.png){kind=icon}
返回
Machine learning for soil parameter inversion enhanced with Bayesian optimization
.png){kind=icon}
PRE
AI
DOI：10.1631/jzus.A2400568.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
机器学习（ML）在土壤沉降预测方面具有巨大潜力，但确定机器学习模型的超参数往往复杂且耗时。因此，我们采用贝叶斯优化来确定最优超参数组合，以提高机器学习模型在土壤参数反演中的有效性。机器学习模型使用在ABAQUS软件中利用修正剑桥模型（MCC）生成的数值模拟数据进行训练，并通过来自机场跑道的地面沉降监测数据评估其性能。五种优化后的机器学习模型——决策树（DT）、随机森林（RF）、支持向量回归（SVR）、深度神经网络（DNN）和一维卷积神经网络（1D-CNN）——在土壤参数反演和沉降预测的准确性方面进行了比较。结果表明，贝叶斯优化能够高效利用先验知识识别最优超参数，显著提升模型性能。在评估的模型中，1D-CNN在土壤参数反演方面达到了最高精度，其沉降预测结果与实际监测数据高度吻合。这些发现证明了所提出方法在土壤参数反演和沉降预测中的有效性，并揭示了贝叶斯优化如何优化模型选择过程。
期刊
J
IF:
3.9
论文数:
127
被引数:
0
机构
引用论文
Simultaneous slope design optimisation and stability assessment using a genetic algorithm and a fully automatic image-based analysis使用遗传算法和基于图像的全自动分析同时进行边坡设计优化和稳定性评估
PREAI
分享收藏Hybrid ensemble paradigms for estimating tunnel boring machine penetration rate for the 10-km long Bahce-Nurdagi twin tunnels混合集成范式在10公里长的Bahce-Nurdagi双线隧道掘进机贯入率估计中的应用
PREAI
分享收藏Time series clustering-enabled geological condition perception in tunnel boring machine excavation基于时间序列聚类的隧道掘进机掘进地质条件感知
PREAI
分享收藏Soil parameter inversion modeling using deep learning algorithms and its application to settlement prediction: a comparative study基于深度学习算法的土壤参数反演建模及其在沉降预测中的应用: 一项比较研究.png)
ACTA GEOTECHNICA
ACTA GEOTECHNICAIF5.7
PREAI
分享收藏A framework for estimating the matric suction in unsaturated soils using multiple artificial intelligence techniques使用多种人工智能技术估算非饱和土基质吸力的框架
OAAI
OAAI分享收藏
查看更多内容