Los taludes en las orillas de embalses hidráulicos de gran escala se ven significativamente afectados por condiciones geológicas complejas. El diseño tradicional de reforzamiento con anclajes pretensados suele ignorar la incertidumbre en los parámetros de resistencia del suelo, y el método de equilibrio límite tiene dificultades para manejar eficazmente entornos geológicos complejos, lo que conduce a resultados de análisis con baja confiabilidad y eficiencia computacional reducida. Para abordar estos problemas, se propone un método eficiente de análisis de confiabilidad que combina máquinas de vectores de soporte con aprendizaje activo (AL‑SVM) y el método de reducción de resistencia: la máquina de vectores de soporte puede aproximar eficientemente el criterio de inestabilidad del talud, sustituyendo el proceso de reducción de resistencia tradicional y lento, logrando una evaluación rápida de confiabilidad; el algoritmo de aprendizaje activo selecciona iterativamente muestras clave cercanas al límite de decisión, reduciendo significativamente el costo computacional del entrenamiento de la máquina de vectores de soporte. El método propuesto se verificó con el talud de la orilla del embalse de la central hidroeléctrica de Lianghekou, donde la eficiencia de cálculo mejoró aproximadamente en un 98 % en comparación con el método tradicional de Monte Carlo, con alta precisión, pudiendo revelar cuantitativamente el efecto del cambio de parámetros de refuerzo en la probabilidad de falla del talud. Este método mejora significativamente la eficiencia y precisión del análisis de confiabilidad para el diseño de reforzamiento de taludes con anclajes pretensados bajo condiciones geológicas complejas, resolviendo innovadoramente problemas de análisis de confiabilidad en condiciones operativas complejas.

reforzamiento de taludes con anclajes pretensados;confiabilidad;máquinas de vectores de soporte;aprendizaje activo;central hidroeléctrica de Lianghekou