探究CPT在侧向扩散预测中的作用：基于可解释AI的研究
机器学习
2025-03-18 v1 地球物理
摘要
本研究提出了一种基于自编码器的方法，从锥贯入测试（CPT）轮廓中提取潜在特征，以评估将CPT数据纳入AI模型的潜力。我们采用自编码器将200组土壤行为类型指数（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结合，用于训练XGBoost模型，以预测2011年基督城地震中的侧向扩散发生情况。使用潜在CPT特征的模型优于采用常规CPT指标或不使用CPT数据的模型，准确率超过83%。基于可解释AI，我们识别出最关键的潜在特征对应于1-3米深度范围的土壤行为，凸显该深度范围在液化评估中的关键性。该自编码器方法为将CPT轮廓压缩为具有机器学习液化模型意义的潜在特征提供了一种自动化技术。
引用
@article{arxiv.2503.13389,
title = {Investigating the effect of CPT in lateral spreading prediction using Explainable AI},
author = {Cheng-Hsi Hsiao and Ellen Rathje and Krishna Kumar},
journal= {arXiv preprint arXiv:2503.13389},
year = {2025}
}