详细内容或原文请订阅后点击阅览
为连续地下地质材料表征而开发的地球物理机器学习工具
泰国北部地区地质复杂，断层系统活跃，经常发生山体滑坡，威胁生命和重要基础设施。 2022年，泰国北部清迈府1088号公路沿线发生边坡失稳。当芝浦工业大学的 Shinya Inazumi 教授领导的研究小组进行岩土工程调查以确定倒塌原因时，他们遇到了一个严重的限制。
来源:英国物理学家网首页泰国北部地区地质复杂，断层系统活跃，经常发生山体滑坡，威胁生命和重要基础设施。 2022年，泰国北部清迈府1088号公路沿线发生边坡失稳。当芝浦工业大学的 Shinya Inazumi 教授领导的研究小组进行岩土工程调查以确定倒塌原因时，他们遇到了一个严重的限制。
虽然 2D 电阻率成像覆盖了整个斜坡区域，但只能沿某些勘测线获取钻孔数据，从而使该地点的大部分区域没有特征。这种差距在识别土层边界、区分不同的土工材料以及评估整个破坏区的相对土壤刚度方面产生了显着的不确定性。该团队认识到，虽然钻探可以提供特定点的精确数据，但其高昂的成本和时间要求使得全面的现场覆盖变得不切实际，特别是在具有挑战性的山区地形中。
电阻率在这方面，机器学习的进步为地球物理数据的模式识别提供了新的可能性。
现在，该团队提出了一种突破性的方法，可以显着减少岩土工程调查中昂贵且耗时的钻孔需求。他们的研究结果已在线发布，并于 2025 年 9 月 26 日发表在《岩石力学与岩土工程杂志》上。
岩石力学与岩土工程学报 2 机器学习 政府机构 更多信息： DOI：10.1016/j.jrmge.2025.05.030