基于拖曳式瞬变电磁电阻率和稀疏CPT数据的机器学习模型预测不排水剪切强度

《Journal of Applied Geophysics》：Predicting undrained shear strength from Towed-TEM resistivity and sparse CPT data using machine learning models

　　

•利用瞬变电磁（tTEM）电阻率和稀疏的锥贯（CPT）数据估算不排水抗剪强度（Su）的概念验证工作流。•采用生成对抗网络（GANs）生成合成数据，以增强稀疏的训练数据。•在更大的合成数据集上训练的机器学习模型比原始数据取得了更好的预测效果。•所提出的工作流为数据稀缺区域估算Su提供了一种有前景的替代方案。引言堤防和路堤结构基础材料的评估依赖于对控制土体强度的地下参数的可靠估计（Budak等，2022；Yünkül等，2024）。其中一项重要性质是不排水抗剪强度（Su），它是一项岩土参数，描述了土体在不排水条件下抵抗剪切应力的能力（Budak等，2022；Nguyen等，2025）。Su的估算，尤其对于黏性土而言，对于做出堤防等路堤结构的设计和稳定性评估的知情决策至关重要（Wong等，2021；Yünkül等，2024）。传统现场估算Su的方法包括标准贯入试验（SPT）（Terzaghi和Peck，1967；Sowers，1979）、锥贯试验（CPT）（Lunne等，1997）、现场十字板剪切试验（Hamid等，2023）和螺旋驱动探孔试验（Chaiyaput等，2022）。这些方法都是估算Su的成熟技术，但需要钻孔或仅适用于近地表土体，且仅提供土体强度的一维估计。SPT和CPT试验还受限于钻机可到达的位置（Lunne等，2006），成本可能很高。此外，某些技术仅适用于软黏土，因此在非均质性地下条件中可能不适用。作为替代方案，岩土工程师已开发出Su与其他土体性质之间的经验关系（Kulhawy和Mayne，1990；Ojuri，2013）。各种用于估算Su的回归方程使用了垂直有效应力、液限、塑限和土壤含水率等土体性质，这些需要取样和实验室测试，耗时且昂贵（Bakala等，2021；Fang等，2025）。更间接的估算方法更受青睐，以便在更大区域上获得更密集的Su估计。地球物理方法提供了一种有前景的解决方案，相比传统技术，所需的时间和费用更少，且采样足迹更大（Gon?alves等，2021）。地震面波分析是为此目的常用的地球物理方法（Uyan?k，2019；Johora等，2022）。许多研究人员调查了地震剪切波速（Vs）与Su之间的经验关系。例如，L'Heureux和Long（2017）利用多道面波分析（MASW）和地震电锥贯试验的Vs数据来估算挪威黏土的Su，显示出Vs与Su之间的强相关性。类似地，Long和D'Ignazio（2021）利用MASW的Vs数据和现场十字板试验来估算芬兰和瑞典黏土的Su，并获得了与Su的良好相关性。电阻率是另一种地球物理方法，也为土体性质估算提供了一种相对简便且经济的途径。电阻率已被广泛用于预测土体质地、含水率和孔隙水盐度等土体性质（Fagbemigun等，2021）。利用电阻率预测Su的潜力尚未得到充分探索，并受到缺乏适当数据集的挑战。只有少数研究尝试使用现场电阻率测量来估算Su（Chaiyaput等，2022）。这些尝试仅限于使用稀疏的CPT探孔数据进行回归分析。例如，Akinshipe等（2020）基于十八组垂直电阻率探深（VES）数据集（每组探深至8 m），利用线性回归建立了电阻率、弹性模量和Su之间的线性关系。该研究报告了电阻率与Su之间的中等相关性。Chaiyaput等（2022）使用来自路侧沟渠调查的十条二维电阻率层析成像（ERT）剖面来预测软黏土的Su。Su值与现场十字板试验和螺旋探孔试验获得的值进行了比较。结果显示，决定系数（R2）为0.92，证实了浅层地下电阻率与Su之间的强相关性。尽管有这些尝试，以往从电阻率预测Su的方法依赖于直接相关性或传统回归模型，这些模型可能无法完全捕捉电阻率、深度和Su之间的非线性和复杂关系。此外，许多地球物理和岩土数据集相对较小，这限制了机器学习（ML）模型的性能。因此，数据稀缺是开发稳健的基于机器学习的Su预测模型的主要挑战。为了解决岩土训练数据集规模有限的问题，我们引入生成对抗网络（GANs）来合成额外的训练数据，以增强机器学习模型的性能。GANs是一种生成式机器学习算法（Goodfellow等，2014；Grnarova等，2019），由两个神经网络（即生成器和判别器）组成，两者在训练过程中相互竞争，直到达到所谓的"纳什"均衡（Zhang等，2022）。