L'apprendimento approfondito ha rivoluzionato molti campi, tra cui l'ingegneria geotecnica. Una delle sue applicazioni più promettenti è quella di stimare le proprietà del suolo, che sono fondamentali per progetti di costruzione sicuri ed efficienti. I metodi tradizionali spesso comportano un ampio campionamento e test di laboratorio, che possono essere di lunga durata e costosi.

Importanza della stima della proprietà del suolo in ingegneria geotecnica

Le proprietà del suolo, come la resistenza allo spargimento, la permeabilità, la comprimabilità e le caratteristiche di compattazione influenzano direttamente la progettazione e la stabilità a lungo termine delle fondazioni, delle piste, delle pareti di contenimento e dei lavori di terra.

Acquisizione e preparazione dei dati per i modelli di apprendimento approfondito

Il successo di qualsiasi applicazione di apprendimento profondo cerniere sulla qualità, il volume e la diversità dei dati di formazione.

  • In situ risultati di test:[] Soffio SPT, resistenza al cono CPT, misurazioni della pressione del poro e velocità dell'onda della luce proveniente da sondaggi geofisici.
  • Parametri di prova di laboratorio:[ Limiti di Atterberg, distribuzione granulosa, contenuto di umidità, densità, resistenza alla compressione non confusa e risultati triassiali consolidati.
  • Rimozione dei dati di rilevamento e geospaziali:[ modelli di elevazione LiDAR, immagini satellitari multispettrali e profili radar a terra-penetrating.
  • Cartine geologiche e registri delle buche:[ Descrizioni stratigrafiche, livelli osservati delle acque sotterranee e record storici del sito.

La preparazione dei dati richiede un'attenta gestione dei valori mancanti, del rilevamento dei valori di outlier, della normalizzazione e dell'ingegneria delle caratteristiche. Ad esempio, i valori di SPT N grezzi possono essere corretti per la pressione eccessiva e l'efficienza energetica dell'asta prima di essere utilizzati come input.

Datasets pubblico e propritario

Diversi repository di accesso aperto forniscono dati di test del suolo per la ricerca, tra cui il USGS Geochimico e Geospaziale Data] repository e il Geoengineer.org database di proprietà del suolo. Molte aziende di consulenza inoltre mantengono archivi proprietari di migliaia di boreholes che possono essere utilizzati per formare i dati specifici del sito

Architettura di apprendimento profondo per la stima della proprietà del suolo

I modelli di apprendimento approfondito imparano automaticamente le caratteristiche gerarchiche da input grezzi o ingegnerizzati. La scelta dell'architettura dipende dalla natura dei dati di input e dalla proprietà di destinazione. Di seguito sono le tre famiglie più comunemente impiegate di modelli in applicazioni geotecniche.

Reti neurali convoluzionali (CNN)

I CNNsuch sono progettati per elaborare dati simili a griglia come immagini o array 2D. In ingegneria geotecnica, le CNN sono state applicate per classificare i tipi di suolo dalle immagini a sezione trasversale, predire la forza di taglio non disegnata dalle immagini del profilo CPTu e mappare le proprietà del suolo da remoto sensibilizzare le immagini multispettive.

Reti neurali ricorrenti (RNN) e Memoria a breve termine (LSTM)

I RNNs eccelleno nella gestione dei dati sequenziali, rendendoli ideali per modellare le proprietà del suolo a profondità dipendente. Poiché i registri delle borehole e le scanalature CPT sono essenzialmente sequenze di misurazioni a profondità crescenti, le RNN possono catturare tendenze e autocorrezioni a profondità del suolo. Le reti LSTM, una variante di RNNs, riducono il problema di pendenza ottimale di scomparsa e possono imparare le dipendenze a lungo raggio.

Reti neurali (DNN) e Percettori multistrato (MLP)

Per i dati tabulari strutturati, come un insieme di proprietà indici da un campione di suolo, un DNN standard funziona bene. Questi modelli sono costituiti da uno strato di input, strati più nascosti con funzioni di attivazione non lineare (ReLU, tanh), e uno strato di uscita adatto per regressione o classificazione.

