An LLM-Driven Agentic Framework for Automated Seismic Soil Liquefaction Hazard Assessment Using SPT- and CPT-Based Machine Learning Models
本研究提出了一种自动化的、由大语言模型驱动的智能体框架，该框架将用于基于 SPT 和 CPT 的土壤液化评估的高精度 XGBoost 模型与自然语言处理技术相结合，旨在通过简化数据提取、模型选择和工程解释，实现快速的地震灾害筛查。
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
当地震发生时地面剧烈摇晃，脚下的土壤有时会表现得像液体一样。这种被称为“土壤液化”的现象，是指松散且潮湿的沙土失去强度和刚度，导致建筑物下沉、道路隆起以及基础设施失效。它是地震中释放的最具破坏性的力量之一，在历史上重大的地震灾害中造成了毁灭性的破坏。为了保护社区，工程师必须在施工开始前确定特定场地的地面是否容易在压力下变成液体。这种评估依赖于两种主要的探测方法：标准贯入试验（Standard Penetration Test），用于测量将采样器打入地面的难度；以及圆锥贯入试验（Cone Penetration Test），通过将圆锥体推入土壤来连续测量阻力。传统上，解释这些测试需要岩土工程师手动收集数据、进行复杂的计算并决定适用哪种方法，这一过程既耗时又容易出现人为错误。
来自印度、澳大利亚和美国的科研团队开发了一种新系统，旨在使这一关键的安全检查变得更快速、更便捷。他们创建了一个自动化框架，将强大的计算机学习模型与能够理解人类语言的高级人工智能相结合。该系统不再要求工程师将数据格式化为僵化的电子表格，而是允许他们用通俗易懂的英语来描述场地的状况。随后，计算机会阅读描述内容，识别必要的土壤和地震数据，选择正确的计算方法，并交付一份清晰的工程报告。其目标并非取代人类的判断，而是作为一个智能助手，处理数据处理和模型选择等繁重工作，让专家能够专注于最终的安全决策。
研究人员首先通过教导两个独立的计算机程序如何预测液化。其中一个程序基于近 2,000 个使用标准贯入试验的真实案例进行训练；而另一个程序则从近 500 个涉及圆锥贯入试验的案例中学习。这些基于“极端梯度提升”（extreme gradient boosting）技术的程序，学会了识别导致失效的土壤密度、水位和地震强度之间复杂的非线性模式。在对新的、未见过的测试数据进行测试时，基于标准贯入试验训练的程序正确识别土壤是否会液化或保持稳定的准确率为 96%。基于圆锥贯入试验训练的程序实现的成功率为 91%。两个系统都证明了高度的可靠性，其中标准贯入试验模型在识别危险的、易液化土壤方面表现出特别的优势，而这正是对于安全至上的工程领域至关重要的特性。
这项工作的真正创新在于如何将这些预测工具连接到一个大型语言模型——一种旨在理解和生成人类语言的人工智能类型。在以往将机器学习应用于岩土工程的尝试中，计算机模型是孤立的；只有当人类先从场地报告中提取出每一个数字并以特定格式输入系统时，它们才能工作。这个新框架打破了这一障碍。研究人员构建了一个“智能体”（agent），一个作为操作大脑的数字助手。当用户输入一段自然的场地描述时——提到诸如土壤深度、地面震动强度或探头测得的阻力等细节——该智能体会阅读文本，提取出相关数值，并确定使用哪一个预测模型。如果描述中包含圆锥阻力数据，它会将请求路由到圆锥模型；如果包含击数（blow counts），它则会将请求发送到贯入测试模型。
为了确保该系统在现实世界中有效，团队使用十个不同的场景进行了测试，每个场景都描述了一个独特的场地条件。在每一个案例中，智能体都正确地从文本中提取了所需的参数，并选择了正确的预测模型运行。随后，它将来自计算机模型的原始输出转化为一份结构化的、专业的工程报告，解释风险并提供建议。这种端到端的流程证明，无需用户成为数据科学家，也可以在原始的、非结构化的现场数据与高精度的机器学习预测之间架起桥梁。该系统有效地将复杂的多步骤工程分析转化为了简单的对话。
然而，研究人员也谨慎地界定了他们创造物的局限性。他们强调，该工具旨在用于初步筛选和决策支持，而非作为传统分析或专业判断的最终替代品。该系统的设计初衷是及早发现潜在危险并简化初步审查过程，但它无法考虑到每一种独特的地理细微差别或场地的完整历史背景。对于风险不明或输入数据不完整的边缘情况，系统被编程为建议由合格的工程师进行进一步调查。研究结论指出，虽然该自动化框架显著提高了地震灾害评估的可及性和效率，但它最理想的状态是作为人类专业知识的伙伴，处理常规的数据工作，从而让工程师能够专注于他们所建造的建筑物的安全性。
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。