.png){kind=icon}
返回
A deep learning model for subsurface stratigraphic classification with continuous CPT data
.png){kind=icon}
PRE
AI
DOI：10.1680/jgeen.25.00091.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
静力触探试验（CPT）连续记录锥尖阻力和侧壁摩擦力。基于此数据特征，本文提出了一种改进的双向头-粘聚力长短期记忆网络（BHC-LSTM）模型，通过整合重叠帧新概念和两个长短期记忆网络，实现精确的数据地层划分。该创新BHC-LSTM方法同时利用目标土层上下方的信息进行精细土质分类，以提高预测精度。模型性能通过济南两个工程场地的实测数据和一个公开数据库进行检验，总体预测准确率超过95%。结果表明，与其它传统深度学习方法相比，BHC-LSTM模型能显著提升地层土质类型的预测效率与准确性。该方法可为地质调查中基于CPT数据的土层分类提供有益支持。
Keyword:
cone penetration test
deep learning methods
geology
in situ testing
LSTM
neural networks
soil classification
UN SDG 9: Industry, innovation and infrastructure
期刊
P
IF:
1.7
论文数:
35
被引数:
1.5K
机构
引用论文
.png){kind=icon}
分享收藏
分享收藏
查看更多内容