למידה עמוקה מהפכה בתחומים רבים, כולל הנדסה גיאוטכנית.אחד היישומים המבטיחים ביותר שלה הוא במגום נכסים הקרקע, אשר הם קריטיים לפרויקטים בנייה בטוחה ויעילה.שיטות מסורתיות כרוכות לעתים קרובות בבדיקה מקיפה של הדגימה ומעבדה, אשר יכול להיות זמן-consuming ו יקר. Deep Learning מציעה חלופה מהירה יותר ומדויקת יותר על ידי ניתוח נתונים גדולים כדי לחזות התנהגות גיאומטרית עבור מהנדסים בעלי אופי אסטרטגי לטכניקות מתקדמות של למידה, אשר משקף את הפחתת דרישות למידה גבוהה של שיטות למידה.

חשיבותה של אסטיגמציה של Soil בהנדסת גיאוטכני

תכונות Soil כגון כוח Shear, יכולת, דחיסות, ומאפיינים קומפקטיים להשפיע ישירות על העיצוב ויציבות ארוכת טווח של יסודות, מדרונות, שמירה על קירות, ועבודות אדמה. Accurate estimation של תכונות אלה מאפשר מהנדסים למנוע כישלונות, להפחית עלויות עיצוב יתר, ואופטימיזציה של טכניקות בנייה לא-לינאריות - כולל בדיקות סטנדרטיות (SPT), בדיקות conaPT (C), חיזוי חד-חמצני), חיזוי משמעותי (C), ובדיקה של פרופיל חד-מסוגרטיבית-ממדית, כלומר, דורשות-מסוגלספקטיבית של נתונים רחב-ממדית, כלומר, בדיקות אבטחה, כולל בדיקות אבטחה, כלומר, כלומר, כלומר, בדיקות אבטחה, במדד עמוק.

רכישת נתונים וההכנות למודלי למידה עמוקה

ההצלחה של כל יישום למידה עמוק hing על איכות, נפח, ומגוון של נתוני האימון.בהנדסת גיאוטכני, מקורות נתונים כוללים בדרך כלל:

  • תוצאות בדיקת ה-FLT:0 (ב-bu test: FLT:1 ,CPT cone Resistance, מדידת לחץ , ומהירות הגל של סקרים גיאופיזיקה.
  • (FLT:0) פרמטרים של מבחן העבודה:FLT:1 גבולות Atterberg, התפלגות גודל דגנים, תוכן לחות, צפיפות, כוח דחוס ללא ספק, והקימו תוצאות משולשות בלתי מובנות.
  • (FLT:0)Remote sensing and Geospatial data:FLT:1 LiDAR גובה מודלים, תמונות לוויין רב-ספקטרום, ופרופילי מכ"ם מקיפים את הקרקע.
  • (FLT:0) מפות גיאולוגיות וגלימות של:ראהFLT:1 תיאורים סטריפיים, נצפו רמות מים קרקעיים, ורשומות אתר היסטורי.

הכנת נתונים דורשת טיפול זהיר של ערכים חסרים, גילוי יוצא דופן, נורמליזציה והנדסת תכונה.לדוגמה, ערכי SPT N-value עשויים להיות מתוקנים עבור לחץ יתר ויעילות אנרגיה מוטה לפני השימוש כמו קלטות. התנגשויות ספטליות (מזרח, צפון, גובה) כלולים לעתים קרובות כמו תכונות נוספות כדי לאפשר את המודל ללמוד דפוסים תלויי נתונים סינטטיים מחולקים לאימון, אימות, בדיקות סטרלינג או ירידה של פרופילים כגון תכונות של חומרת-קודות, כדי לשפר את האטה.

נתונים ציבוריים ומפיצים

מספר שרידים פתוחים מספקים נתונים לבדיקת הקרקע למחקר, כולל ה-FLT:0USGS Geochemical ו Geospatial DatahilFLT:1 ו-FLT:2Geoengineer.org מאגרי הקרקע של מאגרי אדמה 3 (חברות ייעוץ רבות גם לשמור על ארכיונים קנייניים של אלפי נבגורות שניתן להשתמש בהם כדי להכשיר מודלים ספציפיים, כאשר משתמשים במהנדסים ספציפיים לנתוני הקרקע כדי לאמת את תנאי ניתוח הנתונים האזוריים שלהם.

אדריכלות למידה עמוקה עבור Soil Assetsation

מודלים למידה עמוקה לומדים באופן אוטומטי תכונות היררכיות של קלטות גלם או ממונדסים.בחירה של אדריכלות תלויה בטבע נתוני הקלט ונכס היעד. להלן הם שלושת המשפחות המועסקות ביותר של מודלים ביישומים גיאוטכניים.

