Feasibility of Stochastic Gradient Boosting Approach for Evaluating Seismic Liquefaction Potential Based on SPT and CPT Case Histories
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».