GeoLiquefy-AI：通过深度神经网络架构搜索预测地震活跃沿海地区的土壤液化潜力

《Land》：GeoLiquefy-AI: Predicting Soil Liquefaction Potential via Deep Neural Architecture Search in Seismically Active Coastal Zones

　　

地震引起的土壤液化（earthquake-induced soil liquefaction）是一种严重的地质灾害，会在易发沿海地区导致灾难性的基础设施破坏，需要对其开展先进的环境空间评估以支持可持续的土地利用规划。本研究利用先进的计算智能模型，预测阿尔及利亚布米尔达斯（Boumerdès）地区（该地区在2003年Mw 6.8地震中受到严重影响）的地震引起的土壤液化。研究人员利用一个包含1984个岩土记录的综合地下数据库，涵盖岩性、水文地质配置和地震参数，通过自动神经架构搜索（Neural Architecture Search, NAS）开发和优化了先进的深度学习框架。计算连续安全系数（Factor of Safety, Fs）以区分稳定剖面与脆弱地层，并使用分层5折交叉验证方案，将传统人工神经网络（ANN）和深度神经网络（DNN）模型与NAS优化变体（NAS-ANN和NAS-DNN）进行基准测试。优化的混合NAS-DNN框架有效捕获了非线性土壤响应，训练相关系数（R）达到0.9518，验证相关系数（R）为0.8843，交叉验证平均R约为0.82，与传统模型相比展示了更高的预测可靠性。最终，该最优网络被嵌入到“GeoLiquefy-AI (v1.0)”界面中。为确保安全关键应用的可靠性，研究人员集成了SHAP可解释人工智能框架，通过映射物理土壤液化依赖性验证了模型的地质力学逻辑。这一部署就绪的工具能够实现快速、透明的灾害计算，为地震微分区和主动式城市风险减缓提供了可扩展的平台。

**论文解读：基于深度神经网络架构搜索的沿海地区土壤液化潜力预测研究**

**研究背景与问题**
土壤液化是地震作用下饱和松散砂土因循环荷载导致剪切强度丧失、呈现流体行为的地质灾害，严重威胁沿海地区基础设施安全。传统评估方法依赖现场试验（如标准贯入试验SPT）和半经验公式（如Seed和Idriss的简化程序），通过计算安全系数（Factor of Safety, Fs）来判定液化触发。然而，这些方法受限于土壤动力系统的强非线性行为、参数不确定性以及显著的区域地质差异，导致预测精度有限——确定性边界（如Fs<1一定液化、Fs>1一定不液化）往往失效。此外，传统数值模拟（如有限元法）计算成本高，难以用于区域尺度快速评估。近年来，机器学习（ML）和人工智能（AI）方法为液化预测提供了新途径，但现有研究存在三大瓶颈：一是依赖人工调参的常规算法（如ANN、SVM），易陷入局部最优；二是使用的数据库规模较小（多数研究少于834个样本），导致泛化能力不足；三是缺乏部署就绪的工程工具，模型输出难以直接应用于现场实践。为克服这些限制，研究人员开展了本研究，旨在开发一种自动化的混合深度学习框架，利用大规模地下数据、神经架构搜索（NAS）自动优化网络拓扑，并通过可解释AI（SHAP）提升模型透明性，最终将模型嵌入图形用户界面（GUI），实现快速、可靠的现场液化潜力预测。

**研究内容与结论**
本研究选取阿尔及利亚布米尔达斯（Boumerdès）沿海地区作为研究区，该区域在2003年Mw 6.8地震中遭受严重液化破坏。研究人员构建了包含1984个岩土记录的多源地下数据库，涵盖岩性、水文地质和地震参数。通过计算连续安全系数（Fs）作为输出目标，选取10个输入特征：深度（z）、岩性、湿密度（γ_h）、含水量（w）、饱和度（Sr）、细粒含量（FC）、总上覆应力（σ_v）、有效上覆应力（σ′_v）、循环应力比（CSR）和归一化峰值加速度（a_max/g）。研究中对比了传统人工神经网络（ANN）、深度神经网络（DNN）及其经NAS优化的变体（NAS-ANN和NAS-DNN），采用分层5折交叉验证评估泛化能力。结果表明，NAS-DNN模型在预定义搜索空间内表现最优：整体相关系数R=0.9400，决定系数R²=0.8812，一致性指数IOA=0.9668，均方根误差RMSE=0.2832，平均绝对误差MAE=0.1793，交叉验证验证集R均值约0.82，显著优于手动调参的ANN和DNN。SHAP分析验证了模型的地质力学逻辑：总上覆应力（σ_v）和循环应力比（CSR）是降低Fs的主要驱动因素，而有效上覆应力（σ′_v）则起抵抗液化作用。最终，研究人员将优化后的NAS-DNN模型嵌入到“GeoLiquefy-AI (v1.0)”图形用户界面中，使现场工程师无需编程即可快速计算Fs。该论文发表在《Land》期刊。

