c越小，其抗剪强度也越小，边坡越易失稳^[22];Ф越小，坡体颗粒间的相互阻力减小，假定滑动面的抗滑力减小，导致抗剪强度降低，边坡越易失稳^[23]。且该段边坡还伴随降雨，使坡体饱和度增加，部分区域表层土体崩坏，抗剪强度衰减，孔隙压力比r_u可以用来表征注液量变化和降雨过程。容重γ为岩土体自身属性，当体积一定时，自重将受到γ的直接影响，进而增加下滑力，对边坡稳定性造成威胁。在多种因素影响下，该段边坡出现了失稳现象。

综上，边坡稳定性预测作为一个多因素协同影响的非线性复杂问题^[24]，对于指标体系中的每个指标，都要能合理地反映边坡的真实情况。根据前人研究成果^{[16，18，25]}，充分考虑影响边坡稳定性的内因和外因，最终选取γ、c、Ф、边坡角φ_f、边坡高度H、r_u等6个代表性特征作为边坡稳定性的预测指标。

1.2 样本数据库建立与分析

1) 数据库建立。为使模型预测结果更有说服力，从文献[22，26]中选取90组边坡历史案例建立样本数据库，包含大量不同类型的边坡样本，并已广泛应用于边坡稳定性预测。其中，失稳状态样本51个、稳定状态样本39个(岩质边坡样本58个、土质边坡样本32个)。部分样本数据见表1。

2) 指标相关性分析。采用R 4.3.1软件分析数据集中影响因素之间的相关性，预测指标相关性分析矩阵如图1所示。r_u与其他5个内部参数之间的相关性均小于0.2，认为相关性很小；5个内部参数均属于边坡的固有属性，之间具有一定的关联性，其中，γ与φ_f的相关性系数(0.572)最大，其余均小于0.5。可见：所有相关性系数均在0.6以下，参数之间的相关程度均属于非强相关，存在较为复杂的非线性关系。

2 MISSA-SVM预测模型构建

收起

2.1 SSA改进策略

SSA算法已较为成熟，本文的改进策略基于文献[27]中的麻雀搜索算法。

1) 一维复合混沌映射。种群初始化时，增加种群多样性，更易搜索到全局最优解且加快前期收敛速度^[28]。其混沌映射方程为：

(1)

x i = F (x i - 1 ， η ， μ) = m o d (x i - 1 / η + μ s i n (π x i - 1) + q ， 1) ， 0 ≤ x i - 1 ≤ η m o d ((x i - 1 / η) / (0.5 - η) + μ s i n (π x i - 1) + q ， 1) ， η ≤ x i - 1 ≤ 0.5 F (1 - x i - 1 ， η ， μ) ， 0.5 ≤ x i - 1 ≤ 1

式中：mod为求余函数；q为混沌系统的扰动参数；η为控制参数，η∈(0，1);μ为秘钥，μ∈(0，1)。

2) 正余弦算法(Sine Cosine Algorithm，SCA)^[29]。当发现者搜索到局部最优区域时，大量追随者相继赶来，可能会造成麻雀群体停滞不前，陷入局部最优的概率增加，因此，引入SCA，利用其函数的震荡特性不断更新发现者位置，提高麻雀种群的全局搜索能力，促进获得群体最优。基本的SCA的步长搜索因子r₁呈现线性递减，如下式：

(2)

r 1 = a - a t t m

式中a为常数，设a=1。

为平衡SSA的局部和全局搜索能力，改进后的非线性递减搜索因子如下式：

(3)

r 1 * = a 1 - (t t m) f 1 / f

式中 f为调节系数，f ≥ 1。

由于种群个体在位置更新时受到当前位置的影响较大，因此，引入自适应权重ω，如下式：

(4)

ω = e x p (t t m) - 1 e - 1

式中e为常数，确保ω在合理变化范围内。

调整个体对当前位置的依赖程度，其变化曲线如图2所示。前期较小的权重会减小对当前位置的依赖程度，从而提升全局搜索能力；后期权重值增加，依赖程度增加，提升算法的收敛速度。改进后新的发现者位置如下式：

