A hybrid deep learning-Bayesian optimization model for enhanced slope stability classification
Notice bibliographique
Résumé
The process of classifying slopes according to their resistance to failure is important in the geotechnical engineering field for ensuring the safety of infrastructure and human life. This research aims to develop a novel Deep Learning-Bayesian Optimization (DL-BO) model for slope stability classification by determining the best model’s hyperparameters. The study focuses on utilizing a Recurrent Neural Network (RNN), Long Short-Term Memory (LSTM), Bidirectional LSTM (Bi-LSTM), and attention mechanism-enhanced LSTM (Attention-LSTM). In addition, this study applies a Bayesian optimization technique for hyperparameters by using a Gaussian Process (GP) with Expected Improvement (EI) acquisition function to create the non-expensive surrogate model. The data used in the study (Appendix A) consisted of 575 real-life slope samples. The dataset was split into 85:15 training and testing sets, respectively. Five-stratified k-fold cross-validation was used to validate the DL-BO models. The dataset consisted of soil and slope characteristics, including unit weight kN/m 3 , cohesion (kPa), angle of internal friction (degrees), pore water pressure ratio, slope height (m), and slope angle (degrees). Widely used statistical metrics in the research literature were applied to evaluate the DL-BO models, including accuracy, precision, recall, specificity, F1-score , and Area Under the ROC Curve (AUC). RNN-BO and LSTM-BO achieved significant model accuracy, reaching 81.6% and 85.1%, and AUC reaching 89.3% and 89.8%, respectively. While Bi-LSTM-BO enhanced the LSTM model, reaching an accuracy of 87.4% and an AUC of 95.1%, Attention-LSTM-BO arrived at an accuracy of 86.2% and an AUC of 89.6%. The rest of the outcomes are presented in the results and discussion section.
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 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».