Трансформации в геотехнике с помощью искусственного интеллекта: достижения, проблемы и перспективы. Часть 2

ОСНОВНЫЕ ПРОБЛЕМЫ ПРИМЕНЕНИЯ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА В ГЕОТЕХНИКЕ

На рисунке 6 показаны ключевые проблемы, препятствующие широкому внедрению искусственного интеллекта в геотехнику. Общее для них связано с тем, как методы использования ИИ в геотехнике вписываются в более широкий контекст инженерного освоения подземного пространства. Несмотря на то что существуют возможности для обмена данными и моделями с целью получения более целостного представления о подземной среде, для создания стандартизированной системы такого обмена требуются общие формализованные способы представления и структурирования знаний (онтологии) и совместимость данных. Далее эти проблемы и возможные пути их решения рассматриваются подробнее.

Рис. 6. Основные проблемы применения искусственного интеллекта в геотехнике и их возможные решения

Проблема 1: нехватка и качество данных

Все процессы, основанные на данных, зависят от размера и качества обучающей выборки. Поэтому одним из существенных препятствий для широкого применения ИИ в геотехнике является нехватка высококачественных, аннотированных и разнообразных данных. Наборы геотехнической информации требуют тщательного аннотирования, в ходе которого специалисты в соответствующей области присваивают данным «метки» с точными и подробными сведениями о свойствах грунтов, геологических особенностях и геотехнических параметрах, а также комментариями по процедурам испытаний.

Достоверно установлено, что ограниченная доступность данных оказывает существенное влияние на машинное обучение [156], повышая риск неточностей, слабой способности к обобщению и, в крайних случаях, ложных прогнозов, возникающих из-за переобучения.

Имеется настоятельная необходимость в установлении единых стандартов оценки качества геотехнических данных с учетом различий в надежности испытаний, связанных с человеческим фактором, методами тестирования или используемыми приборами.

Недавно были предложены структурированные подходы к оценке качества данных при геотехническом мониторинге [157 и др.] – и стандарты обмена данными, такие как AGS и DIGGS, снова актуальны. В условиях недостатка данных разработчики моделей часто прибегают к вероятностным суррогатным моделям [9], к использованию аугментации (увеличения объема) данных с учетом специфики предметной области или к трансферному обучению (при котором модель, обученная для одной задачи, повторно используется для решения другой, связанной с первой).

Перспективное направление для решения рассматриваемой проблемы – объединение обученных моделей разных заинтересованных сторон, которое позволит преодолеть трудности, связанные с обменом данными в геотехническом сообществе. Обычно такой подход предполагает обучение общей модели на разных децентрализованных наборах данных, хранящихся у разных участников. При этом каждый владелец данных обучает модель локально, а обмен осуществляется только обновлениями модели (но не исходными данными). Для координации обучения на разных площадках используется единый набор параметров и гиперпараметров. Данная стратегия также соответствует принципам операционных процессов машинного обучения (Machine Learning Operations, MLOps), которые обеспечивают отслеживаемое, воспроизводимое и масштабируемое управление моделями.

Проблему нехватки данных помогут смягчить и современные методы их сбора, например передовые сенсорные технологии (такие как распределенные волоконно-оптические датчики [158], беспроводные ячеистые сети [157]) и дистанционное зондирование (например, спутниковая интерферометрическая радиолокация с синтезированной апертурой (InSAR) [159]).

Также можно повысить доступность разнообразной информации путем совместных усилий по обмену анонимизированными наборами данных и по установлению стандартизированных форматов данных. Примером может послужить база данных испытаний свай на нагрузку DINGO [160].

Кроме того, для расширения существующих наборов данных могут применяться методы науки о данных, такие как аугментация данных, трансферное обучение и генерация синтетических данных. Это позволит моделям ИИ лучше обобщать информацию и эффективно работать при различных геотехнических сценариях, несмотря на изначальный недостаток данных.

