-
题名基于卷积神经网络的液化预测模型及可解释性分析
被引量：3
- 1
-
-
作者
龙潇
孙锐
郑桐
-
机构
中国地震局工程力学研究所地震工程与工程振动重点实验室
地震灾害防治应急管理部重点实验室
-
出处
《岩土力学》
EI
CAS
CSCD
北大核心
2024年第9期2741-2753,共13页
-
基金
中国地震局工程力学研究所基本科研业务费专项资助项目(No.2020C04)
黑龙江省自然科学基金联合引导项目(No.LH2020E019)。
-
文摘
常规液化判别方法通常是半经验方法,存在人为因素干扰,成功率及均衡性不佳。现有的机器学习方法缺乏足够的样本支撑,存在一定的局限性。通过整合液化数据集,选取修正标准贯击数、细粒含量、土层深度、地下水位深度、总上覆应力、有效上覆应力、门槛加速度、循环剪应力比、剪切波速、震级与地表峰值加速度11个液化特征建立卷积神经网络(convolutional neural network,简称CNN)模型。引入边界合成少数过采样技术消除不平衡数据集的影响。将CNN模型与随机森林模型、逻辑回归模型、支持向量机模型、极致梯度提升模型和规范方法进行对比,并结合沙普利加性解释(SHapley Additive exPlanations,简称SHAP)分析输入特征对预测结果的影响趋势。结果表明,CNN模型准确率达92.58%,各项指标均优于其他4种机器学习模型和规范方法。对SHAP结果分析可知,修正标贯击数小于15的土层液化概率较高,循环剪应力比CSR小于0.25的土层更不易液化。各因素的影响规律均符合现有认知,预测模型合理可靠。
-
关键词
机器学习
液化预测
卷积神经网络
边界合成少数过采样技术
沙普利加性解释(SHAP)
-
Keywords
machine learning
liquefaction prediction
convolutional neural network
borderline synthesis minority oversampling technique(borderline smote)
SHapley Additive exPlanations(SHAP)
-
分类号
TU43
[建筑科学—岩土工程]
-
-
题名基于地质大数据的泥石流灾害易发性评价
被引量：20
- 2
-
-
作者
张永宏
葛涛涛
田伟
夏广浩
何静
-
机构
南京信息工程大学信息与控制学院
南京信息工程大学计算机与软件学院
-
出处
《计算机应用》
CSCD
北大核心
2018年第11期3319-3325,共7页
-
基金
国家自然科学基金国际(地区)合作与交流项目(41661144039)
国家自然科学基金面上项目(51575283)~~
-
文摘
在地质大数据背景下,为了更加精准、客观地评估泥石流易发程度,提出一种基于神经网络的区域泥石流易发性评价模型,并结合使用平均影响值算法(MIV)、遗传算法(GA)、Borderline-SMOTE算法提升模型精度。在预处理阶段使用Borderline-SMOTE算法处理非平衡数据集的分类问题,之后采用神经网络拟合主要指标与易发程度的非线性关系并结合遗传算法提升拟合速度,最后结合MIV算法定量分析指标与易发程度相关性。选取雅鲁藏布江中上游流域作为研究区域,实验结果显示,模型能够有效降低非平衡数据集的过拟合,优化原始输入维度,同时在拟合速度上有了很大提升。采用AUC指标检验评价结果,测试集的分类精度达到97.95%,说明模型能够在非平衡数据集下为评价研究区域泥石流易发程度提供参考。
-
关键词
地质大数据
泥石流
易发性
平均影响值算法
遗传算法
borderline-smote算法
-
Keywords
geological big data
debris flow
susceptibility
Mean Impact Value(MIV)algorithm
Genetic Algorithm(GA)
borderline-smote(Synthetic minority oversampling technique)algorithm
-
分类号
TP315.69
[自动化与计算机技术—计算机软件与理论]
-
