• Back to Results
  • 基于机器学习的厚覆盖土层建筑场地类别评价...

Result: 基于机器学习的厚覆盖土层建筑场地类别评价

Title:
基于机器学习的厚覆盖土层建筑场地类别评价
Authors:
Zhekai Wang, Huiming Tan, Zhibing Gao
Source:
Dizhen xuebao, Vol 46, Iss 3, Pp 477-489 (2024)
Publisher Information:
Editorial Office of Acta Seismologica Sinica, 2024.
Publication Year:
2024
Collection:
LCC:Geology
LCC:Geophysics. Cosmic physics
Subject Terms:
machine learning, random forest algorithm, support vector machine algorithm, construction site category, Geology, QE1-996.5, Geophysics. Cosmic physics, QC801-809
Document Type:
Academic journal article
File Description:
electronic resource
Language:
Chinese
ISSN:
0253-3782
Relation:
https://www.dzxb.org/10.11939/jass.20220176; https://doaj.org/toc/0253-3782
DOI:
10.11939/jass.20220176
Access URL:
https://doaj.org/article/b7c13ac3a3ab4aa1917a2a964a10e87d
Accession Number:
edsdoj.b7c13ac3a3ab4aa1917a2a964a10e87d
Database:
Directory of Open Access Journals

Further Information

针对因测量等误差对等效剪切波速计算的影响而造成的场地类别容易因单个因素稍有变化即发生的类别改变问题，从江苏省盐城地区收集了大量厚覆盖土层情况下的标准贯入值、深度、剪切波速等相关现场试验数据，利用机器学习方法进行训练建模，研究多特征值模型解决厚覆盖土层情况下场地分类问题的能力。结果表明：随机森林模型的分类精度在加入“等效变异系数”后可达97.7%，且其泛化能力以及对样本总体的判断能力均优于支持向量机模型，该模型为厚覆盖土层建筑场地类别的判断提供了一种新的方式。将二次判断结果与勘探报告结果对比，结果证明该随机森林模型可用于场地分类变化问题的二次判断，为避免工程现场在类似情况下出现过于保守的判断提供了可靠的依据。