Table of Contents

Глубокое обучение произвело революцию во многих областях, включая геотехническое проектирование. Одно из его наиболее перспективных применений заключается в оценке свойств почвы, которые имеют решающее значение для безопасных и эффективных строительных проектов. Традиционные методы часто включают обширный отбор проб и лабораторное тестирование, которое может быть трудоемким и дорогостоящим. Глубокое обучение предлагает более быструю и точную альтернативу, анализируя большие наборы данных для прогнозирования поведения почвы. Поскольку геотехнические инженеры сталкиваются с растущими требованиями к быстрой характеристике участка и оценке риска, интеграция методов глубокого обучения трансформирует то, как мы интерпретируем недра. Эта статья обеспечивает авторитетный, готовый к производству обзор текущего состояния оценки свойств почвы на основе глубокого обучения, охватывающий сбор данных, архитектуру моделей, протоколы обучения, стратегии проверки, практические тематические исследования и будущие проблемы.

Важность оценки почвенного имущества в геотехнической инженерии

Свойства почвы, такие как прочность сдвига, проницаемость, сжимаемость и характеристики уплотнения, непосредственно влияют на конструкцию и долгосрочную стабильность фундаментов, склонов, подпорных стен и земляных работ. Точная оценка этих свойств позволяет инженерам предотвращать сбои, снижать затраты на перепроектирование и оптимизировать последовательности строительства. Обычные методы, включая стандартные тесты на проникновение (SPT), тесты на проникновение конуса (CPT), тесты на сдвига лопастей и тесты на свойства лабораторных индексов, предоставляют точечные данные, которые требуют значительной экстраполяции. В гетерогенных профилях почвы эта интерполяция может вводить значительную неопределенность. Модели глубокого обучения решают это ограничение, используя пространственные корреляции и сложные нелинейные отношения между несколькими входными параметрами, предоставляя непрерывные прогнозы по сайту с количественными доверительными интервалами.

Приобретение данных и подготовка к моделям глубокого обучения

Успех любого приложения для глубокого обучения зависит от качества, объема и разнообразия данных обучения. В геотехнической инженерии источники данных обычно включают:

  • Результаты испытаний на месте: Количество ударов SPT, сопротивление конуса CPT, измерения давления пор и скорость сдвиговых волн из геофизических исследований.
  • Лабораторные параметры испытаний: Аттербергские пределы, распределение размера зерна, содержание влаги, плотность, неограниченная прочность на сжатие и консолидированные неосушенные триаксиальные результаты.
  • Дистанционное зондирование и геопространственные данные: Модели высоты LiDAR, многоспектральные спутниковые снимки и наземные радиолокационные профили.
  • Геологические карты и журналы скважин: Стратиграфические описания, наблюдаемые уровни грунтовых вод и исторические записи о местах.

Подготовка данных требует тщательной обработки отсутствующих значений, обнаружения выбросов, нормализации и разработки характеристик. Например, необработанные значения SPT N могут быть скорректированы для избыточного давления и энергоэффективности стержней перед использованием в качестве входных данных. Пространственные координаты (восток, север, возвышение) часто включаются в качестве дополнительных функций, позволяющих модели изучать зависящие от местоположения шаблоны. Практики обычно разделяют данные на учебные, валидирующие и тестирующие наборы с использованием стратифицированного отбора проб на основе типа почвы, чтобы избежать смещения. Методы увеличения данных, такие как добавление небольшого гауссовского шума к входным функциям или создание синтетических профилей скважины, могут повысить надежность модели, когда набор данных ограничен.

Публичные и частные наборы данных

Несколько открытых хранилищ предоставляют данные для исследований, включая хранилище геохимических и геопространственных данных USGS и базу данных свойств почвы Geoengineer.org. Многие консалтинговые фирмы также хранят собственные архивы тысяч скважин, которые могут использоваться для обучения моделей, специфичных для конкретного участка. При использовании общедоступных наборов данных инженеры должны проверить, что методы отбора проб и региональные условия соответствуют их домену проекта, чтобы избежать проблем с сдвигом домена.

