期刊: Computers and Geotechnics

作者: Menglu Huang a, Shin-ichi Nishimura a, Toshifumi Shibata a, Ze Zhou Wang b,*

工作单位: a: Okayama University

              b: University of Cambridge

滑坡灾害的预警检测通常需要实时或近乎实时的预测，由于存在多种地质不确定性和时变外部环境载荷，这可能具有挑战性。在系统层面传播这些不确定性以了解斜坡的时空行为通常需要耗时的数值计算，这严重阻碍了预警系统的建立。本文提出了一种混合深度学习模拟器，该模拟器通过注意力机制将并行卷积神经网络（CNN）和长短期记忆（LSTM）网络融合在一起，称为PCLA-Net，以促进滑坡灾害的时间依赖概率评估。PCLA-Net有两个新颖之处。首先，它能够同时处理时间和空间信息。CNN专注于解释空间数据，而LSTM擅长处理时变数据。结合两种注意力机制，这两个模块被组合在一起，以概率预测斜坡的时空行为。其次，PCLA-Net实现了端到端的预测。本文以中国三峡库区凉水井滑坡为例，对PCLA网络进行了说明。它首先经过验证，然后与现有技术进行比较，以证明其改进的预测能力。所提出的PCLA-Net模拟器可以在计算资源减少至少50%的情况下达到相同的精度水平。

图1 LSTM单元的基本结构

图2 所提出的PCLA网络模拟器的结构示意图 

图3 混合通道空间注意力机制的图示

图4拟议PCLA-Net模拟器的实施程序 

图5 数据预处理滑动窗口操作的图示

图6 凉水井滑坡：（a）地质剖面，（b）水库水位和降雨量数据

图7 ks的随机场实现到数字图像通道的转换：（a）ks的随机域实现，（b）数字图像通道

图8 PCLA-Net模拟器的培训和预测Fs的验证 

本研究提出了一种新的端到端混合深度学习模型PCLA-Net，用于滑坡灾害的时变概率评估。通过将2D CNN模块和LSTM模块与注意力机制相结合，PCLA-Net熟练地捕捉了土壤性质的空间变异性和时变环境负荷的综合影响，促进了从输入参数到预测安全系数的直接映射。PCLA-Net的架构有效地处理了非耦合的空间和时间数据的复杂性，并通过注意力机制细化提取的特征，获得了高精度的预测。以凉水井滑坡为例，验证了PCLANet的准确性和鲁棒性。还研究了注意力机制和窗口大小的影响。一项涉及PCLA-Net和其他报告技术的全面比较研究进一步强调，PCLA-Net在准确性和效率的双重考虑下，在几乎所有滑动窗口尺寸的滑坡灾害概率预测方面都优于LSTM和1D CNN。PCLANet模拟器所需的训练数据集比其他技术要小得多。具体而言，PCLA-Net模拟器可以实现与其他技术相当的性能，所需数据量至少减少50%。PCLA-Net模拟器相对于其他技术的所有这些优势都可以归因于其端到端的架构，与LSTM和1D CNN相比，它能够直接、更全面地从空间和时间特征中学习，从而更好地预测系统响应。PCLA-Net在岩土工程中实施数字孪生和基于在线学习的预警系统方面前景广阔。它能够实时/近乎实时地高效处理空间和时间数据，这使其特别适合对地球系统进行连续监测和动态更新。这种增强的性能可能会导致对滑坡灾害的更准确和及时的预测，从而显著改善易感和脆弱地区的风险评估和管理策略。然而，必须承认，PCLA-Net的当前版本仅限于处理非耦合的空间和时间数据。未来的研究应侧重于改进模型的架构，以有效地适应耦合和非耦合的时空数据。

Huang M, Nishimura S, Shibata T, et al. End-to-end time-dependent probabilistic assessment of landslide hazards using hybrid deep learning simulator[J]. Computers and Geotechnics, 2025, 178: 106920.