开发一种优化的深度学习模型,用于预测纳米稳定土壤的斜率稳定性

科学领域:

• 地质技术工程 地质技术工程
• 人工智能的人工智能
• 材料科学 是一种材料科学.

背景情况:

• 在地质工程中,评估无限坡度稳定性至关重要.
• 传统的方法 (LEM,FEM) 是计算密集型的,并与非线性土壤稳定效应作斗争.
• 纳米二氧化 (NS) 稳定增强土壤特性和机械强度,需要先进的分析技术.

研究的目的:

• 开发和验证混合深度学习模型,用于预测纳米 (NS) 稳定无限斜率的稳定性.
• 使用Optuna算法优化模型,以提高预测性能.
• 使用可解释AI (XAI) 和SHAP技术来提高模型的解释性.

主要方法:

• 开发了一个混合深度学习模型,整合了卷积神经网络 (CNN),长期短期记忆 (LSTM) 和反复神经网络 (RNN).
• 该模型使用Optuna算法进行了优化.
• 可解释AI (XAI) 和SHAP技术用于特征重要性分析.

主要成果:

• 优化的RNN-CNN-LSTM模型在未见测试数据上实现了99.4%的准确性.
• 观察到稳定的验证趋势和强大的预测性能.
• 凝聚力 (c),纳米含量 (NS%) 和斜坡角 (β) 被确定为影响斜坡稳定的最重要的因素.

结论:

• 混合深度学习模型,优化和可解释,为地质工程师提供一个强大而有效的工具来评估斜率稳定性.
• 与传统方法相比,拟议的框架减少了计算工作量,并提高了预测准确性.
• 该模型可以集成到实时预警系统中,以提高山体滑坡风险评估和基础设施弹性.