Published January 3, 2011
| Version v1
Publication
Open
Machine learning modelling for predicting soil liquefaction susceptibility
Creators
- 1. Vellore Institute of Technology University
- 2. Indian Institute of Science Bangalore
Description
Abstract. This study describes two machine learning techniques applied to predict liquefaction susceptibility of soil based on the standard penetration test (SPT) data from the 1999 Chi-Chi, Taiwan earthquake. The first machine learning technique which uses Artificial Neural Network (ANN) based on multi-layer perceptions (MLP) that are trained with Levenberg-Marquardt backpropagation algorithm. The second machine learning technique uses the Support Vector machine (SVM) that is firmly based on the theory of statistical learning theory, uses classification technique. ANN and SVM have been developed to predict liquefaction susceptibility using corrected SPT [(N1)60] and cyclic stress ratio (CSR). Further, an attempt has been made to simplify the models, requiring only the two parameters [(N1)60 and peck ground acceleration (amax/g)], for the prediction of liquefaction susceptibility. The developed ANN and SVM models have also been applied to different case histories available globally. The paper also highlights the capability of the SVM over the ANN models.
Translated Descriptions
⚠️
This is an automatic machine translation with an accuracy of 90-95%
Translated Description (Arabic)
الملخص. تصف هذه الدراسة تقنيتي تعلم آلي مطبقتين للتنبؤ بقابلية التربة للتسييل بناءً على بيانات اختبار الاختراق القياسي (SPT) من زلزال تشي تشي في تايوان عام 1999. تقنية التعلم الآلي الأولى التي تستخدم الشبكة العصبية الاصطناعية (ANN) بناءً على التصورات متعددة الطبقات (MLP) التي تم تدريبها باستخدام خوارزمية ليفنبرغ- ماركوارت للانتشار العكسي. تستخدم تقنية التعلم الآلي الثانية آلة ناقلات الدعم (SVM) التي تستند بقوة إلى نظرية التعلم الإحصائي، وتستخدم تقنية التصنيف. تم تطوير ANN و SVM للتنبؤ بقابلية التسييل باستخدام SPT المصحح [(N1)60] ونسبة الإجهاد الدوري (CSR). علاوة على ذلك، بُذلت محاولة لتبسيط النماذج، التي تتطلب فقط المعلمتين [(N1)60 وتسارع أرضي بيك (amax/g)]، للتنبؤ بقابلية التسييل. كما تم تطبيق نماذج ANN و SVM المطورة على تاريخ الحالات المختلفة المتاحة على مستوى العالم. كما تسلط الورقة الضوء على قدرة آلية القيمة الخاصة على نماذج ANN.Translated Description (French)
Résumé. Cette étude décrit deux techniques d'apprentissage automatique appliquées pour prédire la susceptibilité à la liquéfaction du sol sur la base des données du test de pénétration standard (SPT) du tremblement de terre de 1999 à Chi-Chi, Taïwan. La première technique d'apprentissage automatique qui utilise le réseau neuronal artificiel (ANN) basé sur des perceptions multicouches (MLP) qui sont entraînées avec l'algorithme de rétropropropagation de Levenberg-Marquardt. La deuxième technique d'apprentissage automatique utilise la machine à vecteurs de support (SVM) qui est fermement basée sur la théorie de l'apprentissage statistique, utilise la technique de classification. ANN et SVM ont été développés pour prédire la sensibilité à la liquéfaction à l'aide du SPT [(N1)60] et du rapport de stress cyclique (CSR) corrigés. En outre, une tentative a été faite pour simplifier les modèles, ne nécessitant que les deux paramètres [(N1)60 et l'accélération du sol Peck (amax/g)], pour la prédiction de la susceptibilité à la liquéfaction. Les modèles ANN et SVM développés ont également été appliqués à différentes histoires de cas disponibles dans le monde. Le document souligne également la capacité du SVM par rapport aux modèles ANN.Translated Description (Spanish)
Resumen. Este estudio describe dos técnicas de aprendizaje automático aplicadas para predecir la susceptibilidad a la licuefacción del suelo basadas en los datos de la prueba de penetración estándar (SPT) del terremoto de Chi-Chi, Taiwán de 1999. La primera técnica de aprendizaje automático que utiliza una red neuronal artificial (ANN) basada en percepciones multicapa (MLP) que están entrenadas con el algoritmo de retropropagación de Levenberg-Marquardt. La segunda técnica de aprendizaje automático utiliza la máquina de vectores de soporte (SVM) que se basa firmemente en la teoría del aprendizaje estadístico, utiliza la técnica de clasificación. ANN y SVM se han desarrollado para predecir la susceptibilidad a la licuefacción utilizando SPT corregido [(N1)60] y la relación de estrés cíclico (CSR). Además, se ha intentado simplificar los modelos, requiriendo solo los dos parámetros [(N1)60 y la aceleración del suelo de picoteo (amax/g)], para la predicción de la susceptibilidad a la licuefacción. Los modelos ANN y SVM desarrollados también se han aplicado a diferentes historias clínicas disponibles a nivel mundial. El documento también destaca la capacidad del SVM sobre los modelos ANN.Files
nhess-11-1-2011.pdf.pdf
Files
(1.2 MB)
| Name | Size | Download all |
|---|---|---|
|
md5:d104f145bfe466c96fce4b3540e7377e
|
1.2 MB | Preview Download |
Additional details
Additional titles
- Translated title (Arabic)
- نمذجة التعلم الآلي للتنبؤ بقابلية تسييل التربة
- Translated title (French)
- Modélisation par apprentissage automatique pour prédire la sensibilité à la liquéfaction du sol
- Translated title (Spanish)
- Modelado de aprendizaje automático para predecir la susceptibilidad a la licuefacción del suelo
Identifiers
- Other
- https://openalex.org/W2104431586
- DOI
- 10.5194/nhess-11-1-2011
References
- https://openalex.org/W101663867
- https://openalex.org/W1490718145
- https://openalex.org/W1975120944
- https://openalex.org/W1977582864
- https://openalex.org/W1981474160
- https://openalex.org/W1998099307
- https://openalex.org/W1999499239
- https://openalex.org/W2034683333
- https://openalex.org/W2041567331
- https://openalex.org/W2041893233
- https://openalex.org/W2056084774
- https://openalex.org/W2056115900
- https://openalex.org/W2060391650
- https://openalex.org/W2060432204
- https://openalex.org/W2077658674
- https://openalex.org/W2078137712
- https://openalex.org/W2078689461
- https://openalex.org/W2079740787
- https://openalex.org/W2087347434
- https://openalex.org/W2096885477
- https://openalex.org/W2097750606
- https://openalex.org/W2108736310
- https://openalex.org/W2113334494
- https://openalex.org/W2119821739
- https://openalex.org/W2147663465
- https://openalex.org/W2148138104
- https://openalex.org/W2148603752
- https://openalex.org/W2155482699
- https://openalex.org/W2156909104
- https://openalex.org/W2158556506
- https://openalex.org/W2162168795
- https://openalex.org/W2164938204
- https://openalex.org/W2215891333
- https://openalex.org/W2236623899
- https://openalex.org/W2320648230
- https://openalex.org/W2611056375
- https://openalex.org/W3000274827
- https://openalex.org/W3012317737
- https://openalex.org/W618912127
- https://openalex.org/W740415
- https://openalex.org/W921488525