ИССЛЕДОВАНИЕ ПОДХОДА В ОЦЕНКЕ И ПРОГНОЗИРОВАНИИ ГЕОТЕХНИЧЕСКИХ РИСКОВ

Авторы

Д.А. Каримова Институт машиноведения, автоматики и геомеханики НАН КР

Ключевые слова:

геотехнический мониторинг, машинное обучение.

Аннотация

Статья посвящена применению машинного обучения для улучшения методов геотехнического мониторинга. Рассмотрено применение методов машинного обучения (ML) в оценке рисков, связанных с безопасностью инфраструктурных проектов в природных и техногенных условиях. Описываются этапы применения ML, включая сбор и обработку данных, выбор алгоритмов, обучение и валидация моделей. Обсуждаются преимущества и ограничения традиционных и современных методов, приводятся кейсы успешного внедрения ML в различных геотехнических проектах, а также примеры использования в различных условиях.

Библиографические ссылки

Геотехнический мониторинг [Электронный ресурс]. URL: https://official.academic.ru/4104/%D0%93%D0%B5%D0%BE%D1%82%D0%B5%D1%85%D0%BD%D0%B8%D1%87%D0%B5%D1%81%D0%BA%D0%B8%D0%B9_%D0%BC%D0%BE%D0%BD%D0%B8%D1%82%D0%BE%D1%80%D0%B8%D0%BD%D0%B3 (дата обращения: 20.04.2024).

Грязнова Е.М. Геотехнический мониторинг в строительстве / Е.М. Грязнова, А.Н. Гаврилов, Д.Ю. Чунюк. - Москва : МИСИ—МГСУ, 2017. - 82 с.

Улицкий В.М., Шашкин А.Г., Шашкин К.Г. Геотехническое сопровождение развития городов. СПб.: Стройиздат Северо-Запад, Геореконструкция, 2010. 551 с.

Далматов Б.И. Механика грунтов, основания и фундаменты // Стройиздат, 1998.

Далматов Б.И. Механика грунтов. Основы геотехники. Ч. 1. // Москва, 2000.

Zhang C, Liang M, Song X, Liu L,Wang H, Li W, et al. Generative adversarial network for geological prediction based on TBM operational data. Mechanical Systems and Signal Processing. 2022;162:108035.

Fang H, Shao Y, Xie C, Tian B, ShenC, Zhu Y, et al. A new approach tospatial landslide susceptibility predictionin karst mining areas based onexplainable Artificial Intelligence.Sustainability. 2023;8, 15(4):3094. DOI:10.3390/su15043094

Krechowicz M, Krechowicz A. Risk assessment in energy infrastructure installations by horizontal directional drilling using machine learning. Energies. 2021;14(2):289. DOI: 10.3390/en14020289

Carri A. Innovative application of iot technologies to improve geotechnical monitoring tools and early warning performances. In: Critical Thinking in the Sustainable Rehabilitation and Risk Management of the Built Environment: CRIT-RE-BUILT. Proceedings of the International Conference; November 7-9, 2019, Iași, Romania. Switzerland:

Mahdi IM, Ebid AM, Khallaf R.Decision support system for optimum soft clay improvement technique for highway construction projects. Ain Shams Engineering Journal. 2020;11(1): 213-223. DOI: 10.1016/j.asej.2019.08.007

Hallaji SM, Fang Y, Winfrey BK.Predictive maintenance of pumps in civilinfrastructure: State-of-the-art,challenges and future directions. Automation in Construction. 2022;134: 104049. DOI: 10.1016/j.autcon.2021.104049

Seyedzadeh S, Rahimian FP, Oliver S, Rodriguez S, Glesk I. Machine learning modelling for predicting nondomestic buildings energy performance: A model to support deep energy retrofit decision-making. Applied Energy. 2020; 279:115908. DOI: 10.1016/j.apenergy.2020.115908

Sircar A, Yadav K, Rayavarapu K, Bist N, Oza H. Application of machine learning and artificial intelligence in oil and gas industry. Petroleum Research. 2021;6(4):379-391. DOI: 10.1016/j.ptlrs.2021.05.009

Bravo-López E, Fernández Del Castillo T, Sellers C, Delgado-García J.Landslide susceptibility mapping of landslides with artificial neural networks: Multi-approach analysis of backpropagation algorithm applying the neuralnet package in Cuenca. Ecuador. Remote Sensing. 2022;14(14):3495. DOI: 10.3390/rs14143495

Zhang W, Gu X, Tang L, Yin Y, Liu D, Zhang Y. Application of machine learning, deep learning and optimization algorithms in geoengineering and geoscience: Comprehensive review and future challenge. Gondwana Research. 2022;109:1-17. DOI: 10.1016/j.gr.2022.03.015

Lu X, Xu Y, Tian Y, Cetiner B,Taciroglu E. A deep learning approach torapid regional post-event seismic damage assessment using timefrequency distributions of ground motions. Earthquake Engineering & Structural Dynamics. 2021;50(6): 1612-1627. DOI: 10.1002/eqe.3415

Kim HS, Sun CG, Lee MG, Cho HI.Multivariate geotechnical zonation of seismic site effects with clusteringblended model for a city area, South Korea. Engineering Geology. 2021;294: 106365. DOI: 10.1016/j.enggeo.2021.106365

Мэрфи К. П. Вероятностное машинное обучение: введение / пер. с англ. А. А. Слинкина / К.П. Мэрфи. - Москва : ДМК Пресс, 2023. - 990 с.

Гудфеллоу Я., Бенджио И., Курвилль А. Глубокое обучение / пер. с анг. А. А. Слинкина. – 2-е изд., испр. – М.: ДМК. Пресс, 2018. – 652 с.