.png){kind=icon}
返回
Deep Learning in Slope Stability Analysis: Evolution, Challenges, and Future Directions
.png){kind=icon}
PRE
AI
DOI：10.1007/s10706-025-03424-4.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
边坡稳定性分析对岩土工程的安全性至关重要。然而，传统方法（如极限平衡法和有限元法）受到简化假设、强参数依赖性及动态适应性不足等问题的制约，阻碍了其在复杂地质条件下的分析能力。随着人工智能技术的发展，数据驱动的深度学习已成为该领域的研究前沿。凭借其在高效处理复杂非线性问题方面的优势，它为克服传统方法的局限性提供了新途径。本文系统综述并批判性评价了深度学习在边坡稳定性分析中的应用，重点探讨其应用场景与挑战。基于文献计量分析和技术演化追踪，发现深度学习在边坡工程中的应用呈现出三阶段发展特征。研究考察了五种主流模型在各类分类任务（如安全系数预测、变形与位移分析、滑坡易发性分析）及实际应用中的表现，同时指出，与智能优化算法（如粒子群优化和遗传算法）集成的混合模型可进一步缓解传统模型中的局部最优和参数敏感性问题。研究表明，深度学习模型能够准确高效地执行边坡稳定性分析，性能优于传统方法。此外，本研究还讨论了当前局限性、挑战及面向机理-数据协同决策的未来趋势，这不仅有助于推动边坡稳定性分析的进一步发展，也为深度学习在边坡工程中的更好集成提供了参考。
Keyword:
Deep learning
Neural networks
Stability analysis
Integration of intelligent algorithms
Statistical analysis
Practical applications
期刊
G
IF:
2
论文数:
355
被引数:
0
机构
引用论文
Advancing seismic landslide susceptibility modeling: a comparative evaluation of deep learning models through particle swarm optimization推进地震滑坡易发性建模：基于粒子群优化的深度学习模型比较评估
PREAI
分享收藏
Artificial neural networks and Grey Systems for the prediction of slope stability.png)
NATURAL HAZARDS
NATURAL HAZARDSIF3.7
PREAI
分享收藏
查看更多内容