(5)

x i ， d t + 1 = ω · x i ， d t + r 1 * · s i n r 2 · | r 3 · x b - x i ， d t | ， R 2 < S T ω · x i ， d t + r 1 * · c o s r 2 · | r 3 · x b - x i ， d t | ， R 2 ≥ S T

式中r₂和r₃为[0，2π]中的随机数，r₂控制麻雀的移动距离，r₃控制最优个体对麻雀后一位置的影响。

3) Levy飞行机制^[30]。当麻雀种群搜索到全局最优空间时可增强局部搜索能力，当陷入局部最优时通过长距离步长跳出局部最优解。

将Levy飞行用于追随者的位置更新，Levy飞行的随机步长为：

(6)

L e v y (x) = μ v | 1 β

其中，β=1.5。μ和v均属于服从正态分布的随机数，μ~N(0，

σ μ 2

)，v~N(0，

σ v 2

);σ_μ和σ_v如下式：

(7)

σ μ = Γ (1 + β) s i n π β 2 Γ [(1 + β) / 2] β · 2 (β - 1) / 2 1 / β

(8)

σ v = 1

式中Γ(x)为Gamma函数。

Levy飞行改进后的追随者位置为：

(9)

x i ， d t + 1 = Q · e x p x w ， d t - x i ， d t t 2 ， i > n 2 x p ， d t + 1 + x i ， d t - x p ， d t + 1 ⊗ L e v y (d) ， i ≤ n 2

式中：

x p ， d t + 1

为发现者的最佳位置；d为麻雀个体维度。

4) 步长因子动态调整策略。警戒者位置中的步长因子参数β和K为有域限制的随机数，易导致搜索过程陷入局部最优^[31]。将β和K值进行动态调整，使其有利于进行全局搜索、促进局部寻优，减少局部最优出现概率。改进的β和K如下式：

(10)

β = f g - (f g - f w) · ((t m - t) / t m) 1.5

(11)

K = (f g - f w) · e x p (- 20 · t a n ((t t m) 2) · (2 · r a n d - 1)

可见：改进后的β呈现非线性变化，在算法初期较小的β值具有较强的局部搜索能力；算法后期较大的β值可跳出局部最优从而扩大种群搜索范围。改进后的K值呈现前期递增、后期快速递减的趋势，前期快速寻优算法空间，后期加快收敛速度。

5) 测试函数性能评估。为验证算法的改进效果，选取5个基准测试函数进行测试，如图3所示。算法改进前后的测试函数对比如图4所示。

由图4可知：MISSA的收敛曲线相较于SSA呈现出快速收敛的特性，均在250代内就完成收敛，表明改进后在算法空间内增强了局部和全局搜索能力，从而加快了收敛速度，验证MISSA算法的优越性。

2.2 MISSA-SVM模型建立

1) 模型建立及预测效果。MISSA-SVM模型的构建流程如图5所示。将表1中的样本数据按7∶3的比例随机分为训练集(70%)和测试集(30%)，以选取6个指标作为输入、边坡稳定性状态为输出，建立基于MISSA-SVM的边坡稳定性预测模型，并与SSA-SVM模型和SSA-BP模型的性能进行对比，测试集样本的预测结果见表2。

由表2可知：MISSA-SVM模型的判别结果中只有一个错判样本，测试集预测准确率为96.29%;而SSA-SVM模型和SSA-BP模型的准确率分别为92.59%、85.18%，均低于MISSA-SVM模型。表明改进SSA后，在SVM的2个超参数的寻优方面相较其他优化算法更强，在边坡稳定性预测方面具有更好地性能。

2) 模型性能评估及对比分析。各模型的测试集混淆矩阵如图6所示。基于混淆矩阵可得准确率、精确率、召回率、F₁分数4种模型性能评判指标，其计算公式详见文献[32]。

为验证模型在边坡稳定性预测方面的适用性，采用准确率、精确率、召回率、F₁分数和均方误差(Mean Square Error，MSE)等5个评判指标。基于上述测试集预测结果(表2)和混淆矩阵(图6)，得到各模型的预测性能评估结果，见表3。