Architettura ibrida e avanzata

I metodi più recenti combinano architetture multiple. Ad esempio, una CNN può estrarre caratteristiche spaziali da un'immagine di un profilo del suolo, mentre un LSTM elabora la sequenza di profondità della resistenza alla penetrazione. I meccanismi di attenzione, ispirati al modello Transformer, sono sempre più utilizzati per le caratteristiche di input del peso adattativamente.

Formazione del modello, convalida e quantificazione di uncertezza

La formazione di un modello di apprendimento profondo per la stima della proprietà del suolo comporta diversi passi critici oltre a ridurre semplicemente la perdita sui dati di formazione.

Perdita funzioni e valutazione metriche

Per le operazioni di regressione, l'errore quadratico medio (MSE) o l'errore assoluto medio (MAE) sono funzioni di perdita comuni. Poiché le proprietà del suolo possono variare su diversi ordini di grandezza, obiettivi trasformati o metriche di errore relative (ad esempio, errore percentuale assoluta, MAPE) sono spesso preferiti.

Correlazione di cross-Validation e Spaziale

I dati geotecnici sono intrinsecamente correlati allo spazio. Le divisioni di test casuali possono portare a prestazioni eccessivamente ottimali perché i boreholes vicini condividono proprietà simili. La valutazione trasversale spaziale, dove i dati sono suddivisi per cluster geografici o per intervalli di profondità, fornisce una stima più realistica della generalizzazione del modello.

Tuning e regolarizzazione dell'iperparametro

La scelta del numero ottimale di strati, neuroni, tasso di apprendimento, dimensione del lotto e funzione di attivazione può essere automatizzata con la ricerca della griglia, la ricerca casuale o l'ottimizzazione Bayesiana. L'arresto precoce basato sulla perdita di convalida impedisce l'eccessiva configurazione. L'aumento dei dati, come detto, può aumentare artificialmente la dimensione del set di dati.

Studi di casi e applicazioni pratiche

Diversi progetti del mondo reale hanno dimostrato l'efficacia dell'apprendimento profondo per la stima della proprietà del suolo.

Predizione della resistenza al taglio non disegnata in argille morbide

Un importante progetto di infrastruttura nel sud-est asiatico ha richiesto la caratterizzazione di un deposito di argilla spessa per il disegno del tunnel. Il campionamento tradizionale ha dato solo 40 punti di dati attraverso un allineamento di 2 km. Una rete neurale profonda di alimentazione verso l'esterno è stata addestrata su 300 boreholes storici da formazioni geologiche simili nella regione, utilizzando i boli SPT N-valori, il contenuto di umidità, il limite liquido e la profondità come input.

Soil Liquefaction Potenziale mappatura utilizzando CNNs

Gli ingegneri in California hanno utilizzato una CNN per elaborare i dati CPTu per stimare il potenziale di liquefazione. L'ingresso era una griglia 2D di resistenza al cono e rapporto di attrito sopra la profondità, e l'uscita era una classificazione binaria di liquefazione ad ogni profondità. Il modello è stato addestrato sui dati del terremoto di Loma Prieta del 1989 e convalidato sull'evento Northridge 1994.

Stima della conducibilità idraulica dai registri litologici

In uno studio di modellazione delle acque sotterranee, una rete LSTM è stata addestrata su sequenze di profondità di descrizioni litologiche (conosciute come variabili categoriche) e ha misurato la conducibilità idraulica da prove di confezionamento. Il modello ha predetto con successo profili di conducibilità per centinaia di boreholes non smaltati su un aquifero di 50 km2, riducendo il costo di ulteriori test di pompa di oltre il 60%.

Sfide e limitazioni

Nonostante la sua promessa, l'apprendimento profondo nell'ingegneria geotecnica affronta diversi ostacoli che devono essere riconosciuti.