רשתות ערפיליות מהפכתיות (CNN)

CNN נועדו לעבד נתונים דמויי רשת כגון תמונות או 2D מערךs. בהנדסת גיאוטכני, CNN כבר הוחלו כדי לסווג סוגי קרקע מתמונות חצו-סעיף, לחזות כוח הרהר בלתי-מרוסן מתמונות פרופיל CPTu, ותכונות אדמה מתבנית שטחית מרחוק כגון חישה מרחוק של CNN sensing Multispectral Imagery. A ארכיטקטורת אדמה טיפוסית כוללת שכבות של אבולוציה עקב מאגר מחובר ומחוברת באופן מלא ל- לדוגמה, לדוגמה, לדוגמה, כלומר, כלומר, כלומר, כלומר, כלומר, 2D2, 000 תכונות התנהגותיות יעילות של CNN.

Recurrent Neural Networks (RNNs) וזיכרון לטווח קצר ארוך (LSTM)

RNNs מצטיין בטיפול בנתונים של היתכנות, מה שהופך אותם אידיאליים עבור מודלים של תכונות קרקע תלויות עומק.מאז יומני נביעה וצלילי CPT הם בעצם רצפים של מדידות במהירויות גדלות, RNNs יכול ללכוד מגמות חכמות עומק ודחיסות אוטומטי. LSTM, גרסה של RNs, להפחית את רצף להיעלם בעיות יכול ללמוד לטווח ארוך יש חומרים ממטרוניים של קומפקטיים (מקסימום) לנבאת 10 קומפקטיות קומפקטיות (p) קומפקטיות) קומפקטיות קומפקטיות קומפקטיות קומפקטיות (מקסימום של קומפקטיות) קומפקטיות (מקסימום של קומפקטיות) קומפקטיות קומפקטיות) קומפקטיות קומפקטיות של קומפקטיות קומפקטיות של קומפקטיות קומפקטיות קומפקטיות קומפקטיות של קומפקטיות קומפקטיות קומפקטיות (מקסימום של קומפקטיות קומפקטיות קומפקטיות קומפקטיות קומפקטיות קומפקטיות קומפקטיות (מקסימום של קומפקטיות 15 קומפקטיות קומפקטיות) קומפקטיות קומפקטיות קומפקטיות קומפקטיות קומפקטיות קומפקטיות קומפקטיות) קומפקטיות קומפקטיות קומפקטיות קומפקטיות

רשתות Neural (DNNs) ו- Multilayer Perceptrons (MLPs)

עבור נתונים לשוניים מובנים - כגון קבוצה של תכונות אינדקס מדגימה אדמה - DNN סטנדרטי פועל היטב.מודלים אלה מורכבים שכבת קלט, שכבות מוסתרות מרובות עם פונקציות הפעלה לא לינאריות (ReLU, tanh), ו שכבת פלט המתאימה לחזרה או סיווג. DNNs יכול להיות קרוב כל פונקציה רציפה בהתחשב מספיק ושכבות.

אדריכלות היברידית ומתקדמים

גישות עדכניות יותר משלבות ארכיטקטורות מרובות.לדוגמה, CNN יכול לחלץ תכונות מרחביות מתמונה של פרופיל אדמה, בעוד LSTM מעבד את רצף העומק של מנגנוני מיקוד.תשומת לב, בהשראת מודל Transformer, משמשים יותר ויותר לתכונות קלט משקל שגרתיות באופן הסתגלותי. AFLT:0transformer מבוסס מודלFLT:1), אשר מאומן על נתונים רב-סוליים הראו ביצועים מצב של חומרים לא-מסוגים באופן קבוע, אשר תמיד דורש משאבים חישוביים שונים, אך ורק על פני צורות נתונים דחוסים, אך ורקמות, אך לא ניתן לצפות, אך ורקמות, אך ורקמות, אך ורקמות, אך ורקמות, אשר תמיד, אך ורק על פני מודלים שונים של נתונים שונים, אך ורקמות, אך ורקמותיים, אך ורקמות, אך ורקמותיים, עם זאת, אך ורקמות, עם זאת, אך ורקמות, עם זאת, עם זאת, אשר תמיד, עם זאת, ייתכן, עם זאת, עם זאת, עם זאת, עם זאת, ייתכן שלעתים קרובות, עם זאת, עם זאת, ייתכן שלעתים קרובות, לא ניתן לצפות, ייתכן שלעתים קרובות, תכונות אלה, תכונות בלתי-מסוגים, תכונות בלתי-מסוגים, עם זאת, עם

מודל אימון, אימות ותיקון בלתי-וודאות

אימון מודל למידה עמוק עבור estimation נכס הקרקע כרוך כמה שלבים קריטיים מעבר פשוט צמצום אובדן על נתוני אימון.

