通过机器学习与不平衡数据估计液化诱导的浅底沉积量

科学领域:

• 地质技术工程 地质技术工程
• 地震工程的工程是地震工程.
• 机器学习应用 机器学习应用

背景情况:

• 对于地震风险评估,准确估计地震诱导的浅层基础中的液化定居点至关重要.
• 在可液化土壤上开发可靠的垂直变形和建筑倾斜预测方法是弹性基础设施的关键.
• 在地震保险和减轻灾害规划方面的知情决策依赖于有效的地震损害预测.

研究的目的:

• 对机器学习 (ML) 和深度学习 (DL) 模型进行比较分析,用于分类液化诱导的建筑堆积.
• 调查数据重新采样,成本敏感学习和算法进步对处理倾斜类分布的影响.
• 通过基于SHAP的特征选择来识别有影响力的预测因素,并通过动态值调整和集体学习来提高分类可靠性.

主要方法:

• 编制一个全面的数据库,记录案例研究,整合建筑,地质技术和地震数据.
• 应用各种数据级重抽样技术和成本敏感的学习策略来解决阶级不平衡.
• 实施基于SHAP的特征选择,以识别关键预测因素和集体学习,以加权投票来改进分类.

主要成果:

• 机器学习和深度学习模型在分类液化诱导的建筑物定居点方面表现出有效性.
• 数据驱动的特征选择和动态值优化显著提高了地震损害分类的准确性.
• 该研究确定了影响液化诱导定居点的关键预测因素,提高了模型的解释性和效率.

结论:

• 优化的数据驱动方法,包括特征选择和值调整,为对地震损害进行分类提供了强大的方法.
• 开发的方法提供了一个计算高效和可解释的工具,用于地质工程地震工程应用.
• 这项研究有助于开发抗震基础解决方案和明智的风险管理策略.