基于深度学习的地震液化势模型及液化判别指标优化

摘要

本文利用美国和中国等地区的标贯试验场地数据,基于深度学习算法建立了地震液化势模型,使用高斯白噪声方法模拟现有场地数据,并根据邻域粗糙集理论和熵值法对场地数据的液化判别指标进行了敏感性分析,形成了地震的液化判别的一个新思路.研究结果表明:深层神经网络算法具备较强的可塑性,自组织性和学习能力,可以在不考虑地震液化机理的情况下实现对液化势的高精度预测;使用高斯白噪声法可以实现对现有液化场地资料的补充,在保障深度学习模型训练数据集源的同时增强了模型的适用性;敏感性分析结果显示,等效洁净砂修正标贯击数、细粒含量、土层循环应力比、地下水位深度、水平向峰值加速度这5个判别指标可以作为影响地震液化的主要因素,通过剔除数据集的冗余特征和无关特征,有效地降低了深度学习模型的特征维度和模型复杂度;经过优化后的模型表现出了更高的液化判别准确率.