אובדן פונקציות והערכה

עבור משימות רגרסיה, שגיאות מרובעות (MSE) או משמעות שגיאה מוחלטת (MAE) הם פונקציות אובדן נפוצות. כי תכונות הקרקע יכולות להשתנות על פני כמה פקודות של גודל, מטרות מבוזרות או מדדי שגיאה יחסיים (למשל, טעות אחוז מוחלט, MAPE) הם לעתים קרובות מועדפים. עבור משימות סיווג (למשל, סוג זיהוי אדמה), הערכה חוצה-צדדית קטגוריתיתיתית היא סטנדרטית של מדד סטנדרטי (RI) להשוואה לאינדקס (RIC) ו-R.

Cross-Validation and Spatial Correlation

נתונים גיאוטכניים הם מתואמת מרחבית.חלקים אקראיים של רכבות יכולים להוביל ביצועים overoptimistic כי כי נמטוצות סמוכים לחלוק תכונות דומות. validation חוצה גבולות - שבו נתונים מחולקים על ידי אשכולות גיאוגרפיים או על ידי מרווחי עומק - מספק הערכה מציאותית יותר של כללי מודל.לדוגמה, צלב כפול באמצעות בלוקים מרחביים (למשל, 500 mD) על ידי תאים אמיתיים.

Hyperparameter Tuning and Regularization

בחירת מספר אופטימלי של שכבות, נוירונים, שיעור למידה, גודל אצווה, ותפקוד ההפעלה יכול להיות אוטומטי באמצעות חיפוש רשת, חיפוש אקראי או אופטימיזציה Bayesian. מוקדם עצירה המבוססת על אובדן אימות מונע שיפור נתונים יתר, כפי שהוזכר, יכול להגדיל באופן מלאכותי את גודל ההתחלה של נתונים. עבור נתונים קטנים (תשובה מ -500 דגימות), העברה ממודל מראש על מסד נתונים גדול (אם ניתן להשיג).

מחקרים ויישומים מעשיים

כמה פרויקטים בעולם האמיתי הוכיחו את יעילות הלמידה העמוקה עבור הערכת רכוש הקרקע.

חיזוי כוח שר בלתי-מושר ב Soft Clays

פרויקט תשתיות גדול בדרום מזרח אסיה דרש אפיון של הפקדה חימר עבה עבור עיצוב מנהרה. דגימה מסורתית נתן רק 40 נקודות נתונים על פני 2 ק"מ היערכות עמוקה רשת עצבית מאומנת על 300 נחורות היסטוריים של היווצרות גיאולוגי דומה באזור, באמצעות SPT N-values, לחות, הגבלת נוזלים ועומק כמו קלטות.

Soil Liquefaction פוטנציאלי Mapping Using CNN

מהנדסים בקליפורניה השתמשו ב-CNN כדי לעבד נתונים של CPTu עבור פוטנציאל סיקור .הקלט היה רשת 2D של התנגדות cone ויחס חיכוך על פני עומק, והפלט היה סיווג ליקופצי בינארי בכל עומק.המודל היה מאומן על נתונים מ- 1989 Loma Prieta רעידת אדמה ואומת על אירוע צפון רכס CNN שהושג, אופטימיזציה של שיטות לחץ קונבנציונליות על ידי מודל זה, אשר דורשות של 7 נקודות כוח עבודה מורכבות.

אסטיגמציה של מוליתולוגיות Logs

במחקר של מי קרקעיים, רשת LSTM הוכשרה על רצפי עומק של תיאורים ליתולוגיים (הקודד כמשתנה קטגורי) ומדידה של התנהגות הידראולית מבדיקות חפיפות.המודל חז בהצלחה פרופילים מוליכות עבור מאות של נמטוצות לא מזוהות על פני 50 ק"מ aquifer, צמצום העלות של בדיקות משאבה נוספות על ידי יותר מ -60%.

אתגרים ומגבלות

למרות הבטחתו, למידה עמוקה בהנדסה גיאוטכנית ניצבת בפני כמה מהמכשולים שיש להכיר בהם.

איכות נתונים וזמינות

נתונים גיאוטכניים רבים הם קטנים, רועשים או לא שלמים. בורוב לא חסרים פרמטרים מרכזיים, ובדיקות מעבדה עשויים להיות שגיאות שיטתיות.מודלים למידה עמוקה דורשים כמויות גדולות של נתונים איכותיים להכללה; עם נתונים לא מספיקים, הם יכולים להתאים יתר או לייצר תחזיות לא אמינות מחוץ לתחום ההכשרה. Collaborative Data Sharing יוזמות (למשל, מסדי נתונים בתעשייה) יכולות להקטין את זה, אך עדיין נתונים קנייניים ולהישאר סטנדרטיים של נתונים סטנדרטיים.

