Explainable AI models for predicting liquefaction-induced lateral spreading

📄 arXiv: 2404.15959v1 📥 PDF

作者: Cheng-Hsi Hsiao, Krishna Kumar, Ellen Rathje

分类: physics.geo-ph, cs.LG

发布日期: 2024-04-24

备注: to be published in "Frontiers in Built Environment"

💡 一句话要点

提出可解释AI模型以预测液化引发的侧向位移

🎯 匹配领域: 支柱四：生成式动作 (Generative Motion)

关键词: 液化 侧向位移 可解释AI 极端梯度提升 SHAP 地质工程 机器学习 风险评估

📋 核心要点

  1. 现有的侧向位移预测模型往往依赖于复杂的机器学习算法，但其黑箱特性限制了在关键决策中的应用。
  2. 本研究通过结合SHAP方法与XGB模型，提供了对预测结果的可解释性，增强了模型的透明度。
  3. 实验结果显示，XGB模型能够有效识别土壤特性的重要性，与传统工程知识相一致，提升了预测的可靠性。

📝 摘要（中文）

地震引发的液化可能导致显著的侧向位移，威胁基础设施的安全。机器学习（ML）能够通过捕捉复杂的土壤特性和现场条件来改善侧向位移预测模型。然而，ML模型的“黑箱”特性可能阻碍其在关键决策中的应用。本研究通过使用SHapley Additive exPlanations（SHAP）来解释训练于2011年基督城地震数据的极端梯度提升（XGB）模型，解决了这一限制。SHAP分析揭示了驱动模型预测的因素，增强了透明性，并允许与已有的工程知识进行比较。结果表明，XGB模型成功识别了来自锥形渗透试验（CPT）数据的土壤特性在预测侧向位移中的重要性，验证了其与领域理解的一致性。这项工作突显了可解释机器学习在地质工程和灾害评估中的可靠性和知情决策的重要性。

🔬 方法详解

问题定义：本研究旨在解决地震引发的液化导致的侧向位移预测中的可解释性问题。现有机器学习模型的黑箱特性使得其在实际应用中受到限制，缺乏透明度和可理解性。

核心思路：论文提出通过SHAP方法对极端梯度提升（XGB）模型进行解释，揭示模型预测的驱动因素，从而提高模型的可解释性和透明度。这样的设计使得工程师能够理解模型的决策过程，并与已有的工程知识进行对比。

技术框架：研究首先收集2011年基督城地震的数据，利用这些数据训练XGB模型。接着，应用SHAP分析对模型的输出进行解释，识别影响预测结果的关键土壤特性。

关键创新：本研究的主要创新在于将SHAP方法与XGB模型结合，提供了一种新的可解释机器学习框架，能够有效识别和解释影响侧向位移的土壤特性。这与传统的黑箱模型形成鲜明对比。

关键设计：在模型训练过程中，采用了锥形渗透试验（CPT）数据作为输入特征，优化了模型的超参数设置，以提高预测性能。同时，SHAP分析的实施确保了模型输出的可解释性，允许用户理解每个特征对预测结果的贡献。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，XGB模型在预测侧向位移方面表现优异，成功识别了土壤特性的重要性，与传统工程知识高度一致。通过SHAP分析，模型的透明度显著提高，使得预测结果更具可信度和可解释性。

🎯 应用场景

该研究的成果在地质工程和灾害评估领域具有广泛的应用潜力。通过提供可解释的预测模型，工程师和决策者能够在面对地震等自然灾害时做出更为可靠和知情的决策，从而有效保护基础设施和公众安全。未来，该方法还可扩展至其他类型的自然灾害预测和风险评估中。

📄 摘要（原文）

Earthquake-induced liquefaction can cause substantial lateral spreading, posing threats to infrastructure. Machine learning (ML) can improve lateral spreading prediction models by capturing complex soil characteristics and site conditions. However, the "black box" nature of ML models can hinder their adoption in critical decision-making. This study addresses this limitation by using SHapley Additive exPlanations (SHAP) to interpret an eXtreme Gradient Boosting (XGB) model for lateral spreading prediction, trained on data from the 2011 Christchurch Earthquake. SHAP analysis reveals the factors driving the model's predictions, enhancing transparency and allowing for comparison with established engineering knowledge. The results demonstrate that the XGB model successfully identifies the importance of soil characteristics derived from Cone Penetration Test (CPT) data in predicting lateral spreading, validating its alignment with domain understanding. This work highlights the value of explainable machine learning for reliable and informed decision-making in geotechnical engineering and hazard assessment.