由表3可知：MISSA-SVM模型相较于SSA-SVM模型和SSA-BP模型，测试集准确率分别提高3.7%和11.1%，在预测精度、F₁分数值上均有较大提升，且MSE也均低于对比模型。可见：改进后的优化算法有效提高了SVM模型的预测效果和稳定性。

各模型的被试工作特性(Receiver Operating Characteristic，ROC)曲线如图7所示，AUC定义为ROC曲线下的面积，定量描述模型的泛化性能(越接近1性能越好)。MISSA-SVM、SSA-SVM、SSA-BP模型的AUC值分别为0.967、0.925、0.833，2个SVM模型的AUC值均大于0.9，表明SVM在边坡稳定性预测方面具有较好效果。MISSA-SVM模型的AUC值达到0.967，均优于其他2个对比模型，表明相较于SSA，MISSA在SVM的2个超参数寻优方面具有更好的效果。

3 边坡稳定性预测模型工程应用

收起

将构建的MISSA-SVM边坡稳定性预测模型用于文献[22]中公开的大溪滑坡、子洪水库右岸滑坡等9个具体工程实例中进行验证。工程实例预测结果对比见表4。由表4可知：MISSA-SVM模型的预测结果和实际情况完全吻合，而基于SSA优化的SVM模型和BP模型均存在3个错判实例。

以旬阳水电站杨大沟滑坡^[33]为例进行具体分析。杨大沟滑坡位于汉江左岸，其滑坡地点位于杨大沟和凸起的山梁之间，滑坡层面裂隙极发育，该边坡倾向汉江，属于两面临空，边坡高度在200~520m，坡体倾角为30~70°，属于高陡边坡，形成了较多不稳定块体。杨大沟上部基岩出现重力卸荷，裂隙张开，岩体局部遭受破坏，边坡抗滑力减小，其抗剪强度降低并形成塌滑堆积体，进而发生岩土质混合型滑坡，可见：MISSA-SVM模型预测结果符合工程实际情况。

4 结论

收起

1) 引入一种多策略改进的SSA算法，通过5种函数测试，结果表明：该改进算法在时间和精度上均有显著提升，极大提高了局部和全局搜索能力，降低了陷入局部最优解的风险。

2) 将构建的MISSA-SVM模型应用于边坡稳定性分析，并与SSA优化的SVM和BP模型进行对比。MISSA-SVM模型的准确率、精确率、召回率、F₁分数、MSE和AUC值分别达到96.29%、92.3%、100%、0.96、0.016和0.967，均优于2个对比模型，在边坡稳定性预测上展现出良好的性能和较强的泛化能力。

3) 通过9组边坡实例验证MISSA-SVM模型，结果表明：该模型的预测结果与实际工况完全吻合，而SSA优化的SVM和BP模型均存在3个错判实例，进一步验证文中模型在边坡稳定性预测方面的可靠性。

基金

收起

云南省重大科技专项项目(202202AG050014)
云南省创新团队项目(202105AE160023)

参考文献

收起

文献

收起

参考文献引证文献

排序方式：

[1]

张凯, 张科. 基于LightGBM算法的边坡稳定性预测研究[J]. 中国安全科学学报, 2022, 32(7):113-120.

ZHANG

Kai

, ZHANG

. Prediction study on slope stability based on LightGBM algorithm[J]. China Safety Science Journal, 2022, 32(7): 113-120.

[2]

中华人民共和国应急管理部. 内蒙古阿拉善新井煤业有限公司露天煤矿“2·22”特别重大坍塌事故调查报告公布[Z].2023-08-29.

[3]

中华人民共和国自然资源部. 2021年全国地质灾害灾情及2022年地质灾害趋势预测[Z].2022-01-17.

[4]

吴顺川, 贺鹏彬, 程海勇, 等. 非煤露天矿山岩质边坡稳定性评价标准探讨[J]. 工程科学学报, 2022, 44(5):876-885.

Shunchuan

, HE

Pengbin

, CHENG

Haiyong

, et al. Discussion on the stability evaluation standard of a rock slope in a noncoal open-pit mine[J]. Chinese Journal of Engineering, 2022, 44(5): 876-885.

[5]

吴顺川, 李浚弘, 张化进, 等. 考虑岩土体剪胀特性的边坡稳定性分析[J]. 中国安全生产科学技术, 2020, 16(10):108-114.

