Geosci. Front. | 边坡系统复杂地震动力响应预测的多任务深度迁移学习

背景：边坡工程是一个具有时滞不确定、动态且复杂的非线性时空系统，受地震荷载、岩土体参数、地形条件等多种不确定因素影响，其地震稳定性高保真预测是一项艰巨挑战。传统数值模拟方法需简化模型，难以精准复现复杂相互作用；而深度学习方法虽能处理多因素不确定性，却高度依赖海量传感器数据。研究目的：为解决小样本数据下的边坡地震动力响应精准预测问题，本研究提出了一种多任务深度迁移学习（MT-DTL）框架。结论：依托大型振动台试验验证，MT-DTL框架将预测结果（误差5%以内）的置信水平从最优传统机器学习方法的86.4%提升至92.7%，仅需传统方法三分之一的数据量即可获得相当的预测效果，且单次响应预测计算时间仅需0.018~0.019秒，远快于数值计算（约10分钟）。该框架为融入地质灾害数字孪生系统、实现基于实时监测数据的快速风险分析提供了有效技术途径。