Os taludes das margens dos grandes reservatórios hidrelétricos são significativamente afetados por condições geológicas complexas. O projeto tradicional de reforço com ancoragens pré-tensionadas geralmente ignora a incerteza dos parâmetros de resistência do solo, e o método de equilíbrio limite tem dificuldade para lidar efetivamente com ambientes geológicos complexos, resultando em baixa confiabilidade dos resultados de análise e baixa eficiência computacional. Para resolver esses problemas, propõe-se um método eficiente de análise de confiabilidade que combina máquina de vetor de suporte com aprendizado ativo (AL‑SVM) e método de redução de resistência: a máquina de vetor de suporte pode aproximar de forma eficiente o critério de instabilidade do talude, substituindo o processo tradicional e demorado de redução de resistência, alcançando uma avaliação rápida de confiabilidade; o algoritmo de aprendizado ativo seleciona iterativamente amostras-chave próximas à fronteira de decisão, reduzindo significativamente o custo computacional do treinamento da máquina de vetor de suporte. O método proposto foi validado no talude da margem do reservatório da usina hidrelétrica de Lianghekou, onde a eficiência computacional melhorou cerca de 98% em comparação com o método tradicional de Monte Carlo, mantendo alta precisão, e foi capaz de revelar quantitativamente o impacto das variações dos parâmetros de reforço na probabilidade de falha do talude. Esse método melhora significativamente a eficiência e precisão da análise de confiabilidade do projeto de reforço de taludes com ancoragens pré-tensionadas sob condições geológicas complexas, resolvendo de forma inovadora os desafios da análise de confiabilidade em condições operacionais complexas.

reforço de taludes com ancoragens pré-tensionadas;confiabilidade;máquina de vetor de suporte;aprendizado ativo;usina hidrelétrica de Lianghekou