Shunchuan

, LI

Junhong

, ZHANG

Huajin

, et al. Analysis on slope stability considering shear dilatation characteristics of rock and soil mass[J]. Journal of Safety Science and Technology, 2020, 16(10): 108-114.

[6]

DENG

Dongping

, LI

Liang

. Limit equilibrium analysis of slope stability with coupling nonlinear strength criterion and double-strength reduction technique[J]. International Journal of Geomechanics, 2019, 19(6): DOI:10.1061/(ASCE)GM.1943-5622.0001431.

[7]

卢坤林, 朱大勇, 甘文宁, 等. 一种边坡稳定性分析的三维极限平衡法及应用[J]. 岩土工程学报, 2013, 35(12):2276-2282.

Kunlin

, ZHU

Dayong

, GAN

Wenning

, et al. 3D limit equilibrium method for slope stability analysis and its application[J]. Chinese Journal of Geotechnical Engineering, 2013, 35(12): 2276-2282.

[8]

张化进, 吴顺川, 张中信, 等. 边坡稳定性自动机器学习预测方法研究[J]. 中国安全生产科学技术, 2023, 19(1):35-40.

ZHANG

Huajin

, WU

Shunchuan

, ZHANG

Zhongxin

, et al. Research on automatic machine learning prediction method of slope stability[J]. Journal of Safety Science and Technology, 2023, 19(1): 35-40.

[9]

GONG

Bin

. Study of PLSR-BP model for stability assessment of loess slope based on particle swarm optimization[J]. Scientific Reports, 2021, 11(1): 1-10.

[10]

汪伟, 崔欣超, 祁云, 等. 基于SSA-RF的采空区煤自燃温度回归分析模型[J]. 中国安全科学学报, 2023, 33(9):136-141.

WANG

Wei

, CUI

Xinchao

, QI

Yun

, et al. Regression analysis model of coal spontaneous combustion temperature in goaf based on SSA-RF[J]. China Safety Science Journal, 2023, 33(9): 136-141.

[11]

罗战友, 杨晓军, 龚晓南. 基于支持向量机的边坡稳定性预测模型[J]. 岩石力学与工程学报, 2005, 24(1):144-148.

LUO

Zhanyou

, YANG

Xiaojun

, GONG

Xiaonan

. Support vector machine model in slope stability evaluation[J]. Chinese Journal of Rock Mechanics and Engineering, 2005, 24(1): 144-148.

[12]

丁茜, 赵晓东, 吴鑫俊, 等. 基于RBF核的多分类SVM滑塌易发性评价模型[J]. 中国安全科学学报, 2022, 32(3):194-200.

DING

Qian

, ZHAO

Xiaodong

, WU

Xinjun

, et al. Landslide susceptibility assessment model based on multi-class SVM with RBF kernel[J]. China Safety Science Journal, 2022, 32(3): 194-200.

[13]

吕鹏. 基于信息技术的深凹露天矿高陡边坡稳定性综合分析研究[D]. 北京: 北京科技大学, 2019.

LYU

Peng

. Comprehensive analysis and research on the stability of high and steep slopes in deep open pit mines based on information technology[D]. Beijing: University of Science and Technology Beijing, 2019.

[14]

林青, 姚俊名, 梁伟, 等. 基于深度学习的燃气发电机组剩余寿命预测[J]. 中国安全科学学报, 2023, 33(9):113-121.

LIN

Qing

, YAO

Junming

, LIANG

Wei

. Residual life prediction of gas generator set based on deep learning[J]. China Safety Science Journal, 2023, 33(9): 113-121.

[15]

KAHATADENIYA

K S

, NANAKORN

, NEAUPANE

K M

. et al. Determination of the critical failure surface for slope stability analysis using ant colony optimization[J]. Engineering Geology, 2009, 108(1/2): 133-141.

[16]

金爱兵, 张静辉, 孙浩, 等. 基于SSA-SVM的边坡失稳智能预测及预警模型[J]. 华中科技大学学报:自然科学版, 2022, 50(11):142-148.

