利用动态贯入试验数据预测砾石土的地震液化潜力

《Scientific Reports》：Predicting seismic-induced liquefaction potential of gravelly soils using dynamic penetration case histories

　　

摘要

正如全球众多环境灾难所显示的那样，许多地区都遭受了地震引起的液化现象，导致了巨大的经济损失。因此，迫切需要可靠的预测方法来评估液化的脆弱性。在这项研究中，利用现有的地震学参数（M_w、R、t、PGA）、土壤参数（G、F、D₅₀）以及场地参数（N’₁₂₀、σ’_v、Dw、H_n、D_n），通过基于人工智能的符号回归技术（即响应面法（RSM）、遗传编程（GP）、进化多项式回归（EPR）和群组方法数据神经网络（GMDH-NN）来预测砾石土壤地区的液化潜力（LP）。共收集了234条来自文献中的地震案例数据记录，其中80%用于训练，20%用于验证。RSM被用来建立数据库模型，而GP、EPR和GMDH-NN则用于研究区域的液化潜力分类。模型性能的比较评估表明，RSM得到了一个统计上显著的参数化LP方程，其变异度为0.61，p值为0.0001。对于分类模型，GP、EPR和GMDH认为当预测的LP≥0.5时会发生液化，而当LP<0.5时则不会发生液化。所有误分类案例被分为两类：正误差（即实际发生了液化但未被预测到）和负误差（即预测到了液化但实际并未发生液化），其中负误差更为保守。在实践中，负误差并不完全具有决定性，因为液化可能在表层以下局部发生而不会显现出来。尽管这四种预测模型的准确率都在88%到90%之间，但进一步分析显示，GP模型产生了12%的正误差，而EPR和GMDH模型仅产生了6%的正误差，表明它们比GP模型更为保守和安全。此外，GMDH模型比EPR模型复杂得多，这为EPR提供了显著的实际优势。相关性分析进一步表明，垂直有效覆土应力（σ’_v）和动态贯入试验击数（N’₁₂₀）是最具影响力的参数，它们的相关系数均大于0.3。