Un enfoque de aprendizaje profundo para la generación estocástica de planos estructurales basado en modelos probabilísticos de difusión de denoising
Autores: Meng, Han; Qi, Xiaoyu; Mei, Gang
Idioma: Inglés
Editor: MDPI
Año: 2024
Acceso abierto
Artículo científico
2024
Un enfoque de aprendizaje profundo para la generación estocástica de planos estructurales basado en modelos probabilísticos de difusión de denoising
Categoría
Matemáticas
Subcategoría
Matemáticas generales
Palabras clave
Plano estructural estocástico
Estabilidad de masa rocosa
Distribución
Método de Monte Carlo
Modelo probabilístico de difusión de desenfoque
Correlación
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 20
Citaciones: Sin citaciones
El plano estructural estocástico de un macizo rocoso es el factor clave que controla la estabilidad del macizo rocoso. Obtener la distribución de planos estructurales estocásticos dentro de un macizo rocoso es crucial para analizar la estabilidad del macizo rocoso y apoyar de manera efectiva los taludes rocosos. El método convencional de Monte Carlo genera cada parámetro de los planos estructurales estocásticos por separado sin considerar la correlación entre los parámetros. Para abordar el problema anterior, este estudio utiliza de manera novedosa el modelo probabilístico de difusión de reducción de ruido (DDPM) para generar planos estructurales estocásticos. DDPM pertenece al modelo generativo profundo, el cual puede generar planos estructurales estocásticos sin asumir la distribución de probabilidad de los planos estructurales estocásticos de antemano. Toma los parámetros del plano estructural como una entrada integral en el modelo y puede capturar automáticamente las correlaciones entre los parámetros del plano estructural durante la generación. Esta idea se ha utilizado para la generación de planos estructurales estocásticos del talud de Oernlia en la parte oriental del lago Straumsvatnet, condado de Nordland, en el centro-norte de Noruega. La precisión fue verificada mediante estadísticas descriptivas (es decir, histograma, diagrama de caja, curva de distribución acumulativa), medidas de similitud (es decir, error cuadrático medio, divergencia KL, divergencia JS, distancia de Wasserstein, distancia euclidiana), análisis de error y el gráfico de regresión lineal. Además, los gráficos de regresión lineal entre la dirección de inclinación y el ángulo de inclinación verificaron que DDPM puede capturar de manera efectiva y automática la correlación entre los parámetros.
Descripción
El plano estructural estocástico de un macizo rocoso es el factor clave que controla la estabilidad del macizo rocoso. Obtener la distribución de planos estructurales estocásticos dentro de un macizo rocoso es crucial para analizar la estabilidad del macizo rocoso y apoyar de manera efectiva los taludes rocosos. El método convencional de Monte Carlo genera cada parámetro de los planos estructurales estocásticos por separado sin considerar la correlación entre los parámetros. Para abordar el problema anterior, este estudio utiliza de manera novedosa el modelo probabilístico de difusión de reducción de ruido (DDPM) para generar planos estructurales estocásticos. DDPM pertenece al modelo generativo profundo, el cual puede generar planos estructurales estocásticos sin asumir la distribución de probabilidad de los planos estructurales estocásticos de antemano. Toma los parámetros del plano estructural como una entrada integral en el modelo y puede capturar automáticamente las correlaciones entre los parámetros del plano estructural durante la generación. Esta idea se ha utilizado para la generación de planos estructurales estocásticos del talud de Oernlia en la parte oriental del lago Straumsvatnet, condado de Nordland, en el centro-norte de Noruega. La precisión fue verificada mediante estadísticas descriptivas (es decir, histograma, diagrama de caja, curva de distribución acumulativa), medidas de similitud (es decir, error cuadrático medio, divergencia KL, divergencia JS, distancia de Wasserstein, distancia euclidiana), análisis de error y el gráfico de regresión lineal. Además, los gráficos de regresión lineal entre la dirección de inclinación y el ángulo de inclinación verificaron que DDPM puede capturar de manera efectiva y automática la correlación entre los parámetros.