一种基于贝叶斯网络的砂砾土地震液化判别方法

摘要

本发明公开了一种基于贝叶斯网络的砂砾土地震液化判别方法，它包括以下步骤：步骤一：从众多砂砾土地震液化影响因素中选择关键因素，作为砂砾土地震液化的判别指标；步骤二：根据所选判别指标，收集砂砾土地震液化场地历史数据，并将数据划分为训练集数据集和测试集数据集；步骤三：利用训练集数据进行贝叶斯网络的结构学习和参数学习，生成砂砾土地震液化判别方法，构建砂砾土液化判别指标与砂砾土液化势之间的依赖关系；步骤四：基于测试集数据，对所得的砂砾土地震液化判别方法进行验证，并获得该方法的性能评价指标。解决现有判别方法精度不足、适用性不广等问题。

说明书

技术领域

本发明属于岩土工程抗震技术领域，尤其涉及一种基于贝叶斯网络的砂砾土液化判别方法。

背景技术

地震液化是岩土工程抗震领域不可忽视的一个重要问题，它是指饱和砂土、粘粒含量较低的饱和轻亚黏土和级配不良的饱和砂砾土等，在地震动力作用下有可能发生液化，使得土体强度大幅度骤然丧失。在历史上的多次地震中都出现过地震液化灾害，如1964年日本新泻地震和美国的阿拉斯加地震，我国2008年汶川地震以及2018年印尼苏拉威西大地震等，均发生了大面积的地震液化灾害，造成了严重的生命和财产损失。鉴于此，地震液化灾害防治的相关研究受到了工程领域的持续关注。

地震液化判别是主要的液化灾害防治措施之一，已被列为抗震领域相关规范的强制执行条款。但地震液化影响因素众多，各因素之间存在极强的非线性关系，从而决定了地震液化判别的复杂性和不确定性。传统的地震液化判别方法是基于室内试验和现场原位试验提出的半经验方法，这类方法简明易用，可解释性强，但是判别精度不够。随着机器学习技术的发展，一些专家学者提出借助机器学习方法对历史液化灾害的实测数据进行处理，从而建立对应的地震液化判别方法。该类方法能够明显改进判别精度，并且可以考虑判别过程中的不确定性，具有广阔的应用前景。但各类机器学习方法的优缺点不一，而且一些液化判别方法的建立过程不够科学透明，因此还有待进一步的研究应用。

传统的地震液化研究主要聚焦于砂土，砂砾土一直被认为不可能发生地震液化，有关砂砾土的历史地震液化记录也十分稀少。但2008年汶川地震中出现了大面积的砂砾土液化现象，打破了砂砾土属于不可液化安全土类的固有认知。目前关于砂砾土的地震液化判别方法还很不成熟，砂砾土液化的触发条件和产生机理也与砂土有显著差异，因此提出和发展有关砂砾土的地震液化判别方法显得尤为急迫。

发明内容

为了回应工程中砂砾土场地液化判别的实际需要，解决现有判别方法精度不足、适用性不广等问题。本发明提供一个适用于砂砾土地震液化判别的贝叶斯网络模型，并详述了该方法的建立过程和理论依据。该方法经过验证，达到了较好的判别效果。

为了实现上述的技术特征，本发明的目的是这样实现的：一种基于贝叶斯网络的砂砾土地震液化判别方法，它包括以下步骤：

步骤一：从众多砂砾土地震液化影响因素中选择关键因素，作为砂砾土地震液化的判别指标；

步骤二：根据所选判别指标，收集砂砾土地震液化场地历史数据，并将数据划分为训练集数据集和测试集数据集；

步骤三：利用训练集数据进行贝叶斯网络的结构学习和参数学习，生成砂砾土地震液化判别方法，构建砂砾土液化判别指标与砂砾土液化势之间的依赖关系；

步骤四：基于测试集数据，对所得的砂砾土地震液化判别方法进行验证，并获得该方法的性能评价指标。

贝叶斯网络建模过程包括砂砾土地震液化关键影响因素的选择，以及贝叶斯网络模型的结构学习和参数学习；

在选择影响砂砾土地震液化的判别指标时，从地震信息、土体信息和场地条件三类影响因素中优选多个关键因素。

所述关键因素共有13个，包括：震级M

在关键因素中的修正动力贯入锤击数N

步骤二中所收集到的训练集数据集和测试集数据集按区间进行离散化处理，并利用最大信息系数(MIC)方法检索所选择的多个关键因素变量之间的数据关联性，当两个变量之间的互信息值达到0.9倍的最大互信息值时，即认为这两个变量之间存在依赖关系；

