Integrating Random FEM and CNN for Efficient Slope Stability Analysis with Spatially Variable Soil Properties
Notice bibliographique
Résumé
Slope stability analysis that accounts for spatial variability of soil properties is computationally intensive.This study presents a hybrid approach integrating the Random Finite Element Method (RFEM) with Convolutional Neural Networks (CNN) and data augmentation to address this challenge.Using random field theory, random field samples for soil cohesion and friction angle are generated, for which RFEM is used to calculate the factor of safety.A data augmentation technique was applied to expand the RFEM dataset, generating up to 10,000 training samples from 200 initial simulations, significantly enhancing model performance.The CNN model, trained on this augmented dataset with a magnification factor of 50, achieved an R-squared value of 0.82 on cross-validation, demonstrating high accuracy.This approach drastically reduces computational time, with 200 RFEM simulations requiring about 10 hours while enabling the CNN to perform 10,000 stochastic analyses in mere minutes.The hybrid RFEM-CNN model was applied to a typical - slope and predicted a probability of failure of 0.12%, closely aligning with reliability estimates from established finite difference methods and avoiding overestimations common in limit equilibrium methods.The findings highlight the model's potential as an efficient and robust tool for slope reliability studies, reducing computational costs while maintaining high prediction accuracy.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».