给定输入数据，生成器创建合成数据，而判别器通过二元分类器尝试区分真实样本和伪造样本（Goodfellow等，2014）。一旦生成器能够持续欺骗判别器，该模型即被认为训练良好（图1）。对抗性训练过程使得能够创建复制真实数据统计特性的合成数据集（Zhang等，2018），使其适用于增强机器学习模型训练（Shrivastava等，2016）。GANs的详细描述见Goodfellow等（2014）。在本研究中，我们的机器学习方法涉及比较在没有合成数据（原始数据集）训练与使用GAN合成数据训练下模型的性能。此外，我们通过评估使用不同输入训练模型来评估每个特征的重要性：仅使用电阻率、仅使用深度以及同时使用电阻率和深度。这种方法使我们能够量化每个特征对Su预测的独立和联合贡献。最后，训练好的模型被应用于伊利诺伊州西南部Kaskaskia堤防系统的一段，该地点有历史失败记录并有先前的地球物理调查（Kelley等，2020）。本研究的主要贡献可总结为以下三点：I. 地球物理数据类型：与大多数依赖地震剪切波速或传统ERT/VES测量的以往Su估算研究不同，本研究使用拖曳式瞬变电磁（tTEM）调查的电阻率数据，并结合CPT衍生的Su测量值。这使得能够在大范围的、非均质性冲积沉积物上进行Su预测。II. 方法论创新：本研究将基于GAN的合成数据生成与机器学习模型（包括SVR、RF和XGBoost）相结合，以解决岩土数据稀缺问题，并评估数据增强是否改善预测性能。III. 应用场景：所提出的框架在Kaskaskia堤防系统沿线堤防基础评估中得到演示，其中空间上更密集的Su估计可以支持路堤和基础条件评估。总体而言，本研究突出了在数据有限的堤防环境中，将tTEM、CPT、机器学习和基于GAN的数据增强相结合进行岩土评估的潜力。研究区域研究在伊利诺伊州西南部的兰道夫县Kaskaskia岛堤防附近进行（图2）。Kaskaskia岛堤防长约24公里，建于保护相邻农田和住宅免受洪水侵袭的目的。Kaskaskia岛是伊利诺伊盆地密西西比冲积平原的一部分（Seid，2013）。Kaskaskia岛的地质由表层黏土和粉质"覆盖层"组成，厚度范围为2至10米，其下为砂和砂砾沉积物。机器学习概述Su模型通过创建将tTEM电阻率探深属性映射到Su的传递函数f来开发：Su = f(M)，其中M代表所有自变量，在本例中为深度和电阻率。本研究采用工作流如总结在图5中。首先，我们使用随机洗牌分割将数据分为两组，一组包含70%的数据（301个数据点）用于训练，第二组包含30%的数据（129个数据点）用于结果根据模型的训练条件，结果分为未使用合成数据训练的模型（原始数据）和使用合成数据训练的模型。各种输入组合（仅电阻率、仅深度以及电阻率加深度）的结果也分别呈现。使用GAN增强模型性能总体而言，我们发现，在大多数模型和输入组合中，使用合成数据时R2值增加且误差减少，这与生成模型如GAN可以改善鲁棒性和泛化能力的研究结果一致（Sandfort等，2019；Ma等，2024）。使用GAN合成数据增强原始数据在Su预测中显示出可衡量的改进。虽然没有任何模型的R2值超过0.65，但总体而言，在包含深度和电阻率两者作为输入时，性能更好。结论本研究介绍了一种基于机器学习的工作流，利用tTEM的深度和电阻率剖面，在非均质性冲积土中预测Su。传统Su估算方法受限于高昂成本、有限的空间覆盖范围和广泛的实验室测试费用。通过利用深度学习模型生成合成数据，我们能够解决数据稀疏问题并增强预测性能。我们发现，使用电阻率以及深度作为输入训练的模型在预测Su方面表现更好。CRediT作者贡献声明Kolawole Arowoogun：写作—审阅与编辑，写作—原稿撰写，可视化，验证，软件，项目管理，方法论，调查研究，资金获取，形式分析，数据整理，概念构思。Katherine Grote：写作—审阅与编辑，验证，指导监督，资源，项目管理，方法论，资金获取，数据整理，概念构思。Jeremy Maurer：写作—审阅与编辑，验证，指导监督，资源，项目管理，方法论，资金获取。资金本研究部分由密苏里大学科学与技术学院Kummer学生成功、研究与经济发展研究所通过Kummer创新与创业博士奖学金资助。利益冲突声明作者声明没有已知的 competing financial interests 或可能影响本论文报告工作的个人关系。Kolawole Arowoogun | Katherine Grote | Jeremy Maurer