基于检测到的变量依赖关系，结合专业知识修正和补充输入节点之间的依赖关系，使得网络结构所表示的各影响因素之间的依赖关系更加符合专业认知；

再构造得到贝叶斯网络的初始结构，作为K2结构算法的先验节点次序；

将上述所得的初始结构为基础，利用K2结构算法从训练数据集中学习得到最优的贝叶斯网络结构，从而获得最终的贝叶斯网络结构。

针对训练集数据集中存在较多的数据缺失，利用最大期望(EM)算法进行贝叶斯网络的参数学习，获得贝叶斯网络的条件概率表参数，然后利用K折交叉验证法将这些数据分为训练集和测试集，用于多次重复试验。

利用测试集数据计算所得模型的7个性能评价指标，包括整体精度OA、召回率Rec、准确率Pre、F1值、AUC值、平均绝对误差MAE和均方根误差RMSE，并与已有方法对比。

本发明有如下有益效果：

1、本发明提出的砂砾土地震液化判别方法，较好地解决了现有砂砾土地震液化判别方法不足的问题，进一步提升了砂砾土地震液化判别的有效性和准确性。

2、本发明提出的砂砾土地震液化判别方法，采用了历史上15次不同地震中的砂砾土液化调查数据，大大拓展了方法的适用范围，增强了方法的泛化能力。

3、本发明提出利用贝叶斯网络构建砂砾土地震液化判别方法，贝叶斯网络是一种基于概率论和图论的有向无环网络图模型，具有坚实的数学原理，能够较好地处理不确定性推断和复杂的非线性问题，在地震液化判别领域具有显著优势。

4、本发明提出利用最大信息系数法、K2算法和专业知识，构建用于砂砾土地震液化判别的贝叶斯网络结构，能够较好地减少主观因素，充分挖掘历史数据中的客观关系。

附图说明

下面结合附图和实施例对本发明作进一步说明。

图1是本发明技术路线图。

图2是本发明基于最大信息系数法和K2算法得到的砂砾土地震液化判别的贝叶斯网络结构。

图3是本发明提出的砂砾土地震液化判别方法的性能评价指标。

具体实施方式

下面结合附图对本发明的实施方式做进一步的说明。

实施例1：

如图1-3所示，一种基于贝叶斯网络的砂砾土地震液化判别方法，它包括以下步骤：

步骤一：从众多砂砾土地震液化影响因素中选择关键因素，作为砂砾土地震液化的判别指标；

步骤二：根据所选判别指标，收集砂砾土地震液化场地历史数据，并将数据划分为训练集数据集和测试集数据集；

步骤三：利用训练集数据进行贝叶斯网络的结构学习和参数学习，生成砂砾土地震液化判别方法，构建砂砾土液化判别指标与砂砾土液化势之间的依赖关系；

步骤四：基于测试集数据，对所得的砂砾土地震液化判别方法进行验证，并获得该方法的性能评价指标。

进一步的，贝叶斯网络建模过程包括砂砾土地震液化关键影响因素的选择，以及贝叶斯网络模型的结构学习和参数学习；

进一步的，在选择影响砂砾土地震液化的判别指标时，从地震信息、土体信息和场地条件三类影响因素中优选多个关键因素。

进一步的，所述关键因素共有13个，包括：震级M

进一步的，在关键因素中的修正动力贯入锤击数N

进一步的，步骤二中所收集到的训练集数据集和测试集数据集按区间进行离散化处理，并利用最大信息系数(MIC)方法检索所选择的多个关键因素变量之间的数据关联性，当两个变量之间的互信息值达到0.9倍的最大互信息值时，即认为这两个变量之间存在依赖关系；

进一步的，基于检测到的变量依赖关系，结合专业知识修正和补充输入节点之间的依赖关系，使得网络结构所表示的各影响因素之间的依赖关系更加符合专业认知；再构造得到贝叶斯网络的初始结构，作为K2结构算法的先验节点次序；将上述所得的初始结构为基础，利用K2结构算法从训练数据集中学习得到最优的贝叶斯网络结构，从而获得最终的贝叶斯网络结构。

