边坡安全系数 | 机器学习与极限平衡计算方法的比较
摘要
Itasca公司开发的Slope Tool基于机器学习算法，用于快速评估露天矿边坡稳定性，采用FLAC2D训练数据，计算的安全系数与传统方法相近但略高。尽管目前适用于简单条件，但为初步设计和教学提供了新方法。此外，Itasca还提出了一个基于ML的代用模型，预测岩石边坡安全系数，并封装在移动应用中。另一研究提出了一组无量纲参数，用于研究暴雨下露天矿边坡的瞬态孔隙压力变化，为设计提供参考。
正文
1. 引言
2. Slope Tool的特性
上图显示了一个边坡稳定性分析，计算的安全系数FOS=1.4，这个例子的输入参数来自于一个真实的采矿边坡稳定性分析，其背景可参阅《计算岩土力学》公众 号以前发布的相关文章。
3. 极限平衡方法
把上面的计算模型完全复 制到极限平衡方法中，单位重量不考虑饱和和非饱和的差别，采用相同的值，对于硬岩和地下水位较低的岩体来说，这个假设是合理的。
Ru的值取0.1，这个值来自于加拿大矿业工程咨询公司Piteau Associates的建议值【Doug Piteau的学术贡献及其对早期SRK Consulting的影响】，同时参考了Itasca最新的研究成果。
4. 结束语
采用机器学习算法产生的Slope Tool提供了一种快速评价边坡稳定性的方法，不过显而易见，这个工具还有许多发展空间，包括发展复杂的边坡几何形状，增加多种材料，增加材料的各向异性等。这个初步的比较研究显示了在目前的简单条件下，Slope Tool给出的安全系数与极限平衡方法计算的安全系数大致相同，稍微偏大一些(FOS=1.4>1.3)。
5. 参考
[1] (2024) Slope Design Curves with Machine Learning.
边坡设计曲线可定义为在边坡高度和边坡角度轴上绘制的恒定安全系数 (FoS) 线。在露天矿设计的早期阶段，可以使用这些曲线。边坡设计曲线是通过汇编世界各地已知边坡的数据点和数值模拟结果绘制而成的。本研究提出了一个基于机器学习(ML)的代用模型(surrogate model)，可快速预测给定岩石边坡条件下的 FoS。该模型用于绘制给定岩体属性和浸润面的边坡设计曲线。与现有的边坡设计曲线相比，这个工作考虑了更多的输入参数，使用FLAC2D产生合成数据。该模型的输入参数包括边坡几何形状、Hoek-Brown 材料属性(UCS、GSI 和 mi)、岩石密度、两个定义浸润面位置的参数以及一个描述 Hoek-Brown 扰动因子D空间分布的参数。
该模型封装在一个简单的网络应用程序中，当输入发生变化时，FoS 预测值和边坡设计曲线会立即更新；该应用程序非常简单，可以在智能手机上运行。代用模型基于人工神经网络，而人工神经网络是根据使用 FLAC2D 数值模型进行的参数研究结果训练而成的。为生成训练数据，运行了超过 120,000 个 FLAC2D 案例。
该模型比传统的数值模型更快、更容易使用，因为传统的数值模型需要专门的培训，而且一次只能评估一种情况。其缺点是代用模型只能对其所训练的输入范围进行预测，而且该模型只能预测岩体崩塌机制的 FoS。尽管存在这些局限性，但该模型对于估算初始边坡设计、估算特定条件下的脱水目标以及教学目的还是非常有用的。代用模型可被视为一种新型经验模型或高维设计图，它们将数值模拟的精确性融入到易于使用的软件包中。
[2] (2024) Stability analysis of open pit slopes during heavy rainfall.
大量露天矿边坡坍塌是由地表补给(主要是降雨和融雪)引发的，但在采矿矿坑边坡设计中却很少考虑地表补给。水渗入边坡的主要影响包括：(1) 有效应力降低导致岩体强度下降；(2) 张开的不连续处 (如拉伸裂缝) 的流体压力成为边坡下滑的驱动力。考虑到这两种机制的理想化数值模型用于评估各种假定边坡和降雨条件下的稳定性。本研究提出了一组包括补给系数在内的无量纲参数，用于研究暴雨下的瞬态孔隙压力变化。然后利用这些无量纲参数为选择等效 R(u) 系数提供指导，等效 R(u) 因子定义为孔隙水压力与垂直覆盖应力的比值，可用于替代更严格的渗流和流动分析。初步研究表明，R(u) 随补给系数的变化而变化，但几乎在所有情况下都小于 0.2。建议的 R(u) 系数与从两个大型露天采坑收集的数据进行了比较。