JIN

Aibing

, ZHANG

Jinghui

, SUN

Hao

, et al. Intelligent prediction and alert model of slope instability based on SSA-SVM[J]. Journal of Huazhong University of Science and Technology:Natural Science Edition, 2022, 50(11): 142-148.

[17]

XUE

Jiankai

, SHEN

. A novel swarm intelligence optimization approach: sparrow search algorithm[J]. Systems Science & Control Engineering, 2020, 8(1): 22-34.

[18]

, QIU

Junbo

. Displacement prediction of open-pit mine slope based on SSA-ELM[J]. Frontiers in Earth Science, 2023, 11: DOI:10.3389/FEART.2023.1126394.

[19]

PANIMALAR

, KANMANI

. Energy efficient cluster head selection using improved sparrow search algorithm in wireless sensor networks[J]. Journal of King Saud University-Computer and Information Sciences, 2023, 34(10): 8564-8575.

[20]

赵建祥, 毕鹏飞, 惠亚强. 基于梯度回归树的高填方边坡稳定性预测[J]. 水利水电技术:中英文, 2021, 52(增2):406-411.

ZHAO

Jianxiang

, BI

Pengfei

, HUI

Yaqiang

. Prediction of high fill slope stability based on gradient regression tree[J]. Water Resources and Hydropower Engineering, 2021, 52(S2): 406-411.

[21]

雷航. 基于坡面位移监测信息的边坡稳定性分析[D]. 成都: 西南交通大学, 2014.

LEI

Hang

. Slope stability analysis based on slope displacement monitoring information[D]. Chengdu: Southwest Jiaotong University, 2014.

[22]

王超. 工程高边坡稳定性预测方法研究[D]. 北京: 北京交通大学, 2010.

WANG

Chao

. Research on the stability prediction method of engineering high slope[D]. Beijing: Beijing Jiaotong University, 2010.

[23]

ZHOU

Jian

, LI

Enming

, YANG

Shan

, et al. Slope stability prediction for circular mode failure using gradient boosting machine approach based on an updated database of case histories[J]. Safety Science, 2019, 118: 505-518.

[24]

姜德义, 朱合华, 杜云贵. 边坡稳定性分析与滑坡防治[M]. 重庆: 重庆大学出版社, 2005:21-261.

[25]

CHAKRABORTY

, GOSWAMI

. Prediction of slope stability using multiple linear regression (MLR) and artificial neural network (ANN)[J]. Arabian Journal of Geosciences, 2017, 10(17): 1-11.

[26]

张伟龙. 基于机器学习的边坡稳定性分析研究[D]. 太原: 太原理工大学, 2020.

ZHANG

Weilong

. The research of slope stability analysis based on machine learning[D]. Taiyuan: Taiyuan University of Technology, 2020.

[27]

祖林禄, 柳平增, 赵妍平, 等. 基于SSA-LSTM的日光温室环境预测模型研究[J]. 农业机械学报, 2023, 54(2):351-358.

Linlu

, LIU

Pingzeng

, ZHAO

Yanping

, et al. Solar greenhouse environment prediction model based on SSA-LSTM[J]. Transactions of the Chinese Society for Agricultural Machinery, 2023, 54(2): 351-358.

[28]

STEEB

W H

, VAN

WYK M A

, STOOP

. Chaotic maps, control parameter, and liapunov exponent[J]. International Journal of Theoretical Physics, 1998, 37(10): 2653-2655.

[29]

李爱莲, 全凌翔, 崔桂梅, 等. 融合正余弦和柯西变异的麻雀搜索算法[J]. 计算机工程与应用, 2022, 58(3):91-99.

Ailian

, QUAN

Lingxiang

, CUI

Guimei

, et al. Sparrow search algorithm combining sine-cosine and cauchy mutation[J]. Computer Engineering and Applications, 2022, 58(3): 91-99.

[30]

YANG

Xinshe

, SUASH

. Eagle strategy using LÉvy walk and firefly algorithms for stochastic optimization[C]. Nature Inspired Cooperative Strategies for Optimization (NICSO 2010), 2010: 101-111.

[31]

马纪梅, 张欣彤, 张政林, 等. 基于改进麻雀搜索算法的微网容量优化配置[J]. 电子测量技术, 2022, 45(8):76-82.