Архитектура глубокого обучения для оценки почвенной собственности

Модели глубокого обучения автоматически изучают иерархические особенности на основе исходных или инженерных входов. Выбор архитектуры зависит от характера входных данных и целевого свойства. Ниже приведены три наиболее часто используемых семейства моделей в геотехнических приложениях.

Свёрточные нейронные сети (CNN)

CNNs предназначены для обработки данных, подобных сетке, таких как изображения или 2D-массивы. В геотехнической инженерии CNNs были применены для классификации типов почв из изображений поперечного сечения, прогнозирования прочности сдвига от изображений профиля CPTu и отображения свойств почвы из многоспектральных изображений дистанционного зондирования. Типичная архитектура CNN включает сверточные слои с последующим объединением и полностью связанными слоями. Например, исследование Zhang et al. (2020) использовало 2D CNN для прогнозирования гидравлической проводимости из журналов скважин, расположенных в формате псевдоизображения, достигая значений R2 выше 0,85 на наборах валидации. CNN особенно эффективны, когда пространственный контекст, такой как изменение слоев почвы с глубиной, имеет решающее значение.

Рекуррентные нейронные сети (RNN) и долговременная кратковременная память (LSTM)

RNN превосходят в обработке последовательных данных, что делает их идеальными для моделирования глубинозависимых свойств почвы. Поскольку скважинные журналы и CPT-звучания по существу являются последовательностями измерений на увеличивающихся глубинах, RNN могут захватывать тенденции глубины и автокорреляцию. Сети LSTM, вариант RNN, смягчают проблему исчезающего градиента и могут изучать зависимости на большие расстояния. Исследователи обучили LSTM прогнозировать параметры уплотнения почвы (максимальная сухая плотность и оптимальное содержание влаги) из глубинных последовательностей значений содержания влаги и плотности, превосходя традиционные модели регрессии на 10-15% в средней абсолютной ошибке.

Глубокие нейронные сети (DNN) и многослойные перцептроны (MLP)

Для структурированных табличных данных — таких как набор индексных свойств из образца почвы — хорошо работает стандартная DNN. Эти модели состоят из входного слоя, нескольких скрытых слоев с нелинейными функциями активации (ReLU, tanh) и выходного слоя, подходящего для регрессии или классификации. DNN могут аппроксимировать любую непрерывную функцию, при условии наличия достаточных нейронов и слоев. На практике инженеры часто используют DNN для прогнозирования параметров прочности сдвига от пределов Аттерберга, фракций размера зерна и естественного содержания влаги. Методы регуляризации, такие как отсев, нормализация партии и распад веса L2, необходимы для предотвращения переобучения, когда количество учебных образцов ограничено (часто несколько сотен).

Гибридная и продвинутая архитектура

Более поздние подходы объединяют несколько архитектур. Например, CNN может извлекать пространственные особенности из изображения профиля почвы, в то время как LSTM обрабатывает последовательность глубины сопротивления проникновению. Механизмы внимания, вдохновленные моделью Трансформера, все чаще используются для адаптивного взвешивания входных функций. Модель на основе трансформатора , обученная на многомасштабных данных скважины, показала современную производительность в прогнозировании неограниченной прочности на сжатие в разных типах почвы. Однако такие модели требуют значительных данных и вычислительных ресурсов, которые не всегда могут быть осуществимы в обычной практике.

Модель обучения, валидации и неопределенности количественной оценки

Обучение модели глубокого обучения для оценки свойств почвы включает в себя несколько важных шагов, помимо простого минимизации потерь данных обучения.

Функции потерь и метрики оценки

Для задач регрессии часто предпочтительны среднеквадратичные ошибки (MSE) или среднеабсолютные ошибки (MAE). Поскольку свойства почвы могут варьироваться в нескольких порядках величины, часто предпочтительны логарифмические цели или относительные метрики ошибок (например, средняя абсолютная процентная ошибка, MAPE). Для задач классификации (например, идентификация типа почвы) стандартна категориальная кросс-энтропия. Оценка показателей должна включать R2, индекс согласия (IA) и коэффициент эффективности Нэша-Сатклиффа (NSE) для сравнения производительности модели с исходным уровнем (например, средними наблюдениями). Крайне важно сообщать доверительные интервалы для прогнозов с использованием таких методов, как отсев Монте-Карло или методы ансамбля.

