基于卷积神经网络的液化预测模型及可解释性分析OA北大核心CSTPCD
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…查看全部>>
龙潇;孙锐;郑桐
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,黑龙江哈尔滨150080 地震灾害防治应急管理部重点实验室,黑龙江哈尔滨150080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,黑龙江哈尔滨150080 地震灾害防治应急管理部重点实验室,黑龙江哈尔滨150080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,黑龙江哈尔滨150080 地震灾害防治应急管理部重点实验室,黑龙江哈尔滨150080
土木建筑
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)
《岩土力学》 2024 (9)
P.2741-2753,13
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)。
评论