如何用人工智能建设更安全的城市？机器学习预测城市土壤稳定性

在日本等地震多发地区，需要更好地预测土壤稳定性以减轻液化风险。为此，研究人员使用机器学习模型（包括人工神经网络和装袋技术）利用东京世田谷433个地点的数据创建了承载层的精确3D地图。这种方法可以识别稳定的施工现场，加强灾害规划，并有助于更安全的城市发展，使城市更能抵御液化风险。

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。

每次大地震都会伴随土壤液化，破坏力极大。2011年日本东北地震导致土壤液化，1,000栋房屋受损。在基督城，6.2级地震导致土壤液化，80%的供水和污水处理系统被毁。2024年，能登地震导致大面积土壤液化，6,700栋房屋受到影响。

为了让城市更能抵御液化的影响，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，以预测土壤在地震期间的反应。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。这张地图对土木工程师来说是一种宝贵的视觉辅助工具，可帮助他们确定土壤条件稳定的合适建筑工地。它还帮助灾害管理专家确定更容易发生土壤液化的区域，从而更好地评估风险并制定缓解策略。

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。通过将先进的人工智能模型融入岩土分析，智慧城市可以更好地减轻液化风险并增强城市整体复原力。”Inazumi教授在乐观地讨论这项研究的未来影响时说道。

展望未来，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。