Проблема 2. Прозрачность и объяснимость моделей

Алгоритмы искусственного интеллекта (в частности, глубокого обучения) часто воспринимаются как «черные ящики», которые практически не позволяют понять лежащие в их основе процессы принятия решений. В геотехнике, где прозрачность и понимание прогнозов моделей имеют решающее значение для обоснованного принятия решений, отсутствие объяснимости является серьезным препятствием.

Для решения этой проблемы требуются новые методы, позволяющие извлекать осмысленные сведения из сложных моделей ИИ. Например, для обучения модели на стандартах по геотехническому проектированию с целью проверки соответствия проектных решений нормативным требованиям может использоваться обработка естественного языка.

К дополнительным методам можно отнести: универсальные инструменты интерпретации, не зависящие от модели; анализ чувствительности; механизмы внимания, которые позволяют анализировать результаты работы модели и, как следствие, выявлять наиболее значимые факторы, влияющие на геотехнические прогнозы.

Перспективным направлением также является машинное обучение с учетом физических законов (физически информированное), которое позволяет интегрировать в модели ИИ знания по предметной области, что дает возможность использовать относительные преимущества моделей, основанных на физических законах, и методов, основанных на данных, для повышения как интерпретируемости, так и надежности прогнозов [161].

Недавние успехи в создании физически информированных конститутивных моделей [162 и др.] также показывают, что к более достоверным прогнозам может приводить основанное на данных моделирование с ограничениями, обусловленными законами физики (физически ограниченное). Кроме того, может использоваться метод стохастического отключения узлов/нейронов сети (метод дропаута), причем не только в качестве регуляризатора во время обучения, но и для генерации стохастических выборок на этапе вывода с применением дропаута по методу Монте-Карло, иногда называемого просто дропаутом Монте-Карло. Среднее значение предсказаний и их дисперсия, соответственно, отражают наилучшую оценку и эпистемическую (вызванную неполнотой знаний) неопределенность выходных данных модели (рис. 7, 8).

Рис. 7. Схема моделирования, принятая в работе Чжана и др. [163]: а – архитектура, показывающая входные параметры модели, а также взаимодействие между выходными параметрами нейронной сети и ограничениями, обусловленными законами физики (обведено красным) при использовании в данном примере инкрементального нелинейного моделирования; б – пример отключения части связей нейронной сети при дропауте по методу Монте-Карло (отключенные связи показаны красным)

Рис. 8. Сопоставление прогнозов модели с результатами лабораторных испытаний на трехосное сжатие стандартного калибровочного кварцевого песка Тойура (добываемого в районе одноименного города на японском острове Хонсю) при использовании: а – искусственной нейронной сети (ИНС); б – нейронной сети, основанной на априорной информации, то есть физически информированной нейронной сети (ФИНС) [163]. Буквенные обозначения параметров: q –девиаторное напряжение, или разность между главным/осевым и боковым напряжениями (σ₁–σ₃); ε₁ – относительная осевая деформация образца

Были предприняты целенаправленные усилия по повышению интерпретируемости моделей машинного обучения. Среди предложенных подходов можно в том числе выделить:

а) декомпозицию модели [164], при которой сложные модели разбиваются на более простые и легко понимаемые компоненты;

б) извлечение правил [165], когда сложные модели аппроксимируются более простыми моделями, построенными на основе правил типа «если, ...то»;

в) оценку важности признаков [166], когда выделяются признаки, оказывающие наибольшее влияние на выходные данные модели, с помощью специальных методов, например технического инструмента для интерпретации моделей машинного обучения под названием SHAP (SHapley Additive exPlanations – «Аддитивные объяснения на основе значений Шепли»), который позволяет оценивать вклад каждого признака в конкретный прогноз модели;

г) отчеты по модели [167], включающие документацию по ее разработке, эффективности и предполагаемых случаях применения с полным отслеживанием версий модели и истории разработки с помощью автоматизированных конвейеров полного цикла разработки и эксплуатации моделей машинного обучения (Machine Learning Operations pipelines – MLOps pipelines).

