基于卷积神经网络的液化预测模型及可解释性分析

作     者：龙潇 孙锐 郑桐 LONG Xiao;SUN Rui;ZHENG Tong

作者机构：中国地震局工程力学研究所地震工程与工程振动重点实验室黑龙江哈尔滨150080 地震灾害防治应急管理部重点实验室黑龙江哈尔滨150080 

出 版 物：《岩土力学》 (Rock and Soil Mechanics)

年 卷 期：2024年第45卷第9期

页      面：2741-2753页

核心收录：

学科分类：08[工学] 080104[工学-工程力学] 0815[工学-水利工程] 0801[工学-力学（可授工学、理学学位）] 

基　　金：中国地震局工程力学研究所基本科研业务费专项资助项目(No.2020C04) 黑龙江省自然科学基金联合引导项目(No.LH2020E019) 

主　　题：机器学习 液化预测 卷积神经网络 边界合成少数过采样技术 沙普利加性解释(SHAP) 

摘      要：常规液化判别方法通常是半经验方法,存在人为因素干扰,成功率及均衡性不佳。现有的机器学习方法缺乏足够的样本支撑,存在一定的局限性。通过整合液化数据集,选取修正标准贯击数、细粒含量、土层深度、地下水位深度、总上覆应力、有效上覆应力、门槛加速度、循环剪应力比、剪切波速、震级与地表峰值加速度11个液化特征建立卷积神经网络(convolutional neural network,简称CNN)模型。引入边界合成少数过采样技术消除不平衡数据集的影响。将CNN模型与随机森林模型、逻辑回归模型、支持向量机模型、极致梯度提升模型和规范方法进行对比,并结合沙普利加性解释(SHapley Additive exPlanations,简称SHAP)分析输入特征对预测结果的影响趋势。结果表明,CNN模型准确率达92.58%,各项指标均优于其他4种机器学习模型和规范方法。对SHAP结果分析可知,修正标贯击数小于15的土层液化概率较高,循环剪应力比CSR小于0.25的土层更不易液化。各因素的影响规律均符合现有认知,预测模型合理可靠。