《Geotechnics》：Application of Large Language Models in Geotechnical Engineering: A Movement Towards Safe and Sustainable Future
Kaustav Chatterjee,
Mohak Desai and
Joshua Li
编辑推荐：
本文综述了LLM在岩土工程（如边坡稳定、隧道设计）中的应用，重点探讨了其基于Transformer架构（如BERT、GPT）的自动化建模与风险评估潜力，旨在推动该领域向更安全、可持续的方向发展。
引言：岩土工程的智能化转型
近年来，随着传感器、通信及数据驱动技术的飞速发展，岩土工程领域正经历一场深刻的范式转变。传统的岩土基础设施风险评估主要依赖人工或数值方法（如有限元法FEM、有限差分法FDM），但这些方法往往耗时费力、成本高昂，且难以实现实时评估。尽管人工智能（AI）和机器学习（ML）技术（如随机森林、梯度提升）已广泛应用于承载力估算、边坡稳定性分析等领域，但它们仍存在难以捕捉复杂非线性关系、处理时序数据能力弱等短板。深度学习（DL）模型（如卷积神经网络CNN、循环神经网络RNN）虽有所突破，但其泛化能力有限且难以理解自然语言。大语言模型（LLM）的出现，凭借其强大的自然语言处理（NLP）能力、代码生成能力及对复杂数据的理解能力，正成为解决这些挑战的新利器，推动岩土工程向自动化、智能化迈进。
LLM的核心架构与技术原理
LLM是基于Transformer架构的先进AI模型，其核心在于自注意力机制（Self-Attention）。与传统的RNN相比，Transformer能够并行处理数据，有效捕捉长距离依赖关系，这使其特别适合处理岩土工程中的序列数据（如降雨引发的边坡变形、地震荷载记录）。
架构分类与应用场景
根据任务需求，LLM主要分为三类：
- •
仅编码器模型（Encoder-Only）：如BERT、RoBERTa，擅长文本分析与理解，可用于总结钻孔日志、地质报告。
- •
仅解码器模型（Decoder-Only）：如GPT、Llama、Claude，擅长生成内容与代码，可用于自动生成岩土数值模拟代码或回答专业问题。
- •
编码器-解码器模型（Encoder-Decoder）：如T5、BART，擅长翻译与转换任务，可用于跨语言工程报告的翻译。
边坡稳定性分析的新范式
边坡稳定性是公路、铁路、堤坝等基础设施安全的关键。传统分析方法（如瑞典条分法、Bishop法）假设了预定义的破坏面，且难以准确考虑孔隙水压力。LLM通过“提示-生成-迭代”的闭环流程改变了这一现状：
- 1.
用户输入：工程师以自然语言描述边坡几何条件、土体参数。
- 2.
代码生成：LLM（如ChatGPT）自动生成MATLAB或Python代码，实现条分法（如Fellenius法、Bishop法）或有限差分渗流分析。
- 3.
结果验证：生成的代码计算结果与商业软件（如GeoStudio SLOPE/W）高度吻合，安全系数（FS）误差可控制在极小范围内。
案例亮点：Kim等人利用ChatGPT生成的MATLAB代码，成功计算了渗流场下的边坡安全系数；Kwak等人则实现了Python代码的自动生成，将计算时间缩短了约70%，显著提升了效率。
隧道与地下工程的智能化设计
隧道工程面临地质条件复杂、设计参数多等挑战。LLM的多模态能力（融合文本、图像、地质素描、GPR信号）为隧道面稳定性预测提供了新思路。例如，Wu等人开发的“Tunnel GPT”框架，能够将多源数据整合为统一的知识图谱，辅助工程师进行风险研判。LLM还能自动生成有限元分析代码，简化复杂的隧道支护设计流程，减少对昂贵商业软件的依赖。
其他关键应用场景
- •
地基承载力计算：LLM可根据土工试验数据，快速生成基于规范（如Terzaghi公式）的计算代码或设计图表。
- •
自动化数值建模：通过自然语言指令，LLM可生成ABAQUS或FLAC3D的输入脚本，实现“所想即所得”的建模过程。
- •
知识支持与工作流自动化：LLM可作为24/7在线的专家助手，解答岩土规范疑问、生成勘察报告摘要，甚至自动化生成施工监测方案。
挑战与展望
尽管LLM潜力巨大，但仍面临“幻觉”风险（生成错误代码或信息）、领域专业知识不足以及对高质量提示词的高度依赖。未来，通过结合检索增强生成（RAG）技术、微调领域专用模型（如Geotechnical-LLM）以及强化人机协同（Human-in-the-loop）验证机制，有望进一步提升LLM在岩土工程中的可靠性与实用性，最终构建更安全、高效的智能化基础设施体系。