Проблема 3. Универсальность для разных геотехнических условий (способность моделей к обобщению)

Обобщение моделью закономерностей на основе данных по широкому спектру типов грунтов, геологических формаций и факторов окружающей среды является сложной задачей. Основная трудность заключается в создании моделей, которые не только хорошо работают на основе обучающих данных, но и сохраняют надежность в случаях применения к новым условиям, по данным для которых не проводилось обучение.

Перспективное решение этой проблемы – использование методов трансферного обучения, когда модели, обученные на данных для одних геотехнических условий, на втором этапе корректируются (настраиваются) для адаптации к различным сценариям. Чжоу с соавторами [28] уже продемонстрировали эффективность таких подходов для определения границ между слоями грунтов: на первом этапе для предварительного обучения модели использовалась общедоступная исходная база данных, а на втором выполнялась ее донастройка на целевой базе данных, относящейся к конкретному участку (рис. 9).

Рис. 9. Схема применения метода трансферного обучения для определения границ между слоями грунтов (по [28]). Буквенное обозначение: fT(·) – функция дообучения модели на целевых данных (точка по центру строки в скобках используется вместо ее аргумента, который здесь не конкретизирован)

Кроме того, благодаря машинному обучению с учетом физических законов (физически информированному) модели могут учитывать фундаментальные геотехнические механизмы, что обеспечивает надежную экстраполяцию на разные условия [163 и др.].

Решающее значение для повышения способности моделей к обобщению имеет также обеспечение как репрезентативности обучающих наборов данных, так и достаточного их разнообразия.

Преодоление рассматриваемой проблемы позволит создавать более универсальные и надежные модели ИИ, пригодные для широкого применения на практике в целях решения реальных геотехнических задач.

Проблема 4. Неопределенность предсказаний искусственного интеллекта

Оценки неопределенности в геотехнике особенно необходимы из-за высокой цены, которую приходится платить за ошибки. Однако получение таких оценок с помощью моделей искусственного интеллекта остается сложным.

Надежные и научно обоснованные средства учета неопределенности можно получить с помощью вероятностного моделирования, основанного на байесовских методах машинного обучения. В частности, показано, что с моделированием геотехнической неопределенности на фундаментальном уровне можно хорошо справиться с использованием регрессии на основе гауссовского процесса [6, 9 и др.] (рис. 10). Даже для детерминированных моделей ИИ существуют методы оценки эпистемической (обусловленной недостатком знаний) неопределенности. Например, для нейронных сетей одним из наиболее распространенных методов проверки чувствительности выходных данных модели к ее конкретной архитектуре является дропаут по методу Монте-Карло. Имеются и такие популярные подходы, как ансамблевые методы, например бутстрэппинг (выборка с возвращением).

Рис. 10. Сопоставление относительных осевых деформаций (ε₁), измеренных при циклическом трехосном сжатии в недренированных условиях и спрогнозированных с помощью модели регрессии на основе гауссовского процесса с ковариационной функцией LE+SE*PER, где SE, LE и PER – экспоненциальная квадратичная, линейная и периодическая компоненты ковариационной функции соответственно [9]

Разработка систем, в которых геостатистические методы интегрированы с моделями искусственного интеллекта, также позволит получить более полное представление о пространственных неопределенностях. Признание наличия и учет неопределенности грунтовых условий в прогнозах ИИ не только повысят доверие к таким геотехническим моделям, но и предоставят геотехникам и лицам, принимающим решения, ценную информацию для обоснованного выбора. 

Проблема 5. Интеграция искусственного интеллекта с традиционными геотехническими моделями и эмпирическими методами

Несмотря на то что искусственный интеллект способен анализировать большие многомерные наборы геотехнических данных, для обеспечения точности и содержательности интерпретаций решающую роль играет включение профессиональных знаний и понимания контекста.

Не менее значимой задачей является обеспечение соответствия моделей ИИ общепризнанным в геотехнике принципам, нормативно-правовым документам и теориям. Одним из перспективных направлений решения этой задачи может стать автоматизированная проверка соответствия проектных геотехнических решений, основанных на данных, требованиям нормативных документов [168 и др.].

