1.一种基于耦合机器学习算法的边坡稳定性分析方法，其特征在于，包括以下步骤：S1：获取边坡的真实土体强度参数和几何参数，构建三维牛角状双对数螺线边坡机构模型；

S2：将土体强度参数和几何参数作为已知量，构建三维边坡稳定性分析机构模型的优化变量参数；

S3：基于已知量和优化变量参数通过极限分析上限法建立三维边坡运动速度许可速度场；

S4：分别构建三维边坡内能耗散率D和重力做功功率W表达式，令内能耗散率D等于重力做功功率W，推导三维边坡稳定性系数关于所述优化变量参数的非线性表达式；所述步骤S4具体为：假设土体为刚体，忽略土体内部内能耗散，依据高斯散度定理，将速度间断面上的能量耗散等效转换为边坡坡面和坡顶上的内能耗散，以便于计算，式（1）和（2）分别为内能耗散率D和重力做功功率W总积分表达式：    (1)

       (2)

式中， Sr为坡面和坡顶面积，vt和nt分别是坡面和坡顶的速度向量和面积向量，γ为土体重度，V为边坡体积，v为土体的速度向量，θ为旋转角度，为内摩擦角，c为土体黏聚力；

结合所述步骤S4的功率公式，稳定性系数表达式（3）和边坡极限坡高表达式（4）分别如下：  (3)

   (4)

式（3）中，括号中函数的变量从左到右依次代表的是初始旋转角 、终止旋转角θh、双对数极径比 、插入块体宽高比 、过坡底角度 和过坡面系数 ；

S5：使用耦合的机器学习算法并考虑约束边界条件求解稳定性系数最优解。

2.根据权利要求1所述的一种基于耦合机器学习算法的边坡稳定性分析方法，其特征在于，所述步骤S1中的土体强度参数和几何参数为已知量，包括：边坡的抗剪强度参数：土体黏聚力c、内摩擦角φ；

边坡土体的物理力学参数：土体重度γ；

边坡的几何尺寸参数：边坡宽高比  ，其中B为边坡宽度、H为边坡高度。

3.根据权利要求1所述的一种基于耦合机器学习算法的边坡稳定性分析方法，其特征在于，所述步骤S2中的优化变量参数为未知数，包括：边坡在极坐标系下的几何参数：初始旋转角 ，从极坐标水平轴旋转到边坡后缘A的角度；终止旋转角 ，从极坐标水平轴旋转到边坡剪出口D的角度；双对数极径比 ，即在同一旋转角度时上对数螺线极径长度r’和下对数螺线极径长度r之比；插入块体宽高比 ，插入块体的宽度b和边坡高度H的比值；过坡底角度 ，为过坡底破坏时坡前CD虚线与坡底BD线之间的夹角；过坡面系数 ，指过坡面破坏时的破坏坡高H’和边坡高度H之比。

4.根据权利要求1所述的一种基于耦合机器学习算法的边坡稳定性分析方法，其特征在于，所述步骤S3中的运动许可速度场为：破坏面AD上一点到旋转中心O的距离r：

式中，r0为旋转中心O到边坡后缘A的初始旋转极径长度，θ为旋转到边坡任意一点时对应的角度， 为初始旋转角， 为边坡土体内摩擦角；

上对数螺线上一点到旋转中心O的距离r’：

式中，r0’是旋转角为初始旋转角 时旋转中心O到上对数螺线的极径长度，θ为旋转到边坡任意一点时对应的角度；

边坡剪出口D到旋转中心的距离rh：

式中，r0为初始旋转极径长度，θh为旋转中心O到边坡剪出口D的终止旋转角；

边坡高度H与初始旋转极径长度r0的比值：

边坡后缘A到坡肩B的距离L与初始旋转极径长度r0的比值：式中，β’为边坡为过坡底破坏时坡前CD线与BD线之间的夹角；

旋转中心O到坡肩B的连线OB与极坐标水平轴之间的夹角：式中，L为边坡后缘A到坡肩B的距离；

旋转中心O到坡趾C的连线OC与极坐标水平轴之间的夹角：式中，β为边坡坡角，由现场实际测量得到；

牛角状圆截面圆心到旋转中心O的距离rm，截面圆半径R：式中，r为破坏面AD上一点到旋转中心O的距离，上对数螺线上一点到旋转中心O的距离为r’。

5.根据权利要求1所述的一种基于耦合机器学习算法的边坡稳定性分析方法，其特征在于，所述步骤S5具体为：调用机器学习算法进行初次最优化计算，并在初次最优化计算时通过相关概率公式有选择性地接受每一次迭代计算的新解，得到初次最优解，将初次最优解的优化变量作为序列二次规划算法的初值进行二次优化计算，最后求得最优的稳定性系数上限解Ns‑best和对应的极限坡高Hcr。

6.根据权利要求5所述的一种基于耦合机器学习算法的边坡稳定性分析方法，其特征在于，所述初次最优化计算和所述二次优化计算的具体步骤为：选取N个机器学习因子，每一个机器学习因子都是六维的，六个维度分别作为三维边坡优化变量参数的未知数，即初始旋转角 、终止旋转角θh、双对数极径比 、插入块体宽高比 、过坡底角度 和过坡面系数 ；设置N个机器学习因子 的初始变量值并利用边坡稳定性系数非线性方程表达式（3）计算得到初始最优值；设置初始速度值 ，在后续每一次迭代计算时通过公

式（5）不断更新速度值 进而更新每一步变量值 ，并分别代入到边坡稳定性系数非线性方程表达式（3）中计算出每一个机器学习因子的最优值，选择出最优值中最小的那个作为当前全局最优解 ，并通过与每次迭代的最优解比较得到最优解Pbest，

    (5)

k

式中，ω是惯性权重，c1和c2是学习因子，r1和r2是0‑1的随机数，v 为第k次迭代计算的k速度值，x 为第k次迭代计算的变量值， 为第k次迭代计算的最优解，Pbest为全局最优解，获得与最终全局最优解Pbest对应的最优自变量，即最优初始旋转角 、最优终止旋转角 、最优双对数极径比 、最优插入块体宽高比 、最优过坡底角度 和最优过坡面系数 ，并将最优自变量作为初值，代入到三维边坡稳定性系数表达式（3）和极限坡高计算表达式（4）中，以序列二次规划算法中进行二次优化求解得到三维边坡稳定性系数最优解Ns和三维边坡极限坡高Hcr。

7.根据权利要求5所述的一种基于耦合机器学习算法的边坡稳定性分析方法，其特征在于，通过相关概率公式有选择性地接受每一次迭代计算的新解，其具体步骤为：为了增大了算法在寻优过程中跳出局部优解的概率，引入计算式（6）如下， 设置一个参照初值Z0=

100并乘以系数0.95随着迭代进行一直折减，每次迭代都通过公式（6）计算出一个概率pk和利用rand函数得到一个0‑1之间的随机值prand进行比较，当pk大于rand，则保留本次迭代的全局最优解 ，反之则舍弃，继续下一次迭代计算，   (6)

式中， 为第k次全局最优解，Pbest为全局最优解，Zk为第k次参照值。

8.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1‑7之一所述的分析方法。