In den vorhandenen nicht-probabilistischen Zuverlässigkeitsmethoden für Böschungen wird das konvexe Mengemodell zur Beschreibung der Parameterunsicherheit verwendet, das nur einen Unsicherheitsbereich mit regelmäßigen Grenzen erstellen kann und dessen Umschlagbereich zu groß ist. Um dieses Problem zu lösen, wird eine nicht-probabilistische Zuverlässigkeitsanalysemethode für Böschungen basierend auf einem konvexen polygonalen Mengemodell vorgeschlagen. Basierend auf dem Intervallbereich der geotechnischen Parameterstichprobendaten wird basierend auf der Methode der quadratischen Antwortfläche und dem Latinhyperwürfel-Sampling eine approximative Funktionsfunktion für die Böschung konstruiert; gleichzeitig werden das traditionelle Intervallmodell und das auf der Hauptkomponentenanalysenmethode basierende PCA (principal component analysis) Intervallmodell aufgebaut, die diese beiden Modelle kombinieren, um ein konvexes polygonales Mengemodell zu erstellen; der HL-RF (Hasofer-Lind und Rackwitz-Fiessler) Iterationsalgorithmus wird verwendet, um den wahrscheinlichsten Ausfallpunkt der Grenzzustandsfunktion zu identifizieren, und mithilfe des Simplex-Optimierungsalgorithmus wird der Extrempunkt gesucht. Basierend auf dem nicht-probabilistischen Zuverlässigkeitsindex des Abstandsverhältnisses wird die nicht-probabilistische Zuverlässigkeit der Böschung berechnet, um den Stabilitätszustand der Böschung zu beurteilen. Die Fallanalyse bestätigte die Durchführbarkeit der Methode. Im Vergleich zu nicht-probabilistischen Zuverlässigkeitsmethoden von Böschungen, die auf Intervallmodellen und Ellipsenmodellen basieren, stimmen die Ergebnisse dieser Methode eher mit denen der Monte-Carlo-Methode überein. Mit zunehmender Variabilität und Korrelation der Scherfestigkeitsparameter nimmt der nicht-probabilistische Zuverlässigkeitsindex der Böschung ab. Bei der Analyse der Stabilität von Böschungen mit dieser Methode stimmen die Beurteilungsergebnisse mit denen anderer Zuverlässigkeitsmethoden überein.

Böschung;nicht-probabilistische Zuverlässigkeit;konvexes polygonales Mengemodell;Variabilität;Korrelation