Также необходим междисциплинарный подход, предполагающий сотрудничество между специалистами в сферах искусственного интеллекта и геотехники.

Сильные стороны методов, основанных на данных и базирующихся на знании физических законов, могут сочетаться в гибридных моделях, дающих более интерпретируемые (объяснимые) и заслуживающие доверия результаты. Кроме того, можно явно задавать и объединять профессиональные знания в моделях ИИ с помощью графов знаний и онтологий.

В долгосрочной перспективе эффективное решение рассматриваемой проблемы, вероятно, потребует повышения квалификации современных геотехников, чтобы они могли анализировать не только данные, но и модели, основанные на этих данных. Крайне важно, чтобы решения на основе искусственного интеллекта вырабатывались в русле профессионального мышления и необходимых геотехнических знаний.

Проблема 6. Сравнительный анализ, стандартизация и валидация

Вероятность возникновения переобучения и, как следствие, выдачи ложных прогнозов для алгоритмов искусственного интеллекта существенно выше, чем для традиционных проектных моделей, что объясняется их сильно нелинейными составляющими. В отличие от традиционных численных моделей, результаты работы которых проверяются с помощью упрощенных аналитических моделей в целях подтверждения их обоснованности, для алгоритмов ИИ может не быть подобного механизма валидации.

Валидация моделей ИИ в геотехнике обычно проводится с использованием k-кратной перекрестной проверки (по k подвыборкам) или с помощью тестирования на отложенной выборке, не участвовавшей в обучении. При этом для оценки способности к обобщению применяются такие показатели эффективности, как среднеквадратическое отклонение, коэффициент детерминации R², средняя абсолютная ошибка, а также, все чаще, границы неопределенности (интервал возможной ошибки модели). Однако специфические для предметной области проблемы (например, автокорреляция геопространственных данных для участка изысканий) требуют особенно тщательной разработки методики валидации.

Внедрение искусственного интеллекта в геотехнику требует баланса между точностью, временем обучения и вычислительными ресурсами, которые также сильно зависят от настройки гиперпараметров. Основные параметры (например, скорость обучения, глубина архитектуры, параметры, отвечающие за регуляризацию) требуют систематической настройки, часто с использованием поиска по сетке гиперпараметров (перебора их фиксированных комбинаций) или с помощью байесовского поиска (с применением байесовской вероятностной модели).

Простые модели (например, на основе деревьев решений или линейные) быстро обучаются даже на стандартных ноутбуках, тогда как модели глубокого обучения (например, для 3D данных или задач, интегрирующих в модель физические законы) могут требовать часов или дней работы даже с помощью высокопроизводительных графических процессоров (GPU). Процесс вывода прогнозов обычно проходит быстро, однако обучение может быть дорогостоящим для небольших организаций, если не использовать предварительно обученные модели или облачные сервисы.

Существующие геотехнические модели (например, модифицированная модель «Кэм-клэй» – Cam Clay) являются по своей сути детерминированными, давая согласованные результаты независимо от конкретных данных, использованных для обучения. Геотехники могут опираться на устоявшиеся принципы и математические формулы, лежащие в основе этих моделей, чтобы с высокой степенью уверенности прогнозировать поведение геотехнических материалов. Такая предсказуемость позволяет практикам понимать сильные и слабые стороны, а также области применения конкретной комплексной геомеханической (конститутивной) модели, что делает возможной ее эффективную валидацию путем сравнения ее прогнозов с экспериментальными или полевыми данными. Устойчивость и согласованность, присущие конститутивным моделям, являются ключевыми факторами их непреходящей ценности в геотехнике.

Напротив, модели ИИ, будучи основанными на данных и зависящими от разнообразных наборов данных, использованных при обучении, могут демонстрировать вариативность результатов, что затрудняет создание универсально надежной системы предсказаний.

Для решения этой проблемы необходимо создать основу для перекрестной проверки между выходными данными моделей ИИ и результатами использования традиционных геотехнических методов. Такой подход может включать применение искусственного интеллекта в качестве дополнительного инструмента, а не отдельного решения, что позволит постоянно сравнивать результаты с устоявшимися геотехническими знаниями.

