Probabilistic evaluation of earthquake-induced liquefaction using Bayesian network based on a side-by-side SPT–CPT database
Notice bibliographique
Résumé
In situ tests such as standard penetration test (SPT) and cone penetration test (CPT) are often conducted to evaluate the probability of earthquake-induced liquefaction. However, the models adopted have seldom attempted to utilize SPT and CPT data simultaneously. In this study, a side-by-side SPT–CPT database at historical earthquake sites is established; then, a Bayesian network model is constructed to predict the probability of soil liquefaction based on this database, with which the SPT and CPT data are utilized simultaneously. Next, comparative studies are undertaken to illustrate the superiority of the Bayesian network-based probabilistic soil liquefaction model developed over other models, in terms of six SPT- and CPT-based conventional liquefaction models in the literature and two Bayesian network-based models. It should be noted that the liquefaction sites with two in situ tests are scarce and side-by-side SPT–CPT data can be incomplete, which leads to challenges in applying the Bayesian network model developed. To address this problem, correlations between SPT and CPT data are analyzed, and these correlations are further included in the Bayesian network model; as a result, a modified Bayesian network model is reached. Finally, the influence of the proportion of missing data in the incomplete SPT–CPT data on the liquefaction prediction accuracy is discussed.
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 | 0,003 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».