Jimei

, ZHANG

Xintong

, ZHANG

Zhenglin

, et al. Microgrid capacity optimization based on improved sparrow search algorithm[J]. Electronic Measurement Technology, 2022, 45(8): 76-82.

[32]

Mingliang

, LI

Kegang

, QIN

Qingci

, et al. Research and application of an intelligent prediction of rock bursts based on a bayes-optimized convolutional neural network[J]. International Journal of Geomechanics, 2023, 23(5):DOI:10.1061/IJGNAI.GMENG-8213.

[33]

朱克娟. 汉江旬阳水电站杨大沟滑坡稳定性分析[J]. 电力勘测设计, 2017(6):71-75,80.

ZHU

Kejuan

. Stability analysis on Yangdagou landslide of Xunyang hydropower station[J]. Electric Power Survey & Design, 2017(6): 71-75,80.

2024年第34卷第4期

PDF下载

183

引用本文

BibTeX

文章信息

doi: 10.16265/j.cnki.issn1003-3033.2024.04.1275

接收时间：2023-12-18
首发时间：2025-07-09
出版时间：2024-04-28

补充材料

相关文章

文章信息

作者

出版历史

收稿日期：2023-12-18
修回日期：2024-02-25

基金

云南省重大科技专项项目(202202AG050014)

云南省创新团队项目(202105AE160023)

作者信息

¹ 昆明理工大学国土资源工程学院，云南昆明 650093

² 自然资源部高原山地地质灾害预报预警与生态保护修复重点实验室，云南昆明 650093

³ 云南省高原山地地质灾害预报预警与生态保护修复重点实验室，云南昆明 650093

通讯作者:

**王超(1984—)，男，山东济宁人，博士，副教授，主要从事岩石力学及矿山安全方面的研究。E-mail：wangchao@kust.edu.cn。

参考文献

分享链接

https://castjournals.cast.org.cn/joweb/zgaqkxxb/CN/10.16265/j.cnki.issn1003-3033.2024.04.1275

分享至

全文二维码

扫描看全文

引用本文

BibTeX

本文的引用情况

2种不同金属材料的力学参数

科 Family	属数 Number of genus	种数 Number of species	占总种数比例 Percentage of total species (%)	属 Genus	种数 Number of species	占总种数比例 Percentage of total species (%)
鹅膏菌科Amanitaceae	2	11	5.26	鹅膏菌属 Amanita	10	4.78
小菇科 Mycenaceae	2	12	5.74	丝盖伞属 Inocybe	5	2.39
多孔菌科 Polyporaceae	8	14	6.70	蜡蘑属 Laccaria	5	2.39
红菇科 Russulaceae	3	23	11.00	小皮伞属 Marasmius	6	2.87
				小菇属 Mycena	11	5.26
				光柄菇属 Pluteus	5	2.39
				红菇属 Russula	17	8.13
				栓菌属 Trametes	5	2.39

关闭全屏

BibTeX
EndNote
RefWorks
TxT

样本编号	工程名称	预测指标	边坡类型	边坡实际状态
1	桂柳高速公路	27.1	22	18.6	25.6	100	0.19	土质	失稳
2	小浪底水库滑坡	21.2	0	35	23.75	150	0.25	土质	失稳
3	三峡水电项目滑坡	26.57	300	38.7	45.3	80	0.15	岩质	失稳
︙	︙	︙	︙	︙	︙	︙	︙	︙	︙
89	三穗-凯里高速公路	26.5	36.1	31	35	39	0	岩质	稳定
90	26	42.4	37	38	55	0	岩质	稳定

样本
编号

工程名称

预测指标

边坡
类型

边坡实
际状态

γ/(kN·m^-3)

c/kPa

Ф/(°)

φ_f/ (°)

