Machine Learning for Assessing Liquefaction Potential of Soils
Silvia García, Miguel Romo, Efraín Ovando-Shelley
In the proceedings of: GEO2011: 64th Canadian Geotechnical Conference, 14th Pan-American Conference on Soil Mechanics and Geotechnical Engineering, 5th Pan-American Conference on Teaching and Learning of Geotechnical EngineeringSession: Earthquake Engineering & Geophysics
ABSTRACT: This paper presents a new simplified method for assessing the liquefaction potential of soils based on geotechnical, geometrical and seismic load parameters. A relatively large database consisting of CPT, SPT and Vs measurements and field liquefaction performance observations of historical earthquakes is analyzed. This database is used to construct a nonlinear environment where the occurrence and nonoccurrence of liquefaction can be predicted using Machine Learning tools. The successfully trained and tested scheme is composed of i) an artificial neural network to map some index properties to resistance values, ii) a neurofuzzy system to estimate the liquefaction occurrence and a multidimensional fuzzy-liquefaction index and iii) a regression tree to generate or complete the seismic load information. The data points, measured and estimated, collectively define the liquefaction boundary surface, the fuzzy limit state nonlinear-function. Based on this newly developed cognitive method, intelligent analyses of the cases in the database are conducted using a simple mapping approach. The Machine Learning models, no necessarily expressed as functions, provide a simple means for knowledge-based evaluation of the liquefaction potential. The newly developed simplified method compares favorably to a widely used existing methods.
RÉSUMÉ: Ce document présent une nouvelle simplifiée méthode pour évaluer la résistance de liquéfaction des sols basée dans des paramètres géotechniques, géométriques et de charge sismique. Une base de donnés relativement large constituée par des mesures CPT, STP et Vs et des observations de performance de liquéfaction de terrain des séismes a été analysée. Cette information est utilisée pour construire un environnement pas-linéal où l™occurrence et la non-occurrence de la liquéfaction peut été prévue en utilisant des outils de Machine Learning. Le schème traîné avec de succès et prouvé est composé de i) un réseau de neurones artificiel pour tracer quelques propriétés index à valeurs de résistance, ii) un système neuro-brouillé pour estimer l™occurrence de liquéfaction et un index brouillé-multidimensionnel de liquéfaction et iii) un arbre de régression pour générer ou compléter l™information de la charge sismique. Les coordonnés, mesurées et estimées, collectivement défient la surface frontière de liquéfaction non-linéale multidimensionnelle, la fonctionne brouillé d™état limite. En se basant dans cette récemment développé méthode, des analyses intelligentes des cas dans la base de donnés ont été réalisés en utilisant une approximation de mapping simple. Les machine learning modéles, pas nécessairement expressés comme fonctionnes, donnent des moyens simples pour l™évaluation, en se basant dans la connaissance du potentiel de liquéfaction. La récemment développée simplifiée méthode est comparable à des autres méthodes déjà existantes et largement utilisées.
Access this article:
Canadian Geotechnical Society members can access to this article, along with all other Canadian Geotechnical Conference proceedings, in the Member Area. Conference proceedings are also available in many libraries.
Cite this article:
Silvia García; Miguel Romo; Efraín Ovando-Shelley (2011) Machine Learning for Assessing Liquefaction Potential of Soils in GEO2011. Ottawa, Ontario: Canadian Geotechnical Society.
@article{GEO11Paper1021,author = Silvia García; Miguel Romo; Efraín Ovando-Shelley ,title = Machine Learning for Assessing Liquefaction Potential of Soils,year = 2011}