基于机器学习的边坡安全性预测模型性能研究
李文龙
(中铁十九局集团有限公司，辽宁 沈阳110136)
摘 要： 为提升边坡稳定性评价的准确性与工程适用性，构建了一种融合多目标优化遗传算法(NSGA-Ⅱ)与随机森林(RF)算法的边坡稳定性预测模型，并以重度、黏聚力、内摩擦角、坡高、坡角和孔隙水压力比6个关键影响因素作为输入参数，利用 NSGA-Ⅱ对RF的超参数进行了多目标优化，实现了模型预测精度与泛化能力的协同提升;通过算例数据对模型性能进行了验证，并与传统RF和支持向量回归(SVR)模型进行了对比分析。研究结果表明，该模型在测试集上的决定系数R2达到 0.921，均方根误差为 0.111，预测精度和稳定性均显著优于对比模型。NSGA-Ⅱ与 RF 的融合方法能够有效刻画边坡稳定性与多影响因素之间的非线性关系，可为边坡工程的快速风险评估与防护决策提供可靠的技术支撑。
关键词： 边坡; 稳定性预测; 机器学习; 随机森林; 优化算法
基金项目： 短隧道群隧道-边坡体系力学行为综合分析及控制方法(项目编号：23-A08)
引文格式： 李文龙. 基于机器学习的边坡安全性预测模型性能研究[J]. 市政技术，2026，44(5)：247-253. (LI W L. Study on the performance of a slope safety prediction model based on machine learning[J]. Journal of municipal technology，2026，44(5)：247-253.)