Перекрестная валидация и пространственная корреляция

Геотехнические данные по своей сути пространственно коррелируют. Случайные расщепления поезд-тест могут привести к сверхоптимистической производительности, поскольку близлежащие скважины имеют схожие свойства. Пространственная перекрестная валидация - где данные разделены географическими кластерами или интервалами глубины - обеспечивает более реалистичную оценку обобщения модели. Например, k-кратная перекрестная валидация с использованием пространственных блоков (например, 500 м на 500 м клеток) гарантирует, что модель тестируется на неиспытанных местах, имитируя реальную экстраполяцию.

Настройка гиперпараметров и регуляризация

Выбор оптимального количества слоев, нейронов, скорости обучения, размера партии и функции активации может быть автоматизирован с помощью сеточного поиска, случайного поиска или байесовской оптимизации. Ранняя остановка на основе потери валидации предотвращает переобучение. Увеличение данных, как уже упоминалось, может искусственно увеличить размер набора данных. Для небольших наборов данных (менее 500 образцов) может быть полезным передача обучения от модели, предварительно обученной на большой базе данных почвы (если таковая имеется).

Тематические исследования и практические применения

Несколько реальных проектов продемонстрировали эффективность глубокого обучения для оценки свойств почвы.

Прогнозирование неосушенной силы сдвига в мягких глинах

Крупный инфраструктурный проект в Юго-Восточной Азии требовал для проектирования тоннеля характеристику толстого глиняного месторождения. Традиционная выборка давала только 40 точек данных по выравниванию на 2 км. Глубокая форвардная нейронная сеть обучалась на 300 исторических скважинах из аналогичных геологических образований в регионе, используя в качестве входных данных значения SPT N, содержание влаги, предел жидкости и глубину. Модель предсказывала неосушенную прочность сдвига с интервалами 1 м вдоль выравнивания тоннеля с R2 0,91, направляя параметры проектирования и экономя месяцы дополнительных полевых испытаний. Результаты были подтверждены пятью новыми скважинами, подтверждая точность модели в пределах 12% от измеренных значений.

Потенциальное картирование сжижения почвы с помощью CNN

Инженеры в Калифорнии использовали CNN для обработки данных CPTu для оценки потенциала сжижения. Вводом была 2D-сеть сопротивления конуса и коэффициента трения на глубину, а выходом была бинарная классификация сжижения на каждой глубине. Модель обучалась на данных землетрясения Лома Приета 1989 года и проверена на событии Нортриджа 1994 года. CNN достиг 88% точности, превзойдя обычные методы на основе стресса на 7 процентных пунктов. Эта работа подчеркнула способность модели захватывать сложные взаимодействия между слоями почвы без необходимости трудоемких циклических прочных соотношений.

Оценка гидравлической проводимости из литологических журналов

В исследовании моделирования грунтовых вод сеть LSTM была обучена по последовательности глубин литологических описаний (закодированных как категориальные переменные) и измеренной гидравлической проводимости из испытаний упаковщиков. Модель успешно предсказала профили проводимости для сотен непробытых скважин через водоносный горизонт площадью 50 км2, что снизило стоимость дополнительных испытаний насоса более чем на 60%. Результаты были опубликованы в рецензируемом журнале и с тех пор были включены в региональную модель потока грунтовых вод.

Проблемы и ограничения

Несмотря на свои обещания, глубокое обучение в области геотехнической инженерии сталкивается с несколькими препятствиями, которые необходимо признать.

Качество и количество данных

Многие геотехнические наборы данных малы, шумны или неполны. В журналах скважин часто отсутствуют ключевые параметры, а лабораторные тесты могут иметь систематические ошибки. Модели глубокого обучения требуют больших объемов высококачественных данных для обобщения; при недостаточности данных они могут перестраивать или создавать ненадежные прогнозы за пределами области обучения. Инициативы совместного обмена данными (например, отраслевые базы данных) могут смягчить это, но проблемы запатентованных данных и стандартизации остаются.

