Resumen

La licuefacción del suelo es un fenómeno peligroso para las estructuras que pierden su resistencia al cizallamiento y la resistencia del suelo, que se produce durante los choques sísmicos, como los terremotos o las condiciones de tensión repentina. Determinar la capacidad de licuefacción y no licuefacción del suelo es una tarea difícil pero necesaria cuando se construyen estructuras en zonas sísmicas. Por lo general, la posibilidad de licuefacción del suelo se determina mediante pruebas de laboratorio en muestras de suelo sometidas a cargas dinámicas, lo que lleva mucho tiempo y es costoso. Por lo tanto, este estudio se centra en el desarrollo de un modelo de aprendizaje automático llamado Red Neural Forward (FNN) para estimar la activación de la licuefacción del suelo bajo condiciones sísmicas. La base de datos se recoge de la literatura publicada, incluyendo 270 casos de licuefacción y 216 historias de casos sin licuefacción bajo diferentes condiciones geológicas y terremotos utilizados para la construcción y confirmación del modelo. El modelo se construye y se optimiza para los hiperparámetros basándose en una técnica conocida como búsqueda aleatoria (RS). A continuación, se utiliza la técnica de regularización L2 para resolver el problema de sobreajuste del modelo. Los resultados del análisis se comparan con una serie de fórmulas empíricas, así como con algunos modelos populares de aprendizaje automático (ML). Los resultados muestran que el modelo RS-L2-FNN predice con éxito la licuefacción del suelo con una precisión del 90,33% en todo el conjunto de datos y una precisión media del 88,4 después de 300 simulaciones que tienen en cuenta la división aleatoria de los conjuntos de datos. En comparación con las fórmulas empíricas y otros modelos de aprendizaje automático, el modelo RS-L2-FNN muestra un rendimiento superior y resuelve el problema de sobreajuste del modelo. Además, se utiliza la técnica de análisis de sensibilidad global para detectar las características de entrada más importantes que afectan a la predicción de la activación de los suelos licuados. Los resultados muestran que la resistencia SPT corregida (N1)60 es la variable de entrada más importante, que afecta a la determinación de la capacidad de licuefacción del suelo. Este estudio proporciona una poderosa herramienta que permite una predicción rápida y precisa de la licuefacción basada en varias propiedades básicas del suelo.

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Neurofisiología Proceso de aprendizaje
• Subjects:Artificial intelligence Data mining Genetic algorithms Neurophysiology Learning processes
• Palabras claves:licuefacción del suelo, modelo de aprendizaje automático, modelo, modelo l2-fnn, fórmula empírica, historia de casos sin licuefacción, resistencia spt corregida, variable de entrada importante, características de entrada importantes, diferentes condiciones geológicas
• Keywords:soil liquefaction, machine learning model, model, l2-fnn model, empirical formula, nonliquefaction case history, corrected spt resistance, important input variable, important input characteristics, different geological conditions