.png){kind=icon}
返回
Gaussian-process trend framework for efficient simulation of 3D multivariate conditional random fields
.png){kind=icon}
PRE
AI
DOI：10.1016/j.compgeo.2026.108622.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
条件随机场模拟被广泛应用于场地特性表征，但其精度很大程度上取决于空间趋势的表示方式以及如何将其与固有变异性分离。以往的单变量研究显示，基于高斯过程回归的趋势（t-GPR）比恒定趋势和稀疏贝叶斯学习模型能提供更灵活的趋势表示。本研究将t-GPR扩展至多元条件随机场模拟，以处理交叉相关的岩土参数。采用正则化多元协方差表示，以从稀疏共址观测中实现稳健推断。在所提出的框架中，多元高斯过程场用于建模空间趋势，而固有变异性则单独建模。开发了低秩趋势近似和克罗内克积算法，以实现在三维场景下的高效贝叶斯推断和条件模拟。该框架还通过将数据分解为CPT网格子集和剩余非网格观测，扩展至非网格观测数据。三个实际案例研究（从仅网格CPT数据到稀疏全3D非网格CPT-钻孔数据）表明，所提出的框架能提供有效的不确定性量化，特别是在稀疏数据条件下，可通过利用参数间依赖关系来降低预测不确定性。
Keyword:
Site characterization
Variability
Trend
Multivariate random field
Gaussian process