Модель интерпретируемости

Инженеры и регуляторы должны понимать, почему модель делает конкретное предсказание. Модели глубокого обучения часто считаются черными ящиками. Такие методы, как SHAP (объяснения с добавлением Шепли) и LIME (локальные интерпретируемые объяснения модели-агностики) могут обеспечить важность признаков, но они не всегда захватывают физические причинные связи. Разработка интерпретируемых по своей сути моделей или встраивание физических ограничений (например, обеспечение того, чтобы прогнозируемая сила увеличивалась с глубиной) является активной областью исследований.

Сдвиг домена и пространственная изменчивость

Модель, обученная на данных из одного региона, может плохо работать в другой геологической обстановке из-за изменений в генезе почвы, минералогии и истории стресса. Инженеры должны тщательно оценить, соответствует ли распределение данных обучения испытательному полигону. Такие методы, как адаптация домена с помощью состязательного обучения или использование байесовских нейронных сетей для количественной оценки эпистемической неопределенности, могут помочь определить, когда прогнозы ненадежны.

Интеграция с традиционными рабочими процессами

Большинство инженерных фирм по-прежнему полагаются на детерминированные или полуэмпирические методы оценки свойств почвы. Переход к глубокому обучению требует не только инвестиций в программное и аппаратное обеспечение, но и культурного сдвига в том, как планируются и выполняются геотехнические исследования. Пилотные проекты, которые сравнивают прогнозы глубокого обучения с традиционными результатами испытаний, могут укрепить доверие. Американское общество инженеров-строителей (ASCE) Geo-Institute сформировало целевой комитет для разработки руководящих принципов для приложений ИИ в геотехнической инженерии, которые, вероятно, ускорят принятие.

Будущие направления и потребности в исследованиях

Поле быстро развивается, на горизонте есть несколько перспективных направлений.

Многоточность и слияние данных

Сочетание разреженных, высококачественных лабораторных данных с плотными, более низкими качественными измерениями на месте может повысить точность модели при одновременном снижении затрат. Исследуются многоточные гауссовые процессы и ансамбли нейронных сетей, которые узнают несоответствие между источниками данных. Например, использование данных CPT для прогнозирования типа поведения почвы, а затем калибровка модели высокой точности с помощью нескольких трехосных тестов дает лучшие оценки, чем один из источников.

Физика-информированные нейронные сети (PINN)

ПИНН встраивают физические законы (например, закон Дарси для потока грунтовых вод, уравнение консолидации Терзаги) непосредственно в функцию потерь. Это гарантирует, что прогнозы удовлетворяют известным управляющим уравнениям, улучшая возможности экстраполяции и обеспечивая физически последовательные результаты. Ранние применения в геотехнике включают прогнозирование кривых консолидации поселений и факторов устойчивости наклона безопасности.

Характеристика сайта в реальном времени

С появлением автоматизированных буровых установок и датчиков в реальном времени модели глубокого обучения могут обеспечить мгновенные оценки свойств почвы во время исследования участка. Модель, обученная прошлым проектам, может обновлять прогнозы по мере поступления новых данных, позволяя инженерам адаптировать план отбора проб на лету. Краевые вычисления на самой буровой установке могут уменьшить задержку и потребности в передаче данных.

Надежность в состязательных условиях

Выбросы и ошибки измерения могут ухудшить производительность модели. Соперническое обучение, при котором модель подвергается преднамеренно поврежденным входам во время обучения, может сделать модель более надежной. Кроме того, методы ансамбля, которые усредняют прогнозы от нескольких моделей, уменьшают дисперсию и повышают надежность.

Заключение

Методы глубокого обучения имеют большие перспективы для преобразования оценки свойств почвы в геотехнической инженерии. Благодаря более быстрой, более точной и экономически эффективной оценке эти методы могут повысить безопасность и эффективность строительных проектов во всем мире. Интеграция передовых архитектур моделей, надлежащая обработка данных и количественная оценка неопределенности переместили эти методы из академического любопытства в практические инструменты в отдельных проектах. Однако широкое внедрение потребует решения проблем в доступности данных, интерпретируемости моделей и адаптации домена. Продолжение исследований в сочетании со стандартизированным бенчмаркингом и инициативами открытых данных еще больше укрепит возможности и доверие к глубокому обучению для геотехнической практики. Инженеры, которые используют эти инструменты, сохраняя прочную основу в механике почвы, будут лучше всего позиционированы для предоставления инновационных, надежных решений для характеристики сайта.