随着城市地区的扩张，自然灾害的威胁成为城市规划者和灾害管理部门迫切关注的问题。在日本等地震多发的国家，基础设施面临的关键风险之一是液化，这是一种现象，剧烈的震动会导致松散的、饱和水的土壤失去强度，表现得像液体一样。液化会导致建筑物下沉到土壤中，地基开裂，道路和水管等公用设施倒塌。

机器学习模型增强了地震多发地区抵御液化的能力

每次大地震都会伴随土壤液化，破坏力巨大。2011 年日本东北地震导致土壤液化，损坏了 1,000 所房屋。在基督城，6.2 级地震导致土壤液化，摧毁了 80% 的供水和污水处理系统。2024 年，能登地震导致大面积土壤液化，影响了 6,700 所房屋。

为了让城市更能抵御土壤液化的影响，日本芝浦工业大学的 Shinya Inazumi 教授和他的学生 Yuxin Cong 一直在开发机器学习模型，以预测土壤在地震中会如何反应。这些模型使用地质数据来创建土壤层的详细 3D 地图，识别稳定区域和更容易液化的区域。与无法覆盖所有位置的手动土壤测试方法不同，这种方法提供了更广泛、更详细的土壤行为视图。

在他们于 2024 年 10 月 8 日发表在《智慧城市》杂志上的最新研究中，他们使用人工神经网络(ANN) 和集成学习技术来准确估计承重层的深度，这是衡量土壤稳定性和地震期间发生液化可能性的关键指标。

“这项研究建立了一种针对未知点和区域的高精度预测方法，展示了机器学习在岩土工程领域的巨大潜力。这些改进的预测模型有助于更安全、更高效的基础设施规划，这对于地震多发地区至关重要，最终有助于建设更安全、更智能的城市，”Inazumi 教授说。

预测具有深而稳定的承载层的区域有助于确定土壤可以为建筑物提供更好支撑的位置，尤其是在液化等事件期间。研究人员使用标准穿透测试和微型测深测试从东京世田谷区的 433 个点收集了承载深度数据。除了承载层的深度外，他们还记录了每个位置的关键信息，例如经度、纬度和海拔。

这些数据用于训练 ANN，以预测 10 个位置的承载层深度，并利用实际现场测量值来评估预测的准确性。为了提高这些预测的准确性，研究人员采用了一种称为 bagging(引导聚合)的技术，该技术涉及在训练数据的不同子集上多次训练模型。这种方法将预测准确性提高了 20%。

研究人员利用预测值绘制了一幅等高线图，展示了世田谷区四个选定地点周围 1 公里半径范围内的承重层深度。该地图是土木工程师的宝贵视觉辅助工具，可帮助他们确定土壤条件稳定的合适施工场地。它还帮助灾害管理专家确定更容易发生土壤液化的区域，从而更好地进行风险评估和制定缓解策略。

研究人员设想他们的方法将成为智慧城市发展的关键推动因素，强调数据驱动战略在指导城市发展和基础设施规划方面的重要性。“这项研究为更安全、更高效、更具成本效益的城市发展奠定了基础。通过将先进的融入岩土分析，智慧城市可以更好地减轻液化风险并增强城市的整体恢复力，”Inazumi 教授说。

研究人员计划通过结合额外的地面条件并开发针对沿海和非沿海地区的专门模型来提高其模型的准确性，并考虑到地下水(液化的一个重要因素)的影响。