Китайские исследователи предложили вероятностную модель оценки склонности грунтов к сейсмическому разжижению, способную работать с небольшими выборками и неполными результатами стандартных пенетрационных испытаний SPT. При независимой проверке лучшая конфигурация модели обеспечила общую точность классификации 80,56%, а полнота выявления случаев разжижения достигла 97,37%.
Результаты исследования опубликованы 17 ноября в журнале Scientific Reports. Работу выполнили специалисты Китайского института исследований водных ресурсов и гидроэнергетики, а также исследовательского центра сейсмостойкости гидротехнических сооружений Министерства водных ресурсов КНР.
Разжижение водонасыщенных несвязных грунтов представляет серьёзную опасность для фундаментов, насыпей и гидротехнических сооружений. При сильных циклических воздействиях в грунте может увеличиваться избыточное поровое давление, сопровождающееся снижением эффективных напряжений и сопротивления сдвигу.
Одним из распространённых методов оценки склонности грунтов к разжижению является использование результатов стандартного пенетрационного испытания. Однако на практике инженерно-геологические данные нередко оказываются неполными: часть характеристик отсутствует, а количество наблюдений недостаточно для обучения сложных статистических моделей.
Для решения этой проблемы исследователи применили байесовскую сеть, позволяющую описывать вероятностные зависимости между факторами, влияющими на развитие разжижения.
При построении структуры модели учитывались физические представления о механизме разжижения грунта. Это позволило сохранить интерпретируемость связей между исходными параметрами и прогнозируемым состоянием грунта.
Авторы сравнили различные алгоритмы обучения, способы подготовки выборок и методы обработки пропущенных значений.
Испытания показали, что модели, обученные исключительно на небольших наборах полных данных, обладают ограниченной прогнозной способностью. При этом использование неполных записей с соответствующей вероятностной обработкой позволило повысить качество классификации.
Наилучший результат получен для пятифакторной байесовской сети с обучением на реальных выборках и обработкой пропусков методом максимальной апостериорной вероятности.
На независимом контрольном наборе общая точность классификации составила 80,56%, точность положительных прогнозов — 74%, полнота выявления случаев разжижения — 97,37%, а F1-мера — 84,09%.
Высокая полнота означает, что модель выявляла большую часть случаев разжижения в проверочной выборке. Однако более низкая точность положительных прогнозов показывает, что часть участков классифицировалась как потенциально опасная без подтверждения разжижения в исходных данных.
Разработанный подход может быть полезен на предварительных стадиях оценки сейсмической опасности, когда результаты инженерно-геологических изысканий ограничены или неоднородны.
При этом вероятностная модель не заменяет полноценные полевые исследования, лабораторные испытания и инженерные расчёты. Полученные показатели характеризуют конкретные экспериментальные выборки и не гарантируют аналогичную точность для других регионов и геологических условий.