Anzeige
Erschienen in:
01.03.2025 | State-of-the-Art Review
Rock Slope Stability Prediction: A Review of Machine Learning Techniques
verfasst von: Arifuggaman Arif, Chunlei Zhang, Mahabub Hasan Sajib, Md Nasir Uddin, Md Habibullah, Ruimin Feng, Mingjie Feng, Md Saifur Rahman, Ye Zhang
Erschienen in: Geotechnical and Geological Engineering | Ausgabe 3/2025
EinloggenAktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.
Wählen Sie Textabschnitte aus um mit Künstlicher Intelligenz passenden Patente zu finden. powered by
Markieren Sie Textabschnitte, um KI-gestützt weitere passende Inhalte zu finden. powered by (Link öffnet in neuem Fenster)
Abstract
Der Artikel untersucht den Einsatz von Techniken des maschinellen Lernens (ML) zur Vorhersage der Stabilität von Felshängen, ein kritischer Aspekt des geotechnischen Engineerings. Traditionelle Methoden wie die Limit Equilibrium Method (LEM), die Finite Element Method (FEM) und die Finite Difference Method (FDM) werden ebenso diskutiert wie ihre Grenzen. Der Artikel geht dann auf verschiedene ML-Modelle wie Convolutional Neural Networks (CNN), Support Vector Machines (SVM), Random Forests (RF), Gradient Boosting Machines (GBM), Bayesian Networks (BN) und Hybridmodelle wie PSO-ANN ein. Die systematische Anwendung von ML bei der Vorhersage der Stabilität von Felshängen wird hervorgehoben, einschließlich Datenvorverarbeitung, Modellschulung und Bewertung. Die Integration von ML mit traditionellen Methoden wird hervorgehoben und zeigt, wie ML die Genauigkeit und Zuverlässigkeit unter komplexen geologischen Bedingungen verbessern kann. Anwendungen im realen Leben und die Herausforderungen, vor denen ML-Modelle bei der Vorhersage der Stabilität von Felshängen stehen, werden ebenfalls diskutiert.
KI-Generiert
Diese Zusammenfassung des Fachinhalts wurde mit Hilfe von KI generiert.
Abstract
Rock slope stability is a pivotal concern in geotechnical engineering, essential for mitigating risks associated with landslides and slope failures. In recent years, there has been a significant shift towards integrating machine learning (ML) techniques alongside traditional methods for enhanced analysis. Traditional Methods such as the limit equilibrium method, finite element method, and finite difference method have long served as the foundation for slope stability analysis. These methods, while well-established, face challenges in addressing the complexity of heterogeneous geological conditions and dynamic environmental factors. Furthermore, empirical systems like rock mass rating and geological strength index are often limited by subjective parameter selection, reducing their predictive reliability. Machine Learning Approaches have shown great promise in overcoming some of these limitations. ML techniques, such as convolutional neural networks, support vector machines, gradient boosting machine, Bayesian networks, random forests, and hybrid models like particle swarm optimization-artificial neural networks, can analyze large, complex datasets more efficiently. These models have been demonstrated to outperform traditional methods by incorporating real-time data, seismic activity, and environmental variability, thus enabling dynamic and real-time assessments. ML models have been shown to improve predictive accuracy for heterogeneous rock masses, facilitating better-informed decision-making in slope stability management and improving safety outcomes. This review presents a comprehensive comparison of various ML techniques, offering guidance on the selection of the most appropriate models based on specific geological conditions while highlighting their advantages. Additionally, the review highlights limitations of current ML models, reviewing real world applications and their results, which may help readers to suggest future research directions, focusing on advanced data processing methods to unlock their full potential in geotechnical engineering. This includes addressing data quality, generalization across diverse geological terrains, and computational complexity.
