基于机器学习-网格搜索优化的砂土液化预测

砂土液化是一种破坏力较强的地震次生灾害,传统的砂土液化判别方法存在一定的局限性。提出两种液化判别方法,第一种是基于新西兰岩土数据库(New Zealand Geotechnical Database,NZGD)中519组静力触探试验数据,建立具有砂土液化预测功能的机器学习模型。首先建立支持向量机(support vector machine,SVM)、随机森林(random forest,RF)、XGboost(eXtreme gradient boosting,XGB)三种机器学习分类模型,运用网格搜索(GridSearchCV)法进行超参数优化后,采用整体精度(overall accuracy,OA)、精确率(P)、召回率(R)、F_(1)值对模型进行性能评估,对历史液化数据进行模型验证并与国内外方法进行结果对比。第二种是基于历史震害数据,采用经验判断法确定的静力触探初判条件。结果表明:随机森林可作为一种具有较强的预测能力的液化判别模型,通过与国内《岩土工程勘察规范》以及国际Olsen方法进行对比,选取要素简便且计算迅速的随机森林能够达到与上述两种权威方法接近的准确性,是一种可实行的液化判别模型;此外,基于历史液化数据库归结出不同烈度下,具备液化埋深限制的锥尖阻力阈值,经数据验证在7烈度区、8烈度区、9烈度区的准确率良好,与《岩土工程勘察规范》进行对比发现有可操作性好、可解释性强、可适用性广等优点。所建立的模型对砂土液化预测具有较强的适用性,静力触探初判条件亦可作为快速液化判别的参考值,两种方法结合可对科学研究和工程建设提供较好的参考价值。