类型a：

《岩土工程学报》网络首发研究：基于自适应采样和代理模型的滑带土参数反演

1. 研究作者与发表信息
本研究由河海大学土木与交通学院的高玮、李培远、赵志浩、张林、钱宇晨合作完成，于2025年7月10日在《岩土工程学报》（Chinese Journal of Geotechnical Engineering）网络首发，论文题目为《基于自适应采样和代理模型的滑带土参数反演》。

2. 学术背景与研究目标
滑坡治理工程中，滑带土的抗剪强度参数（粘聚力c和内摩擦角φ）对稳定性分析至关重要。传统方法（如室内试验或原位测试）受限于岩土体的非均质性，难以准确反映滑带整体力学特性。位移反演法通过监测位移数据反演参数，可弥补这一缺陷，但传统反演方法依赖大量数值计算，效率较低。

本研究旨在提出一种高效、高精度的滑带土参数反演方法，结合CV-Voronoi自适应序列采样法（CV-Voronoi adaptive sequential sampling）和麻雀搜索算法优化的孪生支持向量回归模型（SSA-TSVR surrogate model），以解决传统采样方法（如正交设计、均匀设计）的不足，并提升代理模型的预测性能。

3. 研究流程与方法
研究分为以下关键步骤：

（1）自适应采样与样本生成
- 初始样本：采用均匀设计生成10个初始样本点，覆盖参数空间（10 kPa ≤ c ≤ 20 kPa，12° ≤ φ ≤ 18°）。
- Voronoi空间划分：通过Voronoi图将参数空间划分为多个单元，每个单元代表一个样本点的有效影响范围。
- 交叉验证与样本补充：通过5折交叉验证（5-fold cross-validation）计算各单元的预测均方误差（MSE），在误差最大的单元内添加新样本点，共补充22个样本，最终生成32组训练数据。
- 对比方法：与传统正交设计和均匀设计生成的样本进行对比，验证自适应采样的优势。

（2）代理模型构建与优化
- 模型选择：采用孪生支持向量回归（Twin Support Vector Regression, TSVR），其通过两个非平行超平面拟合数据，比传统支持向量回归（SVR）更高效。
- 参数优化：使用麻雀搜索算法（Sparrow Search Algorithm, SSA）优化TSVR的超参数（不敏感参数ε₁、ε₂和惩罚因子c₁、c₂），目标函数为交叉验证的均方误差最小值。
- 多输出回归链：针对多个监测点位移数据，采用回归链模型（Regression Chain Model）将多输出问题转化为序列单输出问题，保留输出变量间的关联性。

（3）参数反演与验证
- 反演算法：基于SSA-TSVR代理模型，以监测位移与预测位移的均方误差最小为目标，通过SSA搜索最优参数组合。
- 案例验证：以三峡库区白水河滑坡为例，反演滑带土c和φ，并将结果代入有限元模型计算位移，与实测值对比。

4. 主要研究结果
（1）自适应采样的优势
- 在三个数值算例（Easom函数、Trigonometric函数、Peaks函数）中，CV-Voronoi采样训练的代理模型决定系数（R²）均优于正交设计和均匀设计，尤其在非线性区域表现更优。
- 实际滑坡案例中，自适应采样仅需29个样本即可将位移反演误差降至1%以下，而传统方法需32个样本且误差更高（正交设计3.21%，均匀设计1.67%）。

（2）SSA-TSVR模型的性能
- 优化后的SSA-TSVR模型反演误差（0.83%）显著低于未优化的TSVR（1.51%）和传统SVR（3.59%）。
- 模型训练速度提升近2倍，单个模型训练时间仅需0.88×10⁻²秒。

（3）反演参数的实际应用
- 反演结果（c=10.211 kPa，φ=15.361°）代入有限元模型后，计算位移与实测位移的平均相对误差仅0.83%，验证了方法的可靠性。

5. 研究结论与价值
- 科学价值：提出了结合自适应采样与智能优化代理模型的反演框架，为解决岩土工程参数反演中的非线性问题提供了新思路。
- 应用价值：方法可推广至边坡稳定性分析、隧道支护设计等领域，尤其适用于需高效构建代理模型的复杂工程问题。
- 动态预警潜力：因计算效率高，可支持滑坡失稳状态的实时预测与预警。

6. 研究亮点
- 创新采样方法：CV-Voronoi自适应序列采样无需预设样本量，能动态聚焦高误差区域，显著提升代理模型精度。
- 算法融合：首次将SSA优化应用于TSVR模型，兼顾反演精度与速度。
- 工程验证：通过白水河滑坡案例，证实了方法在真实复杂地质条件下的适用性。

7. 其他有价值内容
- 研究对比了不同优化算法（SSA、PSO、GA）的效率，SSA在迭代6次时即收敛至最优解，全局搜索能力突出。
- 提出了采样临界点的判定方法，为实际工程中的样本量设计提供了参考依据。