边坡随机场数字图像特征CNN深度学习及可靠度分析

摘要

考虑土体强度空间变异性，提出了数字图像化随机场特征深度学习模型并进行边坡稳定可靠度分析。通过Karhunen-Loeve展开法离散边坡土体随机场并将离散结果转化为数字图像，建立起随机场图像与边坡功能函数值之间隐式关系的卷积神经网络（CNN）代理模型，进而计算随机场数字图像表征后边坡的失效概率。在建立CNN代理模型时，采用拉丁超立方抽样、贝叶斯优化和五折交叉验证以提高精度。最后以单层不排水饱和黏土边坡和双层黏性土边坡为例说明了该方法的有效性。结果表明：在随机场高维表征图像化和边坡小概率失稳情况下，所提CNN深度学习模型能够比较精确地逼近真实边坡稳定性计算结果，进而显著提高考虑随机场模拟的边坡可靠度分析计算效率。