.png){kind=icon}
返回
Knowledge-informed data-efficient characterisation of soil spatial variability
.png){kind=icon}
PRE
AI
DOI：10.1016/j.compgeo.2026.108403.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
尽管成本高昂，场地勘察在岩土工程设计中仍不可或缺，用于揭示地下条件及其固有的空间变异性。尽管已提出多种方法来表征空间变化的土体性质，但它们的实际性能常受限于稀疏的场地勘察数据和有限的物理理解。基于Zhang和Yang（2026）近期提出的知识引导数据高效（KIDE）框架，该研究引入了一种主动学习（AL）引导的知识引导多 fidelity 学习框架。该框架通过AL将来自多个场地的低 fidelity 数据与目标场地选择性获取的高 fidelity 数据相结合，实现对土体性质准场地特定的空间变异性表征。通过预测锥尖阻力（qt）和锤击数剖面，并与忽略物理知识、AL和现场低 fidelity 数据的方法进行比较，验证了所提方法的实用性。结果表明，仅使用一半高 fidelity 数据时，所提框架即可达到无AL方法的同等精度和可靠性。所提框架还能识别低 fidelity qt 剖面在预测高 fidelity qt 剖面中的重要性，该重要性通常随剖面间距离的增加而降低。通过整合物理知识、主动学习和现场低 fidelity 数据，所提框架能够以实用且数据高效的方式表征高成本岩土数据的空间变异性。
期刊
IF:
6.2
论文数:
7.1K
被引数:
2.9W
机构
暂无机构信息
引用论文
Statistical interpretation of soil property profiles from sparse data using Bayesian compressive sampling使用贝叶斯压缩采样从稀疏数据对土壤性质剖面进行统计解释.png)
Géotechnique
GéotechniqueIF0
PREAI
分享收藏分享收藏Statistical charts for determining sample size at various levels of accuracy and confidence in geotechnical site investigationGéotechnique
GéotechniqueIF0
PREAI
分享收藏Characterising three-dimensional anisotropic spatial correlation of soil properties through in situ test resultsGéotechnique
OAAI
GéotechniqueIF0
OAAI分享收藏
查看更多内容