面向Bangkok软土地基的 pile driving 震动预测的可解释人工智能模型
机器学习
2024-09-11 v1
摘要
本研究提出了一种可解释的人工智能(XAI)模型，用于预测Bangkok软土地基的 pile driving 震动。开发了基于1018个真实世界pile driving测量数据集的深度神经网络，涵盖pile尺寸、锤击特性、传感器位置和振动测量轴向的变化。该模型实现了均绝对误差(MAE)为0.276，优于传统经验方法和其他机器学习方法如XGBoost和CatBoost。采用SHapley Additive exPlanations(SHAP)分析来解释模型预测，揭示了输入特征与峰值颗粒速度(PPV)之间的复杂关系。从pile driving位置到锤重和pile尺寸的距离是最具影响力的因素，其次是锤重和pile尺寸。观察到非线性关系和阈值效应，为软土中振动传播提供了新的见解。开发了基于Web的应用程序，以促进实践工程师的采纳，弥合了先进机器学习技术与实际工程应用之间的鸿沟。这项研究为地理技术工程领域提供了一种更准确且更细致的方法来预测pile driving震动，对优化建筑实践和减轻城市环境影响具有深远意义。该模型及其源代码已公开，促进了地理技术研究的透明度和可重复性。
引用
@article{arxiv.2409.05918,
title = {Developing an Explainable Artificial Intelligent (XAI) Model for Predicting Pile Driving Vibrations in Bangkok's Subsoil},
author = {Sompote Youwai and Anuwat Pamungmoon},
journal= {arXiv preprint arXiv:2409.05918},
year = {2024}
}