מודל Interpretability

מהנדסים ורגולטורים צריכים להבין מדוע מודל הופך חיזוי מסוים.מודלים למידה עמוקה נחשבים לעתים קרובות קופסאות שחורות.טכניקות כגון SHAP (הסברים של תוספת שפלי) ו-LIME (הסברים המילוניים המילוניים של המודל) יכולים לספק חשיבות כוללת, אך הם לא תמיד תופסים יחסים סיבתיים פיזיים.פיתוח מודלים מפרשים מטבעיים או מטביעים מגבלות על פיסיקה (למשל, הבטחת חוזקה פעילה) היא בעלת עוצמה.

שינוי דומיין ומשתנים ספאריים

מודל המוכשר על נתונים מאזור אחד עשוי להופיע בצורה גרועה בסביבה גיאולוגית שונה בשל שינויים בגנים אדמה, מינרלים והיסטוריית מתח. מהנדסים חייבים להעריך בזהירות אם הפצת הנתונים של הכשרה מתאימה לאתר הבדיקה.טכניקות כמו הסתגלות דומיין באמצעות אימון אלגוריתמי או שימוש ברשתות עצביות Bayesian כדי לכמת אי ודאות אפיסטמית יכול לעזור לזהות כאשר תחזיות הן בלתי אמינות.

שילוב עם זרמי עבודה מסורתיים

רוב חברות ההנדסה עדיין מסתמכות על שיטות חקוניות או חצי-תיאוריות להתאמה לנכסים קרקעיים.מעבר ללמידה עמוקה דורש לא רק תוכנה והשקעות חומרה אלא גם שינוי תרבותי בנוגע לתכניות של חקירות גיאו-טכניות, והן מבוצעות. פרויקטים של טייסים המשווים תחזיות למידה עמוקות עם תוצאות בדיקה מסורתיות יכולים לבנות אמון.

דרישות מחקר ודרכים לעתיד

התחום מתפתח במהירות, עם כמה כיוונים מבטיחים באופק.

Multi-Fidelity ו-Data Fusion

שילוב של נתונים במעבדה דליקים, באיכות גבוהה עם דחיסות צפופה, באיכות נמוכה יותר במדידות situ יכול לשפר דיוק מודל תוך צמצום עלויות. Multi-fidelity Gaussian תהליכים ורכבי רשת עצביים הלומדים את הפער בין מקורות נתונים נחקרים. לדוגמה, באמצעות נתוני CPT כדי לחזות סוג התנהגות ולאחר מכן לחטט מודל נאמנות גבוהה עם כמה בדיקות משולשות מניבות רק יותר מאשר הערכות מקור טוב יותר מאשר על ידי CPT.

רשתות ערפיליות מתקדמות (PINNs)

PINNs להטביע חוקים פיזיים (למשל, חוק דארסי לזרימת מים קרקעיים, משוואה ההנצחה של טרזהגי) ישירות לתוך תפקוד האובדן.זה מבטיח כי תחזיות מספקות משוואות ממשלתיות ידועות, שיפור יכולות הפיזור ולספק תוצאות עקביות פיזית. יישומים מוקדמים בגיאו-טקניקים כוללים חיזוי עקומות ההתנחלויות וגורמי יציבות של בטיחות.

אתר אינטרנט אמיתי

עם עלייתם של השקיות קידוח אוטומטיות והזנת חיישן בזמן אמת, מודלים למידה עמוקה יכולים לספק הערכות רכוש קרקעיים מיידיות במהלך חקירת האתר. מודל מאומן על פרויקטים קודמים יכול לעדכן תחזיות כמידע חדש מגיע, המאפשר למהנדסים להתאים את תוכנית הדגימה על זבוב. Edge מחשוב על הקידוח עצמו יכול להפחית את הגמישות ואת צרכי העברת הנתונים.

רובוסטנס לתנאי עו"ד

שגיאות וטעויות מדידה יכולות לחדד את ביצועי המודל.אימון עו"ד, שבו המודל נחשף לקלטים מושחתים במכוון במהלך אימון, יכול להפוך את המודל חזק יותר.בנוסף, שיטות הרכב כי תחזיות ממוצעות ממודלים מרובים להפחית את השחלות ולשפר את האמינות.

מסקנה

שיטות מבוססות למידה עמוקות מבטיחות נהדרות להפוך את הערכת הקרקע להנדסה גיאוטכנית. על ידי מתן מהיר יותר, מדויק יותר, ועלויות-יעילות הערכות, טכניקות אלה יכולות לשפר את הבטיחות והיעילות של פרויקטים בנייה ברחבי העולם.שילוב של ארכיטקטורות מתקדמות, טיפול בנתונים נאותים, ואימות קוונטית הוביל את השיטות הללו מסקרנות אקדמית לכלים מעשיים בפרויקטים נבחרים.