Geosci. Front. | 基于U-Net架构解析随机场以预测地质系统破坏机制与变形
Geoscience Frontiers
2026-03-09 07:00
文章摘要
本文研究背景是土体参数存在固有和空间变异性，导致边坡稳定性评估存在显著不确定性，传统可靠度分析计算成本高昂。研究目的是提出一种基于U-Net架构卷积神经网络的深度学习框架，作为高效代理模型，以解析表征土体参数空间变异性的随机场，从而预测边坡的破坏机制与变形场。结论表明，U-Net模型能够高质量预测破坏面空间分布、滑动体体积统计特征及变形场，在精度和效率上均优于传统机器学习方法，并显著降低了计算成本，为工程实践中进行严格的边坡概率分析提供了可行工具。
本站注明稿件来源为其他媒体的文/图等稿件均为转载稿，本站转载出于非商业性的教育和科研之目的，并不意味着赞同其观点或证实其内容的真实性。如转载稿涉及版权等问题，请作者速来电或来函联系。
推荐文献
Correction to “On the Trail of Iron Uptake in Ancestral Cyanobacteria on Early Earth”
DOI: 10.1111/gbi.70043
Pub Date : 2026-02-05
Clay minerals in electrochemical technologies: Recent advances in energy storage and electrocatalysis applications
DOI: 10.1016/j.clay.2026.108162
Pub Date : 2026-02-13
The daily growth band patterns of Tridacna derasa – Evidence from culture experiments
DOI: 10.1016/j.gsf.2026.102265
Pub Date : 2026-01-31
Geoscience Frontiers
2026国自然新规：5篇代表作最佳选择与排序策略.
2026-03-05
Call for papers：GeoAI for Resilience.
2026-03-04
Geology | 代世峰团队：煤中产甲烷作用与菱铁矿沉淀：碳封存的意义.
2026-03-03
最新文章
2026国自然新规：5篇代表作最佳选择与排序策略
2026-03-05
京公网安备 11010802042870号
