用于苏丹港沿海平原液化安全系数直接预测与岩土工程解释的混合堆叠集成学习方法

《Behavioral Sciences》：Hybrid Stacking Ensemble Learning for Direct Prediction and Geotechnical Interpretation of Liquefaction Factor of Safety in the Port Sudan Coastal Plain

　　

重点介绍的应用

该研究开发了一种具有泄漏意识的整体学习框架，可用于直接预测苏丹港沿海沉积物中的液化安全系数，并对其进行岩土工程分析，从而快速识别危险并降低沿海沉积环境中的基础设施风险。

摘要

土壤液化是一种威胁沿海基础设施的重大地震灾害。然而，由于岩土工程参数与应力状态参数之间复杂的非线性相互作用，准确预测液化安全系数仍然面临挑战。本研究提出了一种新型的具有泄漏意识的混合堆叠集成模型，用于直接预测苏丹港沿海地区的液化安全系数并进行相关岩土工程分析。该模型通过RidgeCV元学习器将随机森林、Extra Trees和梯度提升回归器相结合，同时限制预测变量为独立的空间参数、岩土工程参数和应力状态参数，以避免数据泄漏问题。研究使用了来自61个钻孔的534组标准贯入试验数据，将该模型与K-最近邻算法、人工神经网络、随机森林和XGBoost模型进行对比测试。结果显示，混合堆叠集成模型的预测性能最佳，测试时的均方根误差为0.058，平均绝对误差为0.032，R²值为0.985，其准确性、稳健性和泛化能力均优于其他基准模型。基于SHAP技术的分析表明，N1(60)cs是影响液化安全系数的主要因素，其次是相对密度、深度以及与应力相关的参数，这证实了所提出的模型确实学习了符合传统液化力学原理的物理意义明确的关联关系。该研究的贡献在于开发了一种用于直接预测液化安全系数的混合堆叠集成模型，该模型结合了无泄漏建模流程和可解释的机器学习技术，而非仅仅是一种新的机器学习算法的发明。