GEO-HYBRID: A Physics-Informed Python Framework for Liquefaction Potential Assessment and Integrated Geotechnical Interpretation
本文介绍了 GEO-HYBRID，这是一个透明的 Python 框架，它通过将基础土力学原理与数据驱动的参数校准相结合，增强了液化风险评估和岩土解释能力，从而在预测准确性和可靠性方面超越了纯机器学习模型。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
我们脚下的土地并非一块坚实、均匀的岩石，而是一个由微小的矿物颗粒、水和空气组成的混乱混合物。这种被称为土壤的物质，其表现方式往往难以简单预测。一个屹立多年的斜坡可能在一次暴雨后突然坍塌，或者地基在地震发生时意外下沉。核心难点在于，土壤的特性在不同地点之间会发生剧烈变化，有时甚至在短短一米之内也会如此。土壤含水量的微小变化就能显著改变其强度，使稳定的山坡变成滑动体。由于地面如此难以预测，工程师长期以来一直依赖于直接在现场进行的物理测试来了解地下情况，而不是仅仅信任理论计算。
几十年来，预测土壤失效的标准方法一直依赖于将土壤视为一种一致、可预测物质的数学公式。虽然这些公式在理论上运行良好，但在实践中却经常失效，因为现实世界是混乱的。当工程师试图预测土壤是否会在地震期间变成类似液体的浆状物——这是一种被称为“液化”的危险现象——时，传统方法经常会失准，有时误差范围很大。近年来，许多人转向了人工智能，希望计算机模型能够从过往数据中学习土壤行为的模式。然而，这些计算机模型在面对新情况时往往表现挣扎，本质上只是记住了旧的案例，而没有真正理解底层的物理机制。
一项新研究引入了一条不同的路径，它在既定的物理定律与现实世界数据之间架起了一座桥梁，且不依赖于晦涩的计算机技巧。研究人员开发了一个名为 GEO-HYBRID 的框架，该框架采用了传承了几代地质工程学的可靠方程，并利用来自现场的实际案例进行校准。这种方法并非让计算机发明隐藏的规则来拟合数据，而是仅调整已知物理定律中具有特定意义的数值。团队在四组不同的真实数据集上测试了该方法，其中包括数百个发生过土壤液化的历史地震遗址、数千个来自贯入试验的深度测量值，以及来自芬兰和奥地利的粘土及土壤样本的实验室结果。
结果表明，当物理方程被输入正确的、经过验证的数据时，它们的表现具有惊人的精确度。在一次涉及 251 个历史地震遗址的重要测试中，研究人员首先必须纠正一个长期存在的读取错误。他们发现数据库中的一个关键列（原以为代表应力比）实际上包含的是地下水位深度。一旦修复了这一点，模型的准确性便大幅提升。通过向模型添加三条具有物理依据的具体规则——例如识别在剧烈震动下极度致密的砂土表现不同，或过滤掉液化证据模糊的情况——该系统正确预测了土壤是否会液化的比例达到了 90.1%。这比以往的方法有了实质性的改进。
相比之下，当研究人员在完全相同的数据上训练一个标准的机器学习模型时，它看起来学得非常完美，在训练集上达到了 92.8% 的成功率。然而，当在新的、未见过的数据上进行测试时，其表现骤降至 76.3%，证明它仅仅是记住了旧的例子，而非学习了土地的规律。相比之下，基于物理的模型在处理新数据时保持了高准确度。这表明方程本身并不是问题所在，问题始终在于输入其中的参数。研究还表明，水分含量的微小变化会剧烈降低斜坡的安全性，量化了工程师长期以来在定性上已知但难以定量计算的风险。
该研究还强调了明确“不应包含什么”的重要性。研究人员测试了一个关于水分通过土壤速度（渗透性）的特征，原本预期它能提高预测能力。然而，加入这一特征反而使模型表现变差，因为现有的数据已经隐性地包含了有关排水的信息。通过记录这一失败案例，该研究避免了未来研究人员在冗余因素上浪费时间。这项工作总结道，预测土壤行为最可靠的方法不是用“黑箱算法”取代人类理解，而是利用现实世界的证据来完善我们对物理常数的理解。该框架提供了一种透明、可重复的方式，将不确定的土壤数据转化为可靠的工程决策，确保我们在地面上建造时，是在建立在经过验证的事实之上，而非凭空猜测。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。