Application of XGBoost Extreme Gradient Boosting Model in the Evaluation of Shallow Gas Hazards in Urban Strata—A Case Study of a Typical Area in LG City
Cette étude démontre la faisabilité et l'amélioration de la performance prédictive d'un modèle de données XGBoost optimisé par l'approche bayésienne pour évaluer la susceptibilité aux aléas de gaz peu profonds dans les strates urbaines, en utilisant la ville de Longgang comme étude de cas pour compléter les approches existantes fondées sur la connaissance.
Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète
Sous les rues de nombreuses villes modernes se cache une couche de gaz naturel, piégée dans le sol meuble et saturé d'eau juste sous la surface. Il ne s'agit pas du gaz profond et à haute pression utilisé pour alimenter les foyers, mais d'un mélange de méthane, souvent d'origine biologique, qui s'accumule dans des poches au sein du sable et de la boue. Parce qu'il se situe si près de la surface, ce gaz peut accumuler une pression significative, créant une menace silencieuse pour les projets de construction, les tunnels de métro et même les fondations de bâtiments. Lorsque les ouvriers percent le sol ou creusent pour un nouveau sous-sol, ils risquent de percer ces poches pressurisées, ce qui peut entraîner des effondrements soudains du sol, des explosions de gaz ou l'éjection de terre et d'eau. Pour les urbanistes et les ingénieurs, le défi a longtemps été de savoir exactement où se trouvent ces poches dangereuses avant de commencer à creuser. Traditionnellement, la prédiction de ces dangers reposait largement sur l'expérience des géologues et l'interprétation des couches rocheuses locales, une méthode qui fonctionne bien dans certains endroits mais qui peine à capturer les modèles complexes et changeants d'accumulation de gaz dans les environnements urbains denses.
Pour lever cette incertitude, une équipe de chercheurs s'est tournée vers une approche différente, utilisant un puissant outil d'apprentissage informatique pour cartographier les risques cachés à Longgang, une ville côtière de la province du Zhejiang, en Chine. Au lieu de s'appuyer uniquement sur l'intuition humaine, l'équipe a injecté une quantité massive de données géologiques dans un algorithme connu sous le nom de XGBoost, un type de modèle d'apprentissage automatique conçu pour trouver des motifs subtils dans des ensembles de données complexes. Les chercheurs ont recueilli des informations sur huit conditions spécifiques qui influencent l'accumulation de gaz et la création de problèmes : la profondeur du gaz, la pression qu'il exerce, le nombre de couches riches en gaz, la quantité de carbone organique dans le sol, la teneur en eau, la porosité du sol, les niveaux de saturation en gaz et la pression globale de la formation. Ils ont traité la ville comme une grille géante, la divisant en petits carrés et étiquetant chacun d'eux selon qu'il s'agissait d'un site connu d'effondrement de terrain ou d'une zone sûre. En entraînant l'ordinateur à reconnaître la combinaison de facteurs présents dans les zones dangereuses par rapport aux zones sûres, le modèle a appris à prédire où des dangers similaires pourraient exister ailleurs.
Les résultats de cet entraînement numérique ont été frappants. Le modèle informatique, une fois affiné par une méthode sophistiquée pour trouver les réglages parfaits de ses calculs, s'est avéré très précis pour distinguer les terrains sûrs des zones dangereuses. Testé face à des données réelles, le modèle a obtenu un score élevé qui indique qu'il peut séparer de manière fiable les zones dangereuses des zones sûres, bien mieux qu'un choix aléatoire. L'analyse a révélé que le facteur le plus critique dans la prédiction d'une catastrophe était simplement le nombre de couches contenant du gaz présentes dans le sol ; plus les couches de sol riches en gaz sont empilées, plus le risque est élevé. Suivant de près, venaient la saturation du gaz et la porosité du sol. Le modèle a également clarifié comment certains facteurs agissent contre le danger, montrant qu'une teneur plus élevée en carbone organique et des conditions de pression spécifiques aident en réalité à supprimer le risque d'éruption.
En utilisant ces informations, les chercheurs ont généré une carte détaillée de Longgang qui code les couleurs de la ville selon son niveau de risque. La carte montre que si la majorité de la ville se situe dans une catégorie de risque modéré, certains quartiers, particulièrement les communautés de Dongpai et Xipai, se trouvent dans des zones de haute susceptibilité. Cette conclusion concorde étroitement avec les registres historiques, car la quasi-totalité des effondrements de terrain déjà survenus dans la zone s'est produite dans les zones que le modèle a identifiées comme étant à haut risque. L'étude démontre que les outils basés sur les données peuvent décoder avec succès les signaux géologiques complexes du gaz peu profond, offrant un moyen plus précis d'identifier les zones de danger que les méthodes traditionnelles seules. Bien que le modèle actuel repose sur des données géologiques statiques et ne tienne pas encore compte des activités humaines dynamiques ou des réactions en chaîne qui pourraient déclencher un effondrement, il constitue une base solide pour la planification de la sécurité future. En localisant précisément là où le sol est le plus susceptible de céder, cette approche aide des villes comme Longgang à se préparer aux forces invisibles sous leurs pieds, garantissant que les futures constructions puissent se poursuivre avec une compréhension plus claire des risques souterrains.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.