Науковий вісник НГУ

Гібридна методика ANN–FEM для високоточного прогнозування стійкості схилів

• 
• 

Рейтинг користувача:  / 0

ГіршийКращий 

Деталі

Батьківська категорія: 2026

Категорія: Зміст №4 2026

Створено: 24 серпня 2026

Останнє оновлення: 24 серпня 2026

Опубліковано: 30 листопада -0001

Автор: Ф. Бенайун, М. Феліга, С. Рехаб Беккуше, Д. Бумезеране, М. Муссау

Перегляди: 569

Authors:

Ф. Бенайун, orcid.org/0000-0002-7947-8861, Університет Ларбі Бен Мхіді, Інститут управління міським господарством, лабораторія LDPE, м. Умм-ель-Буакі, Алжир

М. Феліга, orcid.org/0000-0002-9879-6304, Університет 20 серпня 1955 р., Технологічний факультет, кафедра цивільного будівництва, лабораторія LMGHU, м. Скікда, Алжир

С. Рехаб Беккуше*, orcid.org/0009-0002-2100-9058, Університет 20 серпня 1955 р., Технологічний факультет, кафедра цивільного будівництва, лабораторія LMGHU, м. Скікда, Алжир, e-mail: Ця електронна адреса захищена від спам-ботів. вам потрібно увімкнути JavaScript, щоб побачити її.

Д. Бумезеране, orcid.org/0000-0002-4429-9687, Університет Західної Шотландії, Факультет інженерних і фізичних наук, м. Пейслі, Велика Британія

М. Муссауї, orcid.org/0000-0002-4902-7576, Університет Баджі Мохтар, Технологічний факультет, кафедра гідравліки, м. Аннаба, Алжир

* Автор-кореспондент e-mail: Ця електронна адреса захищена від спам-ботів. вам потрібно увімкнути JavaScript, щоб побачити її.

повний текст / full article

Naukovyi Visnyk Natsionalnoho Hirnychoho Universytetu. 2026, (4): 130 - 138

https://doi.org/10.33271/nvngu/2026-4/130

Abstract:

Мета. Розробка гібридної методики, що поєднує штучні нейронні мережі (ANN) із моделюванням методом скінченних елементів (FEM) задля швидкого й високоточного прогнозування стійкості схилів.

Методика. Було сформовано набір даних, що містив 1 000 результатів моделювання методом кінцевих елементів, шляхом систематичної зміни семи основних вхідних параметрів: геометрії схилу (висота й кут нахилу) та властивостей ґрунту (когезія, кут тертя, питома вага, коефіцієнт порового тиску й тип армування). На основі цих даних було навчено модель штучної нейронної мережі з архітектурою прямого поширення сигналу (7-10-1).

Результати. Модель продемонструвала виняткову прогностичну ефективність, досягнувши майже ідеального коефіцієнта кореляції (R  0,999997) і надзвичайно низької середньоквадратичної похибки (MSE = 3,6828  10^-6), що свідчить про високу збіжність із коефіцієнтами запасу стійкості (FOS), розрахованими методом кінцевих елементів (FEM). Комплексний аналіз чутливості, заснований на дисперсійному аналізі, визначив коефіцієнт порового тиску як домінуючий контролюючий параметр, що забезпечує приблизно 77 % варіації коефіцієнта запасу стійкості FOS, за яким слідує когезія із внеском близько 13 %. Додатковий кореляційний аналіз показав, що когезія демонструє найсильнішу лінійну кореляцію з коефіцієнтом запасу стійкості FOS (r = 0,83), тоді як коефіцієнт порового тиску демонструє відносно слабку лінійну кореляцію, що підкреслює його виражений нелінійний та обумовлений взаємодією вплив на стійкість схилу. Ці результати свідчать про те, що запропонована гібридна модель ANN–FEM є потужним, ефективним і надійним інструментом для оцінки стійкості схилів і параметричного аналізу. Ця методологія особливо добре підходить для інженерних завдань, що вимагають швидкого прийняття рішень, масштабних оцінок й аналізу невизначеності.

Наукова новизна. Основною науковою новизною дослідження є розробка надійної гібридної моделі на основі штучних нейронних мереж (ANN) і методу скінченних елементів (FEM), побудованої на великому систематично сформованому масиві даних, що включає 1 000 моделей схилів. На відміну від багатьох досліджень, у ньому всебічно враховано сім ключових вхідних змінних, зокрема тиск порової води. Крім того, наукова обґрунтованість цього підходу підкріплюється стратегією подвійної інтерпретації, що поєднує аналіз дисперсії для кількісної оцінки внеску параметрів і теплові карти кореляції для розрізнення лінійних і нелінійних ефектів, що дає змогу глибше зрозуміти механізми стійкості схилів.

