A more accurate way to measure spatial correlation length from CPT data – ARMA models
Brigid Cami, Sina Javankhoshdel, Thamer Yacoub
In the proceedings of: GeoSt. John's 2019: 72nd Canadian Geotechnical ConferenceSession: Landslide/Ground Movement Impact on Infrastructures
ABSTRACT: Spatial variability is one of the largest sources of uncertainty in geotechnical applications. This variability is primarily characterized by the spatial correlation length, a parameter that describes the distance over which the parameters of a material are similar. Spatial variability is generally described with traditional methods of time series analysis. In statistics, the Auto-Regressive Moving Average (ARMA) model is commonly used to describe the relationship between two points in time. Instead of assuming an autocorrelation model, the ARMA model calculates the necessary auto-regressive components (AR), as well as a decaying mean structure (MA). The advantage of this method is that it is calculated for each specific field study, so that the data is not forced to fit into a fixed autocorrelation model (e.g. Markovian, Gaussian, etc.). Additionally, a very simple and fast algorithm is needed to calculate the necessary AR, and MA estimates. In this study, the ARMA model is introduced as a means of measuring correlation length, and two case studies and a simulation are used to compare the correlation length values from the ARMA model to the other estimates. The ARMA model was able to find correlation length estimates that were very similar to other methods in the case study values, and much more accurate values in the simulation, compared to other methods.
RÉSUMÉ: La variabilité spatiale est un plus sérieux ngénierie géotechnique. Cette variabilité est principalement caractérisée par la longueur de corrélation, un paramètre qui décrit la distance sur laquelle les paramètres d'un matériau sont similaires. La variabilité spatiale est étudiée avec les méthodes traditionnelles de séries temporelles. En statistique, les modèles ARMA (modèles autorégressifs et moyenne mobile) sont utilisés pour décrire la relation entre deux instants dans le temps. En lieu un modèle d'autocorrélation, le modèle ARMA calcule les parties autorégressives (AR) et les parties moyennes-mobiles (MAcas spécifique, et alors les données ne sont pas forcées de correspondre à (e.g. Markovian, Gaussian, etc.). De plus, un algorithme très simple et vite est utilisé pour déterminer l'ordre de la partie AR et l'ordre de la partie MA. Dans cet article, le modèle ARMA est introduite pour calculer la longueur de corrélation, et deux études de cas avec une simulation sont utilisées pour comparer les longueurs de corrélation calculées avec ARMA contre dautres estimations. Le modèle ARMA a estimé des longueurs de corrélation très similaires à d'autres méthodes dans les deux études de cas, et beaucoup plus précises dans la simulation par rapport à d'autres méthodes.
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:
Brigid Cami; Sina Javankhoshdel; Thamer Yacoub (2019) A more accurate way to measure spatial correlation length from CPT data – ARMA models in GEO2019. Ottawa, Ontario: Canadian Geotechnical Society.
@article{Geo2019Paper323,author = Brigid Cami; Sina Javankhoshdel; Thamer Yacoub,title = A more accurate way to measure spatial correlation length from CPT data – ARMA models,year = 2019}