Die uferseitigen Hangbereiche großer Wasserkraftwerke sind deutlich von komplexen geologischen Bedingungen beeinflusst. Traditionelle Verstärkungsentwürfe mit vorgespannter Verankerung ignorieren oft die Unsicherheit der Bodenfestigkeitsparameter, und die Grenzgleichgewichtsmethode kommt mit komplexen geologischen Umgebungen nur schwer zurecht, was zu unzureichender Zuverlässigkeit der Analyseergebnisse und geringer Recheneffizienz führt. Um diese Probleme zu lösen, wird eine effiziente Zuverlässigkeitsanalyse-Methode vorgeschlagen, die aktives Lernen mittels Support Vector Machine (AL‑SVM) mit der Festigkeitsreduktion kombiniert: Die Support Vector Machine kann das Kriterium der Hanginstabilität effizient approximieren und ersetzt so den traditionellen zeitaufwändigen Festigkeitsreduktionsprozess, wodurch eine schnelle Zuverlässigkeitsbewertung ermöglicht wird; der aktive Lernalgorithmus selektiert iterativ proaktiv Schlüsselprobenpunkte nahe der Entscheidungsgrenze, was die Trainingskosten der Support Vector Machine erheblich reduziert. Die vorgeschlagene Methode wurde am Hang des Lianghekou-Wasserkraftwerks überprüft, wobei die Rechenleistung im Vergleich zur herkömmlichen Monte-Carlo-Methode um etwa 98 % gesteigert wurde, bei hoher Genauigkeit, und die Auswirkungen von Änderungen der Verstärkungsparameter auf die Ausfallwahrscheinlichkeit des Hangs quantitativ aufgedeckt wurden. Diese Methode verbessert deutlich die Effizienz und Genauigkeit der Zuverlässigkeitsanalyse bei der Verstärkung von Hängen mit vorgespannter Verankerung unter komplexen geologischen Bedingungen und löst innovativ das Problem der Zuverlässigkeitsanalyse unter komplexen Betriebsbedingungen.

Verstärkung von Hängen mit vorgespannter Verankerung;Zuverlässigkeit;Support Vector Machine;aktives Lernen;Wasserkraftwerk Lianghekou