**主要技术方法**
1. **多源数据编译与预处理**：从布米尔达斯沿海地区收集1984个岩土记录（包括取芯钻孔和贯入/旁压试验孔），覆盖四十年现场调查数据。采用Z-score归一化处理输入变量，并使用四分位距（IQR）法检测异常值、K近邻（KNN）插补填补缺失值。
2. **自动机器学习（AutoML）框架**：采用神经架构搜索（NAS）自动优化隐藏层深度（H）、节点数（N₁, N₂）和激活函数组合，分别搜索浅层（NAS-ANN，H=1）和深层（NAS-DNN，H=1或2）拓扑。训练使用Levenberg-Marquardt反向传播算法，80%数据用于训练，20%用于验证，采用早期停止防止过拟合。
3. **分层5折交叉验证**：将数据集按目标变量Fs分布分层划分为5个互斥子集，依次迭代训练与验证，确保模型在不同地质层上的泛化稳定性。
4. **可解释性分析**：集成SHAP（SHapley Additive exPlanations）框架，计算每个输入特征对预测Fs的边际贡献，验证模型决策与地质力学原理的一致性。
5. **部署工具开发**：将最优NAS-DNN模型封装为独立GUI平台“GeoLiquefy-AI (v1.0)”，允许用户输入10个参数后即时输出Fs值。

**研究结果**
**3.1 统计分布与探索性数据分析**：通过对1984个样本进行描述性统计和直方图分析，发现数据库具有高度异质性，符合沿海第四纪沉积物特征。多数变量呈右偏或尖峰分布，如饱和度（Sr）高度集中在95%–100%，细粒含量（FC）以高值为主，循环应力比（CSR）极值分布。预处理后，数据质量满足模型训练要求。
**3.2 特征相关性与依赖性分析**：Pearson相关性分析表明，多数输入变量间呈弱至中等线性相关，其中深度（z）与总上覆应力（σ_v）和有效上覆应力（σ′_v）呈强正相关（r=0.986, 0.858）。目标Fs与各预测因子呈弱负相关（最大|r|≈0.16），证实Fs受多因素非线性组合控制，传统线性模型难以充分刻画。
**3.3 算法基准测试与预测性能**：对比四种模型，ANN和DNN在训练到验证阶段存在性能下降（R降幅0.03–0.05），而NAS-ANN和NAS-DNN显著提升。NAS-DNN在所有指标上最优：整体R=0.9400，R2=0.8812，IOA=0.9668，RMSE=0.2832，MAE=0.1793，散点图显示预测值紧密围绕理想拟合线。
**3.4 分层K折交叉验证鲁棒性**：NAS-DNN在5折交叉验证中训练R介于0.902–0.945（均值0.933），验证R介于0.784–0.843（均值0.819），各折性能稳定，未出现显著过拟合或欠拟合，验证了模型在异质地质层上的空间泛化能力。
**3.5 与现有文献比较**：将NAS-DNN与近年液化预测模型（如SVM、RF、XGBoost等）进行基准对比，虽然任务空间不同（分类vs连续回归），但NAS-DNN在连续Fs预测上达到R≈0.94，优于多数文献报道的72%–93%相关度，展示了大规模数据与自动架构搜索结合的优势。
**3.6 模型可解释性与特征归因（SHAP）**：SHAP蜂群图显示，总上覆应力（σ_v）和循环应力比（CSR）及归一化加速度（a_max/g）的高值强烈降低Fs（负SHAP值），而高有效上覆应力（σ′_v）则增加Fs（正SHAP值），细粒含量（FC）和深度（z）呈现非线性阈值效应，验证了模型学习的地质力学原理。
**3.7 实际部署：GeoLiquefy-AI平台**：通过GUI界面，输入10个参数后点击运行即可即时输出Fs值（示例中Fs=1.62），实现了从抽象算法到现场工程工具的转化，支持快速安全评估和未来宏观液化微分区制图。

