我们的房屋和办公室的坚固程度取决于它们下面的地面。当坚硬的地面变成液体时——有时发生在地震中——它会倒塌建筑物和桥梁。这种现象被称为液化，它是 2011 年新西兰基督城地震的一个主要特征，这是一场 6.3 级地震，造成 185 人死亡，数千所房屋被毁。

基督城地震的一个好处是它是历史上记录最完整的地震之一。由于新西兰地震活跃，这座城市配备了许多用于监测地震的传感器。事后侦察提供了大量关于土壤如何响应整个城市的额外数据。

“这是我们领域的大量数据，”博士后研究员 Maria Giovanna Durante 说，她曾是德克萨斯大学奥斯汀分校(UT Austin)的玛丽斯克洛多夫斯卡居里研究员。“我们说，'如果我们有数千个数据点，也许我们可以找到一个趋势。'”

Durante 与 Ellen Rathje 教授、德克萨斯大学奥斯汀分校工程学百年主席珍妮特 S.科克雷尔以及国家科学基金会资助的 DesignSafe 网络基础设施的首席研究员合作，该网络基础设施支持整个自然灾害社区的研究。Rathje 对液化的个人研究使她研究了基督城事件。她一直在思考如何将机器学习融入她的研究中，这个案例似乎是一个很好的起点。

“有一段时间，我对机器学习如何被纳入其他领域印象深刻，但似乎我们在岩土工程中从来没有足够的数据来利用这些方法，”Rathje 说。“然而，当我看到来自新西兰的液化数据时，我知道我们有一个独特的机会最终将人工智能技术应用于我们的领域。”

两位研究人员开发了一种机器学习模型，可以预测当基督城地震导致土壤失去强度并相对于周围环境移动时发生的横向运动量。

结果于 2021 年 4 月在线发表在Earthquake Spectra上。

“这是我们岩土工程领域的首批机器学习研究之一，”杜兰特说。

研究人员首先使用带有二元分类的随机森林方法来预测特定位置是否发生横向扩展运动。然后，他们应用多类分类方法来预测位移量，从零到超过 1 米。

“我们需要将物理学放入我们的模型中，并能够识别、理解和可视化模型的作用，”杜兰特说。“出于这个原因，选择与我们研究的现象相匹配的特定输入特征非常重要。我们没有将模型用作黑匣子——我们试图尽可能地整合我们的科学知识。”

Durante 和 Rathje 使用与所经历的峰值地面震动(液化的触发因素)、地下水位深度、地形坡度和其他因素相关的数据来训练模型。总共有来自城市一小块区域的 7,000 多个数据点用于训练数据——这是一个很大的进步，因为之前的岩土工程机器学习研究仅使用了 200 个数据点。

他们在地震震中周围的 250 万个地点在全市范围内测试了他们的模型，以确定位移。他们的模型以 80% 的准确率预测液化是否发生;它在确定位移量时准确率为 70%。

研究人员使用世界上最快的德克萨斯高级计算中心 (TACC) 的 Frontera 超级计算机来训练和测试模型。TACC 是 DesignSafe 项目的重要合作伙伴，为自然灾害工程社区提供计算资源、软件和存储。

对 Frontera 的访问为 Durante 和 Rathje 提供了前所未有的机器学习能力。推导出最终的机器学习模型需要测试 2,400 个可能的模型。

“在其他任何地方进行这项研究可能需要数年时间，”杜兰特说。“如果你想进行参数研究，或进行综合分析，你需要具备计算能力。”

她希望他们的机器学习液化模型有朝一日能够引导急救人员应对地震后最紧迫的需求。“紧急救援人员需要指导哪些区域和哪些结构最有可能倒塌，并将注意力集中在那里，”她说。

共享、再现和访问

对于 Rathje、Durante 和越来越多的自然灾害工程师来说，期刊出版物并不是研究项目的唯一结果。他们还将所有数据、模型和方法发布到 DesignSafe 门户，该门户是与飓风、地震、海啸和其他自然灾害对建筑和自然环境的影响相关的研究中心。

“我们在 DesignSafe 门户中完成了项目的所有工作，”杜兰特说。“所有地图都是使用 QGIS 制作的，QGIS 是 DesignSafe 上提供的一种地图工具，使用我的计算机作为连接到网络基础设施的一种方式。”

对于他们的机器学习液化模型，他们创建了一个 Jupyter 笔记本——一个基于 Web 的交互式文档，其中包括数据集、代码和分析。该笔记本允许其他学者以交互方式重现团队的发现，并用自己的数据测试机器学习模型。

杜兰特说：“让材料可用并使其可重复对我们来说很重要。” “我们希望整个社区都采用这些方法。”

NSF 工程理事会项目主管 Joy Pauschke 表示，这种新的数据共享和协作范式是 DesignSafe 的核心，有助于加快该领域的进展。

“研究人员开始将人工智能方法与自然灾害研究数据结合使用，并取得了令人兴奋的结果，”Pauschke 说。“将机器学习工具添加到 DesignSafe 的数据和其他资源中将带来新的见解，并有助于加快进步，从而提高灾难恢复能力。”

机器学习的进步需要丰富的数据集，就像基督城地震的数据一样。“关于基督城事件的所有信息都可以在网站上找到，”杜兰特说。“这在我们的社区中并不常见，没有它，这项研究就不可能完成。”

进步还需要高性能计算系统来测试新方法并将其应用于新领域。

研究人员继续完善液化的机器学习模型。他们说，需要进一步研究来开发可推广到其他地震事件和地质环境的机器学习模型。

今年回到家乡的杜兰特说，她希望从收回的一件事是研究影响公共政策的能力。

她引用了最近与 Scott Brandenberg 和 Jonathan Stewart(加利福尼亚大学洛杉矶分校)合作的一个项目，该项目开发了一种新方法来确定挡土墙在地震期间是否会倒塌。在他们的研究开始不到三年后，为新建筑和其他结构推荐的抗震规定包括了他们的方法。

“我希望我的工作对日常生活产生影响，”杜兰特说。“在，研究和现实生活之间有更多的直接系，这是我想带回家的东西。”