Machine learning algorithms applied to the prediction of slope failures in earth dams triggered by rainfall

Algoritmos de aprendizado de máquina aplicados à previsão de falhas em taludes de barragens de terra provocadas por chuvas

Resumo

RESUMO - A estabilidade dos taludes em barragens de terra é uma questão de importância global. A precipitação é um fator crucial nessa análise, pois a chuva é um dos principais fatores que provocam deslizamentos de terra. Os recentes avanços no sistema computacional que integram modelos numéricos com algoritmos de aprendizado de máquina oferecem uma abordagem robusta para previsões precisas. Esta pesquisa emprega sete algoritmos amplamente utilizados para prever a estabilidade de taludes: redes neurais artificiais, máquinas de vetores de suporte, árvores de decisão, florestas aleatórias, vizinhos mais próximos, regressão logística e Naive Bayes. Essa pesquisa utiliza um conjunto de dados com 5.637 casos de barragens de terra gerados por meio de métodos numéricos acoplados, que consideram a infiltração transiente e o impacto da precipitação na estabilidade do talude. O objetivo é desenvolver modelos de previsão com alta precisão. Os resultados indicam que o melhor caso de resposta geral é o de k-vizinhos mais próximos, com uma precisão de 0,983 e um erro de 0,017, seguido pelas redes neurais artificiais, com uma precisão de 0,966 e um erro de 0,034. Os resultados mais desfavoráveis foram obtidos para o Naive Bayes, com precisão de 0,852 e erro de 0,148, seguido pelas máquinas de vetor de suporte, com precisão de 0,863 e erro de 0,137. Além disso, três inclinações do mundo real com características semelhantes às propostas no conjunto de dados foram selecionadas para validar os resultados individuais obtidos com cada um dos setes algoritmos. A partir dessa análise, foi detectado que a rede neural artificial, as máquinas de vetor de suporte e as florestas aleatórias foram as únicas que previram com precisão a resposta esperada na validação.

Palavras-chave: Falha de talude. Precipitação. Aprendizado de máquina. Precisão. Erro. Previsão de deslizamento de terra.

ABSTRACT - The stability of slopes in earth dams is a matter of global significance. Precipitation is a crucial factor in this analysis, as rainfall is a major trigger for landslides. Recent advancements in computational systems that integrate numerical models with machine learning algorithms offer a robust approach for accurate predictions. This investigation employs seven widely used algorithms for predicting slope stability: artificial neural networks, support vector machines, decision trees, random forests, k-nearest neighbors, logistic regression, and Naive Bayes. This research utilizes a dataset with 5637 cases of earth dams generated through coupled numerical methods, which consider transient seepage and the impact of precipitation on slope stability. The goal is to develop prediction models with high accuracy. The results indicate that the best overall response case is k-nearest neighbors with an accuracy of 0.983 and an error of 0.017; followed by artificial neural networks with an accuracy of 0.966 and an error of 0.034. The most unfavorable results were obtained for Naive Bayes with accuracy of 0.852 and an error of 0.148; followed by support vector machines with an accuracy of 0.863 and an error of 0.137. In addition, three real-worlds slopes with similar characteristics to those proposed in the dataset were selected to validate the individual results obtained with each of the seven algorithms. From this analysis it was detected that artificial neural network, support vector machines, and random forests were the only ones that accurately predicted the expected response in the validation.

Keywords: Slope failure. Precipitation. Machine learning. Accuracy. Error. Landslide prediction.

ALGORITMOS DE APRENDIZAJE AUTOMÁTICO APLICADOS A LA PREDICCIÓN DE FALLOS DE TALUDES EN PRESAS DE TIERRA DESENCADENADOS POR PRECIPITACIONES

RESUMEN

La estabilidad de taludes en presas de tierra es una cuestión de importancia mundial. La precipitación es un factor crucial en este análisis, ya que es uno de los principales desencadenantes de los deslizamientos de tierras. Los recientes avances en sistemas computacionales que integran modelos numéricos con algoritmos de aprendizaje automático ofrecen un enfoque sólido para realizar predicciones precisas. En esta investigación se emplean siete algoritmos ampliamente utilizados para predecir la estabilidad de los taludes: redes neuronales artificiales, máquinas de vectores soporte, árboles de decisión, bosques aleatorios, k-vecinos más cercanos, regresión logística y Naive Bayes. Esta investigación utiliza un conjunto de datos con 5637 casos de presas de tierra generados mediante métodos numéricos acoplados, que tienen en cuenta la filtración transitoria y el impacto de las precipitaciones en la estabilidad de los taludes. El objetivo es desarrollar modelos de predicción de gran precisión. Los resultados indican que el mejor caso de respuesta global es el de k vecinos más cercanos, con una precisión de 0,983 y un error de 0,017; seguido de las redes neuronales artificiales, con una precisión de 0,966 y un error de 0,034. Los resultados más desfavorables se obtuvieron para Naive Bayes con una precisión de 0,852 y un error de 0,148; seguido de las máquinas de vectores soporte con una precisión de 0,863 y un error de 0,137. Además, se seleccionaron tres taludes del mundo real con características similares a las propuestas en el conjunto de datos para validar los resultados individuales obtenidos con cada uno de los siete algoritmos. A partir de este análisis se detectó que las redes neuronales artificiales, las máquinas de vectores soporte y los bosques aleatorios fueron los únicos que predijeron con precisión la respuesta esperada en la validación.

PALABRAS CLAVE: Fallo de talud. Precipitación. Aprendizaje automático. Precisión. Error. Predicción de deslizamientos.