Дополнительно поспособствовать выявлению потенциальных расхождений и повысить доверие к результатам работы искусственного интеллекта в контексте геотехнической практики может интеграция в модели ИИ возможностей интерпретируемости, например алгоритмов, обеспечивающих объяснимость.

Еще одним эффективным решением являются ограничения моделей ИИ, обусловленные известными и общепринятыми теоретическими или эмпирическими концепциями.

Проблема 7. Практические ограничения и уроки из отрицательных результатов

В опубликованных работах по применению искусственного интеллекта в геотехнике результаты исследований редко относят к неуспешным, однако в публикациях более широкого спектра фиксируются повторяющиеся типы неудач, которые явно следует признать. К ним относятся:

• переобучение на малых или однородных наборах данных;
• очень сильное снижение эффективности работы модели при изменении области ее применения (в случаях новых типов грунтов, траекторий напряжений или измерительных систем);
• утечка данных (например, попадание информации из тестовой или валидационной части данных в процесс обучения модели) при перекрестной валидации;
• ошибочно помеченные или неточно заданные цели обучения (типы выходных данных);
• галлюцинации или ложные рассуждения виртуальных помощников, использующих большие языковые модели;
• игнорирование важных для модели физических законов, приводящее к нереалистичным экстраполяциям [3, 9, 169–172].

Тенденция к публикации только положительных итогов затрудняет формирование полного и точного представления об эффективности работы моделей, что говорит о важности открытых и прозрачных сообщений о негативных результатах.

Таким образом, целесообразно выделить области, для которых на сегодняшний день могут быть предпочтительнее традиционные подходы:

1) принятие проектных решений, регулируемых нормативно-правовыми документами и/или аналитическими методами с использованием надежно подтвержденных запасов прочности;

2) проекты на основе крайне ограниченных или гетерогенных данных, когда проведение строгой валидации модели невозможно;

3) отчетная документация, подаваемая в регулирующие органы, которая требует полной прослеживаемости параметров;

4) экстраполяция и/или применение модели за пределами диапазона ее обучения (например, при новых геологических условиях или других схемах нагружения) в случае отсутствия встроенных в модель знаний о физических законах;

5) критически важные для безопасности решения в режиме реального времени, если границы неопределенности недоступны или не отслеживаются.

Проблема 8. Учет этических и правовых аспектов

Модели искусственного интеллекта, которые основаны исключительно на данных, особенно подвержены непреднамеренному воспроизведению искажений, которые присутствовали в обучающих данных. Также возможно, что ключевым вопросом в будущих судебных разбирательствах станет тема ответственности и подотчетности, что сыграет важную роль в формировании правового регулирования применения ИИ в геотехнике. Кажется крайне важным, чтобы геотехническое сообщество быстро и проактивно включилось в дискуссии по этическим аспектам, связанным с использованием технологий ИИ в преподавании, научных исследованиях и промышленной практике в отрасли.

Прежде всего следует отметить, что применение искусственного интеллекта в геотехнике в обозримом будущем будет подразумевать участие человека в цикле принятия решений, то есть ИИ будет использоваться как инструмент, а не как полностью автономный агент.

Тем не менее потребуются руководящие принципы, определяющие ответственные подходы к применению искусственного интеллекта. Возможно также, что использование ИИ потребует значительно большей прозрачности, чтобы обеспечить интерпретируемость (объяснимость) прогнозов и удовлетворительный уровень подотчетности. Развивающееся правовое регулирование в этом направлении, вероятно, приведет к разработке нормативно-правовых документов и методических руководств, которые позволят сбалансировать технологические достижения с этическими соображениями.

