基于机器学习的泥石流敏感性数值模型研究学术报告

作者及发表信息

本研究由Kennedy C. Onyelowe（尼日利亚Michael Okpara农业大学、希腊伯罗奔尼撒大学、乌干达坎帕拉国际大学）、Arif Ali Baig Moghal（印度国立Warangal技术学院）、Furquan Ahmad（印度国立Patna技术学院）、Ateekh Ur Rehman（沙特国王沙特大学）及Shadi Hanandeh（约旦Al-Balqa应用大学、美国路易斯安那州立大学）合作完成，发表于Scientific Reports期刊（2024年，第14卷，文章编号19562）。

学术背景

研究领域与动机

本研究属于地质灾害预测与岩土工程交叉领域，聚焦泥石流（debris flow）的敏感性评估。传统泥石流研究依赖野外调查和高精度设备（如剪切参数测量仪、孔隙水压监测系统），成本高昂且效率低下。为此，作者提出通过机器学习（machine learning, ML）结合元启发式算法（metaheuristic techniques），开发智能数值模型以预测边坡稳定性安全系数（factor of safety, FOS），从而降低监测成本并提升预测效率。

科学问题与目标

泥石流受多因素影响（如坡度几何形态、土壤黏聚力、降雨强度），传统分析方法（如有限元模拟、水文力学模型）难以高效整合复杂非线性关系。本研究旨在：
1. 开发融合自适应神经模糊推理系统（adaptive neuro-fuzzy inference system, ANFIS）、最小二乘支持向量机（least squares support vector machine, LSSVM）和极限学习机（extreme learning machine, ELM）的混合模型；
2. 利用粒子群优化（particle swarm optimization, PSO）、鹰优化（eagle optimization, EO）等算法提升模型鲁棒性；
3. 通过多性能指标验证模型在FOS预测中的准确性（目标精度>85%）。

研究流程与方法

1. 数据收集与参数化

研究整合了全球多个泥石流案例的实测数据（表1、表2），包括：
- 岩土参数：黏聚力（cohesion, c）、内摩擦角（internal friction angle, φ）、泊松比（Poisson’s ratio, μ）、单位重量（unit weight, γ）；
- 水力参数：渗透率（permeability, k）、地下水位（ground water table, GWT）；
- 地形参数：坡度角（slope angle, θ）、坡高（height, h）。

2. 模型构建与训练

研究采用三类机器学习框架：
- ANFIS：结合模糊逻辑与神经网络，通过混合学习算法（梯度下降+最小二乘）优化隶属函数与规则库（图4）；
- LSSVM：将传统支持向量机转化为线性方程组求解，引入核函数处理非线性关系（图3）；
- ELM：随机初始化隐藏层权重，通过解析计算输出层权重，显著减少训练时间（图2）。

3. 元启发式算法优化

为提升模型性能，研究引入以下优化器：
- PSO：模拟鸟群行为，通过个体最优（pbest）和全局最优（gbest）更新粒子位置（图6）；
- HHO（Harris Hawks Optimization）：模仿哈里斯鹰狩猎策略，平衡全局探索与局部开发（图7）；
- GA（Genetic Algorithm）：基于自然选择原理，通过交叉、变异操作进化种群（图8）。

4. 数值模拟与验证

采用有限元法（finite element method, FEM）模拟泥石流动力学，耦合以下本构模型：
- Bingham模型：描述屈服应力与黏塑性行为（式5-7）；
- Casson模型：引入剪切率平方根修正（式8-9）；
- 幂律模型：刻画剪切稀化/稠化特性（式10）。
通过Navier-Stokes方程（式11）和连续性方程（式4）验证流固耦合效应。

主要结果

1. 模型性能对比：ANFIS-PSO组合表现最优，FOS预测准确率达85.7%，显著高于LSSVM（78.2%）和ELM（73.5%）；
   
2. 参数敏感性：黏聚力（c）和内摩擦角（φ）对FOS影响最大（贡献度>40%），坡度角（θ）次之；
   
3. 计算效率：ELM训练速度最快（较传统神经网络快3倍），但ANFIS-PSO在复杂地形中泛化能力更强。
   

结论与价值

科学意义

1. 首次将ANFIS-PSO框架应用于泥石流FOS预测，解决了传统方法依赖高成本实测数据的瓶颈；
   
2. 提出的混合模型为地质灾害风险评估提供了可扩展的算法库（如HHO、GA的交叉验证）。
   

应用价值

1. 工程决策：支持边坡设计优化与防灾规划，降低监测成本30%以上；
   
2. 政策制定：为高风险区域（如越南Halong-Vandon高速公路滑坡案例）提供实时预警工具。
   

研究亮点

1. 方法创新：融合多模态机器学习与元启发式算法，突破单一模型局限性；
   
2. 数据驱动：整合全球异构地质数据（如埃塞俄比亚细粒土、葡萄牙泥石流事件），增强模型普适性；
   
3. 跨学科贡献：推动流体力学（Bingham模型）、固体力学（Mohr-Coulomb准则）与人工智能的交叉应用。
   

其他价值

研究还探讨了侵蚀效应（erosion effect）对泥石流冲击范围的影响（基于DEB2D模型），为后续研究提供了参数校准基准。