Практична значимість. Це дослідження надає інженерам швидкий і надійний інструмент для прогнозування стійкості схилів за лічені секунди замість проведення тривалих моделювань методом кінцевих елементів, що робить його надзвичайно цінним для прийняття рішень у режимі реального часу та проведення масштабних параметричних досліджень. На практиці воно також демонструє, що регулювання порового тиску (за допомогою дренажу) є найефективнішою стратегією зниження ризиків, тоді як когезія забезпечує прогнозований спосіб підвищення стійкості схилів на етапі проєктування.

Ключові слова: стійкість схилів, кореляційний аналіз, метод скінченних елементів (FEM), штучна нейронна мережа (ANN)

References.

1. Verma, A.K., Singh, T.N., Chauhan, N.K., & Sarkar, K. (2016). A hybrid FEM–ANN approach for slope instability prediction. Journal of The Institution of Engineers (India), Series A, 97(3), 171-180. https://doi.org/10.1007/s40030-016-0168-9

2. Chakraborty, A., & Goswami, D. (2017). Slope stability prediction using artificial neural network (ANN). International Journal of Engineering and Computer Science, 6(6), 21845-21848. https://doi.org/10.18535/ijecs/v6i6.49

3. Chakraborty, A., & Goswami, D. (2017). Prediction of slope stability using multiple linear regression (MLR) and artificial neural network (ANN). Arabian Journal of Geosciences, 10, 385. https://doi.org/10.1007/s12517-017-3167-x

4. Pandey, V. H. R., Kainthola, A., Sharma, V., Srivastav, A., ­Jayal, T., & Singh, T. N. (2022). Deep learning models for large-scale slope instability examination in Western Uttarakhand, India. Environmental Earth Sciences, 81, 487. https://doi.org/10.1007/s12665-022-10590-8

5. Huang, F., Xiong, H., Chen, S., Lv, Z., Huang, J., Chang, Z., & Catani, F. (2023). Slope stability prediction based on a long short-term memory neural network: comparisons with convolutional neural networks, support vector machines and random forest models. International Journal of Coal Science & Technology, 10, 18. https://doi.org/10.1007/s40789-023-00579-4

6. Khajehzadeh, M., Taha, M.R., Keawsawasvong, S., Mirzaei, H., & Jebeli, M. (2022). An effective artificial intelligence approach for slope stability evaluation. IEEE Access, 10, 5660-5671. https://doi.org/10.1109/ACCESS.2022.3141432

7. Kasa, A., & Mohd, S.F. (2024). Performance Prediction Evaluation of Machine Learning Models for Slope Stability Analysis: A Comparison Between ANN, ANN-ICA and ANFIS. Journal of Electrical Systems, 20, 4364-4374.

8. Ray, A., Kumar, V., Kumar, A., Rai, R., Khandelwal, M., & Singh, T. N. (2020). Stability prediction of Himalayan residual soil slope using artificial neural network. Natural Hazards, 103, 3523-3540. https://doi.org/10.1007/s11069-020-04141-2

9. Zhang, M., & Wei, J. (2025). Analysis of Slope Stability Based on Four Machine Learning Models: An Example of 188 Slopes. Periodica Polytechnica Civil Engineering. https://doi.org/10.3311/PPci.37630

10.      Wang, M. X., Leung, Y. F., & Li, D. Q. (2024). Neural network-assisted generic predictive models of safety factor and yield acceleration for seismic slope stability and displacement assessments. Canadian Geotechnical Journal, 62, 1-19. https://doi.org/10.1139/cgj-2024-0106

11.      Dutta, A., & Sarkar, K. (2024). A neural network model for predicting stability of jointed rock slopes against planar sliding. Journal of Earth System Science, 133, 201. https://doi.org/10.1007/s12040-024-02418-9

12.      Zhang, H., Nguyen, H., Bui, X.-N., Pradhan, B., Asteris, P. G., Costache, R., & Aryal, J. (2022). A generalized artificial intelligence model for estimating the friction angle of clays in evaluating slope stability using a deep neural network and Harris Hawks optimization algorithm. Engineering with Computers, 38(Suppl 5), 3901-3914. https://doi.org/10.1007/s00366-020-01272-9

13.      Salmasi, F., & Jafari, F. A. (2019). Simple Direct Method for Prediction of Safety Factor of Homogeneous Finite Slopes. Geotechnical and Geological Engineering, 37, 3949-3959. https://doi.org/10.1007/s10706-019-00884-3

14.      Alam, S. (2024). Artificial Neural Network Modelling for Slope Stability Analysis of Slopes Stabilized with Piles Using Levenberg-Marquardt Algorithm. Proceedings of the International Conference on Innovation and Entrepreneurship in Computing, Engineering and Science Education, (pp. 87). Springer Nature. https://doi.org/10.2991/978-94-6463-589-8_10

15.      Lei, D., Zhang, Y., Lu, Z., Lin, H., Fang, B., & Jiang, Z. (2024). Slope stability prediction using principal component analysis and hybrid machine learning approaches. Applied Sciences, 14(15), 6526. https://doi.org/10.3390/app14156526

• < Попередня
• Наступна >