**讨论与结论总结**
讨论部分指出，该研究的主要发现是NAS-DNN在预测Fs上达到了高精度和泛化稳定性，优于传统经验和手动调参模型。与现有研究对比，本研究通过大规模数据库、AutoML-NAS优化、分层交叉验证和SHAP可解释性四大创新，突破了性能瓶颈。SHAP分析揭示了模型决策与地质力学原理的一致性，提升了模型在安全关键应用中的可信度。研究的意义在于，将复杂深度学习架构转化为直观的实时计算工具，使工程师无需依赖耗时的数值模拟即可快速评估场地液化风险，从而支持可持续土地利用和灾害减缓策略。然而，研究也存在局限性：模型仅基于阿尔及利亚北部第四纪沉积物训练，直接应用于其他地质环境（如砾石土、非沿海硬黏土）可能需要域适应或迁移学习；当前数据库未包含连续剪切波速（V_s）等地球物理参数；模型仅预测自由场Fs，未考虑上部结构特性；部分历史钻孔缺乏精确坐标，无法进行空间交叉验证。未来研究方向包括将模型集成到GIS中生成动态三维地震微分区图，引入地球物理信号（如V_s、H/V谱比），并利用迁移学习扩展全球适用性。

**研究结论翻译**：
本研究成功构建了一个混合自动人工智能框架，用于预测阿尔及利亚布米尔达斯高度脆弱的沿海边缘地震引起的土壤液化。通过将包含1984个岩土记录的广泛多源数据库与先进的神经架构搜索（NAS）引擎相结合，研究人员系统性地克服了传统经验和手动机器学习方法中固有的计算局限和启发式偏差。本研究得出的主要结论如下：
优化的NAS-DNN架构在预定义搜索空间内成为模拟复杂非线性地震土壤破坏的最有效拓扑结构。它展示了持续的预测可靠性，优于标准ANN、DNN和NAS-ANN基线模型。该模型取得了训练相关系数（R）为0.9518，验证相关系数（R）为0.8843，平均交叉验证R约为0.82，同时有效最小化了绝对残差误差。
分层5折交叉验证协议的实施经验性地证实了模型的空间泛化能力。NAS-DNN在异质第四纪地层中保持了稳定的预测性能，有效中和了经常损害标准数据驱动模型的隐蔽过拟合风险。
此外，通过集成SHAP分析，本研究揭开了NAS-DNN内部决策过程的神秘面纱，表明模型的预测机制牢固植根于已确立的地质力学原理。这种透明性验证了网络正确将土壤液化潜力归因于关键驱动因素（如地震需求和围压）的能力，从而将深度学习框架从预测性的“黑箱”转变为适用于关键岩土工程审计的可审计、物理信息化的决策支持系统。
“GeoLiquefy-AI (v1.0)”图形用户界面的开发成功弥合了高维学术算法与现场工程应用之间的关键差距。这一部署就绪的决策支持平台能够快速、现场计算液化安全系数（Fs），完全绕过对复杂编程环境的需求。
所提出的自动深度学习框架为液化潜力评估提供了可扩展的、数据驱动的基础。通过为岩土工程师提供可靠的计算机制，本研究为未来旨在生成人为改造沿海地形高精度地震微分区图的研究奠定了必要基础。
虽然本研究利用了包含1984个记录的强大数据集和先进的AutoML框架以最小化预测偏差，但其当前应用局限于布米尔达斯沿海地区的特定地质构造。从业者应注意，模型的可靠性与此局部地貌背景相关。因此，为增强模型的地域泛化能力并拓宽其操作范围，未来研究必须将数据库扩展至包含其他地理区域的多样化可液化地质构造。
最终，混合自动机器学习（AutoML）与综合地下数据库的整合为区域液化敏感性评估提供了一个系统框架。未来研究路径必须优先考虑将非侵入式连续地球物理参数（如V_s剖面）纳入NAS搜索空间，并在主动地理信息系统（GIS）中适应这些深度学习协议，以有效扩展全球地震风险减缓。