Feasibility of Stochastic Gradient Boosting Approach for Evaluating Seismic Liquefaction Potential Based on SPT and CPT Case Histories
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Earthquakes have always attracted civil and geotechnical engineers’ attention, especially when it comes to the liquefaction potential of soil. This paper investigates the feasibility of classifier based on stochastic gradient boosting (SGB) to explore the liquefaction potential from actual cone penetration test (CPT) and standard penetration test (SPT) field data. SGB is composed of many classification and regression trees which meet the mechanism of ensemble learning and show strong predictive power compared with conventional statistical learning models in several engineering applications. The binary classifier was built by the database gathered from CPT and SPT filed data for predicting the non-liquefaction or liquefaction of soil, the SGB hyperparameters are optimized by grid search method with tenfolds cross validation methods. Three performance metric, namely Cohen’s Kappa coefficient, classification accuracy rate and receiver operating characteristic curve, are used to evaluate the predictive performance of SGB approaches. With CPT and SPT test sets, highest classification accuracy rate of 88.62% and 95.45%, respectively, are achieved with SGB. It is confirmed that the SGB can be applied to characterize the complex relationship between the liquefaction potential and different soil and seismic parameters with great efficiency. Further, relative importance of influencing variables for each model are investigated and demonstrated that the SGB predictor is more sensitive to the indicators of initial soil friction angle for SPT data whereas cone tip resistance for CPT data.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle