Phân loại đất nâng cao bằng học máy thông qua việc tích hợp dữ liệu lỗ khoan và thử nghiệm thâm nhập CPTU với việc lọc tiếng ồn

Bulletin of Engineering Geology and the Environment - Tập 80 - Trang 9157-9171 - 2021
Te Xiao1, Hai-Feng Zou1, Ke-Sheng Yin1, Yu Du2,3, Li-Min Zhang1,4
1Department of Civil and Environmental Engineering, The Hong Kong University of Science and Technology, Hong Kong, China
2Institute of Geotechnical Engineering, Southeast University, Nanjing, China
3CCCC-FHDI Engineering Co., Ltd, Guangzhou, China
4HKUST Shenzhen Research Institute, Shenzhen, China

Tóm tắt

Việc tích hợp dữ liệu lỗ khoan và thử nghiệm thâm nhập piezocone (CPTU) trong việc xác định đặc điểm địa điểm giúp đạt được hiểu biết toàn diện hơn về điều kiện mặt đất. Tuy nhiên, các loại đất tại các địa điểm CPTU và lỗ khoan gần đó có thể không luôn nhất quán. Sự hiện diện của dữ liệu nhiễu hoặc các lớp đất mỏng sẽ làm sai lệch việc diễn giải dữ liệu CPTU trong phân loại loại đất và đánh giá các thuộc tính đất. Nghiên cứu này đề xuất một phương pháp học máy kết hợp để tích hợp dữ liệu lỗ khoan và CPTU dưới một khuôn khổ Bayes nghiêm ngặt và để xác định, phân tách dữ liệu CPTU nhiễu mà không cần phán xét chủ quan, điều này góp phần vào việc phân loại đất và đánh giá thuộc tính đất đáng tin cậy hơn. Loại đất được báo cáo từ lỗ khoan và dữ liệu CPTU được coi là hai loại bằng chứng cho loại đất thực sự. Một sự chuyển tiếp bên của loại đất từ vị trí CPTU đến vị trí lỗ khoan được cho phép để nắm bắt sự khác biệt về loại đất. Phương pháp đề xuất được áp dụng trong việc xác định đặc điểm địa điểm biển của cầu Hồng Kông - Chu Hải - Ma Cao bắc qua cửa sông Châu Giang của Trung Quốc. Các lớp đất được nhúng trong các tầng đất chính đã được phát hiện thành công, tạo ra một hồ sơ đất đáng tin cậy hơn và diễn giải các thuộc tính đất tương thích hơn với thực tiễn kỹ thuật. Thêm vào đó, việc tích hợp dữ liệu lỗ khoan và CPTU giảm thiểu đáng kể sự không chắc chắn về lớp địa tầng trong việc xác định đặc điểm địa điểm.

Từ khóa

#Phân loại đất #Dữ liệu lỗ khoan #Thử nghiệm thâm nhập CPTU #Học máy #Lọc tiếng ồn #Đặc điểm địa điểm

Tài liệu tham khảo

Bishop CM (2006) Pattern recognition and machine learning. Springer-Verlag, Berlin, Heidelberg

Boulanger RW, DeJong JT (2018) Inverse filtering procedure to correct cone penetration data for thin-layer and transition effects. In: Proc of the 4th Int'l Symp on Cone Penetration Testing (CPT’18), p 25–44

British Standards Institution (BSI) (2010) BS 5930:1999+A2:2010 - code of practice for site investigations. British Standards Institution, London

Cai GJ, Zou HF, Liu SY, Puppala AJ (2017) Random field characterization of CPTU soil behavior type index of Jiangsu quaternary soil deposits. Bull Eng Geol Environ 76:353–369. https://doi.org/10.1007/s10064-016-0854-x

Cao ZJ, Zheng S, Li DQ, Phoon KK (2019) Bayesian identification of soil stratigraphy based on soil behaviour type index. Can Geotech J 56(4):570–586. https://doi.org/10.1139/cgj-2017-0714

Celeux G, Forbes F, Peyrard N (2003) EM procedures using mean field-like approximations for Markov model-based image segmentation. Pattern Recognit 36:131–144. https://doi.org/10.1016/S0031-3203(02)00027-4

Ching JY, Wang JS, Juang CH, Ku CS (2015) Cone penetration test (CPT)-based stratigraphic profiling using the wavelet transform modulus maxima method. Can Geotech J 52(12):1993–2007. https://doi.org/10.1139/cgj-2015-0027

Depina I, Le TMH, Eiksund G, Strøm P (2016) Cone penetration data classification with Bayesian Mixture Analysis. Georisk 10(1):27–41. https://doi.org/10.1080/17499518.2015.1072637

Du Y, Zhu L, Zou H, Zhang L, Cai G, Liu S (2020) Evaluation of CPTU-based soil classification charts for offshore sediments in Pearl River Delta, China. In: Geo-Congress 2020: Modeling, Geomaterials, and Site Characterization (GSP 317), p 663–639. https://doi.org/10.1061/9780784482803.067

Elfeki AMM, Dekking FM (2005) Modelling subsurface heterogeneity by coupled Markov chains: directional dependency, Walther’s law and entropy. Geotech Geol Eng 23(6):721–756. https://doi.org/10.1007/s10706-004-2899-z

Forbes F, Peyrard N (2003) Hidden Markov random field model selection criteria based on mean field-like approximations. IEEE Trans Pattern Anal Mach Intell 25(9):1089–1101. https://doi.org/10.1109/TPAMI.2003.1227985

Gong W, Tien YM, Juang CH, Martin JR, Luo Z (2017) Optimization of site investigation program for improved statistical characterization of geotechnical property based on random field theory. Bull Eng Geol Environ 76(3):1021–1035. https://doi.org/10.1007/s10064-016-0869-3

Hodge V, Austin J (2004) A survey of outlier detection methodologies. Artif Intell Rev 22(2):85–126. https://doi.org/10.1023/B:AIRE.0000045502.10941.a9

Hu ZN, Xie YL, Wang J (2015) Challenges and strategies involved in designing and constructing a 6 km immersed tunnel: a case study of the Hong Kong-Zhuhai-Macao Bridge. Tunn Undergr Sp Tech 50:171–177. https://doi.org/10.1016/j.tust.2015.07.011

Knuuti M, Länsivaara T (2019) Variation of CPTu-based transformation models for undrained shear strength of Finnish clays. Georisk 13(4):262–270. https://doi.org/10.1080/17499518.2019.1644525

Lee KM, Ng PCC (1999) A geotechnical investigation of marine deposits in a nearshore seabed for land reclamation. Can Geotech J 36:981–1000. https://doi.org/10.1139/t99-063

Li A, Jafari NH, Tsai FTC (2020) Modelling and comparing 3-D soil stratigraphy using subsurface borings and cone penetrometer tests in coastal Louisiana, USA. Georisk 14(2):158–176. https://doi.org/10.1080/17499518.2019.1637528

Li DQ, Qi XH, Cao ZJ, Tang XS, Phoon KK, Zhou CB (2016a) Evaluating slope stability uncertainty using coupled Markov chain. Comput Geotech 73:72–82. https://doi.org/10.1016/j.compgeo.2015.11.021

Li DQ, Xiao T, Cao ZJ, Zhou CB, Zhang LM (2016b) Enhancement of random finite element method in reliability analysis and risk assessment of soil slopes using Subset Simulation. Landslides 13(2):293–303. https://doi.org/10.1007/s10346-015-0569-2

Li JH, Cassidy MJ, Huang J, Zhang LM, Kelly R (2016c) Probabilistic Identification of Soil Stratification Géotechnique 66(1):16–26. https://doi.org/10.1680/jgeot.14.P.242

Li SZ (2009) Markov random field modeling in image analysis. Springer Science & Business Media, London

Lunne T, Robertson PK, Powell JJM (1997) Cone penetration testing in geotechnical practice. Blackie Academic and Professional, London

Mayne PW (2007) Cone penetration testing: a synthesis of highway practice. NCHRP Synthesis 368, Transportation Research Board, Washington, D.C.

Mo P, Marshall AM, Yu H (2017) Interpretation of cone penetration test data in layered soils using cavity expansion analysis. J Geotech Geoenviron Eng 143(1):04016084. https://doi.org/10.1061/(ASCE)GT.1943-5606.0001577

Phoon KK, Kulhawy FH (1999) Characterization of geotechnical variability. Can Geotech J 36(4):612–624. https://doi.org/10.1139/t99-038

Phoon KK (2020) The story of statistics in geotechnical engineering. Georisk 14(1):3–25. https://doi.org/10.1080/17499518.2019.1700423

Robertson PK (1990) Soil classification using the cone penetration test. Can Geotech J 27(1):151–158. https://doi.org/10.1139/t90-014

Robertson PK (2009) Interpretation of cone penetration tests - a unified approach. Can Geotech J 46(11):1337–1355. https://doi.org/10.1139/T09-065

Schneider JA, Randolph MF, Mayne PW, Ramsey NR (2008) Analysis of factors influencing soil classification using normalizing piezocone tip resistance and pore pressure parameters. J Geotech Geoenviron Eng 134(11):1569–1586. https://doi.org/10.1061/(ASCE)1090-0241(2008)134:11(1569)

Wang H, Wang X, Wellmann F, Liang RY (2019a) A Bayesian unsupervised learning approach for identifying soil stratification using cone penetration data. Can Geotech J 56(8):1184–1205. https://doi.org/10.1139/cgj-2017-0709

Wang X, Wang H, Liang RY, Liu X (2019b) A semi-supervised clustering-based approach for stratification identification using borehole and cone penetration test data. Eng Geol 248:102–116. https://doi.org/10.1016/j.enggeo.2018.11.014

Wang Y, Huang K, Cao Z (2013) Probabilistic identification of underground soil stratification using cone penetration tests. Can Geotech J 50(7):766–776. https://doi.org/10.1139/cgj-2013-0004

Xia Z, Jia P, Ma S, Liang K, Shi Y, Waniek JJ (2013) Sedimentation in the Lingdingyang Bay, Pearl River Estuary. Southern China J Coastal Res 66(SP1):12–24. https://doi.org/10.2112/SI_66_2

Xiao T, Li DQ, Cao ZJ, Au SK, Phoon KK (2016) Three-dimensional slope reliability and risk assessment using auxiliary random finite element method. Comput Geotech 79:146–158. https://doi.org/10.1016/j.compgeo.2016.05.024

Xiao T, Li DQ, Cao ZJ, Zhang LM (2018) CPT-based probabilistic characterization of three-dimensional spatial variability using MLE. J Geotech Geoenviron Eng 144(5):04018023. https://doi.org/10.1061/(ASCE)GT.1943-5606.0001875

Xiao T, Zhang LM, Li XY, Li DQ (2017) Probabilistic stratification modeling in geotechnical site characterization. ASCE-ASME J Risk Uncertain Eng Syst – A Civ Eng 3(4):04017019. https://doi.org/10.1061/AJRUA6.0000924

Yahşi BK, Ersoy H (2021) Effect of mineralogical composition related to profile depth on index and strength properties of regolith soil. Bull Eng Geol Environ 80(2):1791–1808. https://doi.org/10.1007/s10064-020-01968-8

Yin KS, Zhang LM, Wang HJ, Zou HF, Li JH (2021) Marine soil behaviour classification using piezocone penetration test (CPTu) and borehole records. Can Geotech J 58(2):190–199. https://doi.org/10.1139/cgj-2019-0571

Yuen KV, Mu HQ (2012) A novel probabilistic method for robust parametric identification and outlier detection. Probabilistic Eng Mech 30:48–59. https://doi.org/10.1016/j.probengmech.2012.06.002

Zhao T, Hu Y, Wang Y (2018) Statistical interpretation of spatially varying 2D data from sparse measurements using Bayesian compressive sampling. Eng Geol 246:162–175. https://doi.org/10.1016/j.enggeo.2018.09.022

Zhao T, Wang Y (2019) Determination of efficient sampling locations in geotechnical site characterization using information entropy and Bayesian compressive sampling. Can Geotech J 56:1622–1637. https://doi.org/10.1139/cgj-2018-0286

Zhao T, Xu L, Wang Y (2020) Fast non-parametric simulation of 2D multi-layer cone penetration test (CPT) data without pre-stratification using Markov Chain Monte Carlo simulation. Eng Geol 273:105670. https://doi.org/10.1016/j.enggeo.2020.105670

Zheng S, Zhu YX, Li DQ, Cao ZJ, Deng QX, Phoon KK (2021) Probabilistic outlier detection for sparse multivariate geotechnical site investigation data using Bayesian learning. Geosci Front 12(1):425–439. https://doi.org/10.1016/j.gsf.2020.03.017

Zhou XP, Zhu BZ, Juang CH, Wong LNY (2019) A stability analysis of a layered-soil slope based on random field. Bull Eng Geol Environ 78(4):2611–2625. https://doi.org/10.1007/s10064-018-1266-x

Zou HF, Liu SY, Cai GJ, Puppala AJ, Bheemasetti T (2017) Multivariate correlation analysis of seismic piezocone penetration (SCPTU) parameters and design properties of Jiangsu quaternary cohesive soils. Eng Geol 228:11–38. https://doi.org/10.1016/j.enggeo.2017.07.005

Thông tin
Thông tin xuất bản

Bulletin of Engineering Geology and the Environment

Tập 80

9157-9171

Thông tin tác giả