H /m

r_u /kPa

桂柳高速公路

27.1

18.6

25.6

100

0.19

土质

失稳

小浪底水库滑坡

21.2

23.75

150

0.25

土质

失稳

三峡水电项目滑坡

26.57

300

38.7

45.3

0.15

岩质

失稳

︙

三穗-凯里高速公路

26.5

36.1

岩质

稳定

42.4

岩质

稳定

工程名称	预测指标	边坡实际状态	预测结果
三峡库区链子崖滑坡	18.5	25	0	30	6.003	0.29	失稳	失稳	失稳	失稳
三穗-凯里高速公路	20	8	20	10	10	0	失稳	失稳	稳定	失稳
21.4	28.8	20	50	52	0	失稳	稳定	失稳	失稳
︙	︙	︙	︙	︙	︙	︙	︙	︙	︙	︙
三板溪水电站 3号边坡	27.3	36	1	50	92	0.29	稳定	稳定	稳定	失稳
印度露天铁矿	28.44	29.42	35	35	100	0	稳定	稳定	失稳	失稳
28.44	39.23	38	35	100	0	稳定	稳定	稳定	失稳
霸王山边坡	22.1	45.8	49.5	45.8	49.5	0.21	稳定	稳定	稳定	失稳

工程名称

预测指标

边坡实
际状态

预测结果

γ/
(kN·m^-3)

c/kPa

Ф/(°)

φ_f /(°)

H/m

r_u/kPa

MISSA-
SVM

SSA-
SVM

SSA-
BP

三峡库区链子
崖滑坡

18.5

6.003

0.29

失稳

三穗-凯里高速
公路

失稳

稳定

失稳

21.4

28.8

失稳

稳定

失稳

︙

三板溪水电站
3号边坡

27.3

0.29

稳定

失稳

印度露天铁矿

28.44

29.42

100

稳定

失稳

28.44

39.23

100

稳定

失稳

霸王山边坡

22.1

45.8

49.5

45.8

49.5

0.21

稳定

失稳

预测模型	准确率/%	精确率/%	召回率/%	F₁ 分数	MSE
MISSA-SVM	96.29	92.3	100	0.96	0.016
SSA-SVM	92.59	91.67	91.67	0.92	0.074
SSA-BP	85.18	100	66.67	0.8	0.148

预测
模型

准确
率/%

精确
率/%

召回
率/%

F₁
分数

MSE

MISSA-SVM

96.29

92.3

100

0.96

0.016

SSA-SVM

92.59

91.67

0.92

0.074

SSA-BP

85.18

100

66.67

0.8

0.148

序号	工程名称	预测指标	边坡实际状态	预测结果
1	大溪滑坡	22	20	36	45	30	0.29	失稳	失稳	失稳	失稳
2	子洪水库右岸滑坡	12	0.03	30	35	4	0.29	失稳	失稳	稳定	失稳
3	中延村滑坡	12	0	30	45	8	0.29	失稳	失稳	失稳	稳定
4	旬阳水电站杨大沟滑坡	31.3	68	37	49	200.5	0.29	失稳	失稳	失稳	稳定
5	苏家坪滑坡	20	30	36	45	50	0.29	失稳	失稳	失稳	失稳
6	江西七一水库滑坡	18.82	25	14.6	20.32	50	0.4	失稳	失稳	失稳	失稳
7	天生桥二级水电站7号边坡	22	10	35	30	10	0.29	稳定	稳定	失稳	稳定
8	四川垮梁子边坡	21	10	30.34	30	30	0.29	稳定	稳定	失稳	稳定
9	云南头寨沟边坡	21.5	15	29	41.5	123.6	0.36	稳定	稳定	稳定	失稳

序号

工程名称

预测指标

边坡实
际状态

预测结果

γ/
(kN·m^-3)

c/
kPa

Ф/
(°)

φ_f/
(°)

H/m

r_u/
kPa

MISSA-
SVM

SSA-
SVM

SSA-
BP

大溪滑坡

0.29

失稳

子洪水库右岸滑坡

0.03

0.29

失稳

稳定

失稳

中延村滑坡

0.29

失稳

稳定

旬阳水电站杨大沟滑坡

31.3

200.5

0.29

失稳

稳定

苏家坪滑坡

0.29

失稳

江西七一水库滑坡

18.82

14.6

20.32

0.4

失稳

天生桥二级水电站7号边坡

0.29

稳定

失稳

稳定

四川垮梁子边坡

30.34

0.29

稳定

失稳

稳定

云南头寨沟边坡

21.5

41.5

123.6

0.36

稳定

失稳