-

Продолжение следует

ИСТОЧНИК ДЛЯ ПЕРЕВОДА

Sheil B., Anagnostopoulos C., Buckley R., Ciantia M.O., Febrianto E., Fu J., Gao Z., Geng X., Gong B., Hanley K., He P., Kolomvatsos K., Lopes B.C.F.L., Ninic J., Previtali M., Rezania M., Ruiz-Lopez A., Sun J., Suryasentana S., Taborda D., Utili S., Whyte S., Zhang P. Artificial intelligence transformations in geotechnics: progress, challenges and future enablers // Computers and Geotechnics. Elsevier, 2026. Vol. 189. Article 107604. URL: https://doi.org/10.1016/j.compgeo.2025.107604 (in press).

СПИСОК ЛИТЕРАТУРЫ, ИСПОЛЬЗОВАННОЙ АВТОРАМИ ПЕРЕВЕДЕННОЙ СТАТЬИ

1. Jiang F., Jiang Y., Zhi H., Dong Y., Li H., Ma S., Wang Y., Dong Q., Shen H., Wang Y. Artificial intelligence in healthcare: past, present and future // Stroke Vascular Neurol. 2017. Vol. 2. № 4.
2. Goodell J.W., Kumar S., Lim W.M., Pattnaik D. Artificial intelligence and machine learning in finance: identifying foundations, themes, and research clusters from bibliometric analysis // J. Behav. Exp. Financ. 2021. Vol. 32. Article 100577.
3. Febrianto E., Butler L., Girolami M., Cirak F. Digital twinning of self-sensing structures using the statistical finite element method // Data-Centric Eng. 2022. Vol. 3. № e31.
4. Sun F., Febrianto E., Fernando H., Butler L., Cirak F., Hoult N. Data-informed statistical finite element analysis of rail buckling // Comput. Struct. 2023. Vol. 289. Article 107163.
5. Vaswani A., Shazeer N., Parmar N., Uszkoreit J., Jones L., Gomez A.N., Kaiser Ј., Polosukhin I. Attention is all you need // Adv. Neural Informat. Process. Syst. 2017. Vol. 30.
6. Sheil B.B., Suryasentana S.K., Cheng W.C. Assessment of anomaly detection methods applied to microtunneling // J. Geotech. Geoenviron. Eng. 2020. Vol. 146. № 9. Article 04020094.
7. Sheil B.B., Suryasentana S.K., Mooney M.A., Zhu H. Machine learning to inform tunnelling operations: recent advances and future trends // Proc. Inst. Civil Eng. – Smart Infrastruct. Constr. 2020. Vol. 173. № 4. P. 74–95.
8. Stuyts B., Suryasentana S.K. Applications of data science in offshore geotechnical engineering: state of practice and future perspectives // 9th International SUT OSIG Conference. 2023.
9. Suryasentana S.K., Sheil B.B. Demystifying the connections between Gaussian process regression and kriging // 9th International SUT OSIG Conference. 2023. P. 1–8.
10. Russell S.J., Norvig P. Artificial intelligence: a modern approach. London, 2010.
11. MacKay D.J.C. Information Theory, Inference and Learning Algorithms. Cambridge University Press, 2003.
12. Kennedy M.C., O’Hagan A. Bayesian calibration of computer models // J. R. Stat. Soc. Ser. B (Stat Methodol.). 2001. Vol. 63. P. 425–464.
13. Girolami M., Febrianto E., Yin G., Cirak F. The statistical finite element method (statFEM) for coherent synthesis of observation data and model predictions // Comput. Methods Appl. Mech. Eng. 2021. Vol. 375. Article 113533.
14. Hu J.Z., Zhang J., Huang H.W., Zheng J.G. Value of information analysis of site investigation program for slope design // Comput. Geotech. 2021. Vol. 131. Article 103938.
15. Zhao T., Wang Y. Determination of efficient sampling locations in geotechnical site characterization using information entropy and Bayesian compressive sampling // Can. Geotech. J. 2019. Vol. 56. № 11. P. 1622–1637.
16. Yoshida I., Tasaki Y., Tomizawa Y. Optimal placement of sampling locations for identification of a two-dimensional space // Georisk: Assessment and Management of Risk for Engineered Systems and Geohazards. 2022. Vol. 16. № 1. P. 98–113.
17. