基于可解释 AI 探讨 CPT 在侧向扩散预测中的作用
统计力学
2025-03-18 v1 无序系统与神经网络
混沌动力学
摘要
本研究提出一种自编码器方法，从锥位突入试验（CPT）轮廓中提取潜在特征，以评估将 CPT 数据纳入 AI 模型中的潜力。我们利用自编码器将 200 组 CPT 轮廓（土壤行为类型指数 Ic 和标准化锥阻力 qc1Ncs）压缩为十个潜在特征，同时保留关键信息。随后，我们将提取的潜在特征与场地参数一起用于训练 XGBoost 模型，以预测 2011 年基督堡地震中的侧向扩散发生。使用潜在 CPT 特征的模型在常规 CPT 指标或无 CPT 数据的模型之上，实现了超过 83% 的准确率。可解释 AI 揭示了最关键的潜在特征对应于 1-3 米深度范围内的土壤行为，这一深度范围的关键性在liquefaction 评估中尤为重要。自编码器方法为机器学习式liquefaction 模型提供了一种从 CPT 轮廓中提取信息性潜在特征的自动化技术。
引用
@article{arxiv.2503.13387,
title = {Assessment of spectral phases of non-Hermitian quantum systems through complex and singular values},
author = {Mahaveer Prasad and S. Harshini Tekur and Bijay Kumar Agarwalla and Manas Kulkarni},
journal= {arXiv preprint arXiv:2503.13387},
year = {2025}
}
备注
10 pages, 10 figures