进一步的，针对训练集数据集中存在较多的数据缺失，利用最大期望(EM)算法进行贝叶斯网络的参数学习，获得贝叶斯网络的条件概率表参数，然后利用K折交叉验证法将这些数据分为训练集和测试集，用于多次重复试验。

进一步的，利用测试集数据计算所得模型的7个性能评价指标，包括整体精度OA、召回率Rec、准确率Pre、F1值、AUC值、平均绝对误差MAE和均方根误差RMSE，并与已有方法对比。

实施例2：

本发明实施例1提供一种基于贝叶斯网络的砂砾土地震液化判别方法，如图1技术路线图所示，具体步骤如下：

基于动力触探试验的205组历史地震液化调查数据，考虑12个砂砾土地震液化判别指标(震级M

基于最大信息系数法和专业知识构建初始贝叶斯网络结构。首先考虑上述12个输入节点之间的网络连接结构，每2个输入节点之间计算互信息值MIC(x,y)并形成互信息值矩阵，标记矩阵中每行的最大值maxMIC(X)和每列的最大值maxMIC(Y)。互信息值越大，表明两变量之间的关联性越强，当2个变量间的互信息值大于α倍的最大互信息值时(即MIC(x,y)≥α·maxMIC(X)或MIC(y,x)≥α·maxMIC(Y))，认为它们之间存在依赖关系，此处α取0.9。再由专业知识修正和补充变量之间的依赖关系，确定网络节点之间的连线，并指明连线的箭头指向，从而初步得到了输入节点之间的网络初始结构。然后确定输入节点与输出节点之间的网络连接结构，尽管所有输入节点均与输出节点存在依赖关系，但前述所得的部分父节点与输出节点可能是间接依赖，因此利用条件最大信息系数法，计算给定子节点c的条件下父节点f与输出节点r之间的条件互信息值MIC(f,r|c)，当条件互信息值大于β值时(即MIC(f,r|c)≥β)，认为父节点与输出节点之间直接依赖，存在网络连接结构，此处取β值为所有条件互信息值的平均值。基于上述步骤，得到砂砾土地震液化判别的初始贝叶斯网络结构，为K2算法提供先验节点次序，最大父亲节点数和节点之间的独立约束。

由于K2算法和贝叶斯网络模型需要离散型数据，所以将上述判别指标和样本数据集按照取值区间进行离散，其中t,PGA,GC,N

使用K2算法充分挖掘数据中的隐含信息，进一步优化贝叶斯网络结构。指定节点总数n＝13，定义各节点所代表的变量名，然后基于上述初始贝叶斯网络结构为K2算法提供先验节点次序和节点独立约束，该次序中排在前面的节点可能是后续节点的父节点，但后续节点不能是前面节点的父节点。接下来将初始贝叶斯网络中单个节点的最大连接数10指定为K2算法中的最大父结点个数限制，最后读取205组动力触探历史地震液化调查数据，进行K2算法的网络结构学习。最终获得砂砾土地震液化判别方法的贝叶斯网络结构，如图2所示。

获得贝叶斯网络结构之后，进行参数学习得到贝叶斯网络的条件概率表。由于数据中存在较多的数据缺失，因此采用最大期望算法进行参数学习。此外，考虑到砂砾土地震液化数据量较少，采用5折交叉试验法充分利用数据集进行模型的训练和测试。将205组数据等分为任意5份，为减小抽样偏差，应使每份数据中的液化样本数与非液化样本数接近。然后重复进行5次试验，每次取1组不同的数据作为测试集，其它组数据作为训练集。

完成上述5次试验后，会得到5个模型，并针对每个模型的结果，计算模型的评价指标，如总体精度(OA)表示模型预测正确的样本数占总样本数的比例，准确率(Pre)表示预测为液化且预测正确的样本数占预测为液化的样本数的比例，召回率(Rec)表示预测为液化且预测正确的样本数占实际液化样本数的比例，F

实施例3：

本发明实施例2提供一种基于贝叶斯网络的砂砾土地震液化判别方法，该方法与实施例1基本相同，不同的是将判别指标中的修正动力贯入锤击数N