Qualità e quantità dei dati

Molti dataset geotecnici sono piccoli, rumorosi o incompleti. I registri di Borehole spesso mancano di parametri chiave e i test di laboratorio possono avere errori sistematici. I modelli di apprendimento profondo richiedono grandi quantità di dati di alta qualità per generalizzare; con dati insufficienti, possono sovrapporre o produrre previsioni inaffidabili al di fuori del campo di formazione.

Modello Interpretibilità

Gli ingegneri e i regolatori devono capire perché un modello fa una predizione particolare. I modelli di apprendimento profondo sono spesso considerati scatole nere. Tecniche come SHAP (Spiegazioni additive di Shapley) e LIME (Spiegazioni locali interpretabili modello-agnostiche) possono fornire importanza caratteristica, ma non sempre catturano relazioni fisiche causali.

Variabilità Spaziale e Maiuscole Dominiale

Un modello formato su dati provenienti da una regione può svolgere scarsamente in un ambiente geologico diverso a causa di cambiamenti nella genesi del suolo, mineralogia e storia dello stress. Gli ingegneri devono valutare attentamente se la distribuzione dei dati di formazione corrisponde al sito di prova. Tecniche come l'adattamento del dominio tramite la formazione avversaria o l'utilizzo di reti neurali Bayesian per quantificare l'incertezza epistemica possono aiutare a identificare quando le previsioni sono inaffidabili.

Integrazione con i flussi di lavoro tradizionali

La maggior parte delle aziende ingegneristiche si affida ancora a metodi deterministici o semi-empirici per la stima della proprietà del suolo. La transizione all'apprendimento profondo richiede non solo investimenti software e hardware, ma anche un cambiamento culturale in come le indagini geotecniche sono pianificate e eseguite.

Direttive e bisogni di ricerca futuri

Il campo si sta rapidamente evolvendo, con diverse indicazioni promettenti all'orizzonte.

Multi-Fidelity e Fusione dati

Combinando dati di laboratorio di alta qualità con misurazioni in situ dense e di qualità inferiore, è possibile migliorare l'accuratezza del modello riducendo i costi. I processi di rete gaussiana multi-fidelity e gli ensemble di rete neurali che imparano la discrepanza tra le fonti di dati vengono esplorati.

Reti neurali informatiche (PINN)

PINNs ha incorporato le leggi fisiche (ad esempio, la legge di Darcy per il flusso delle acque sotterranee, l'equazione di consolidamento di Terzaghi) direttamente nella funzione di perdita. Ciò assicura che le previsioni soddisfano le equazioni governative note, migliorando le capacità di estrapolazione e fornendo risultati fisicamente coerenti.

Real Time Caratterizzazione del sito

Con l'aumento di perforazioni automatizzate e di alimentazione dei sensori in tempo reale, i modelli di apprendimento profondo potrebbero fornire stime istantanee della proprietà del suolo durante l'indagine sul sito. Un modello addestrato su progetti passati potrebbe aggiornare le previsioni come nuovi dati arrivano, permettendo agli ingegneri di adattare il piano di campionamento in volo.

Robustezza nelle condizioni avversarie

Gli errori di misura e di avanzamento possono degradare le prestazioni del modello. La formazione avversaria, dove il modello è esposto a input intenzionalmente corrotti durante la formazione, può rendere il modello più robusto. Inoltre, i metodi di ensemble che prevedono la media di modelli multipli riducono la varianza e migliorano l'affidabilità.

Conclusioni

I metodi basati sull'apprendimento approfondito mantengono una grande promessa per trasformare la stima della proprietà del suolo in ingegneria geotecnica. Con l'attivazione di valutazioni più rapide, accurate e convenienti, queste tecniche possono migliorare la sicurezza e l'efficienza dei progetti di costruzione in tutto il mondo. L'integrazione di architetture di modello avanzato, la corretta gestione dei dati e la quantificazione dell'incertezza ha spostato questi metodi dalla curiosità accademica agli strumenti pratici in progetti selezionati.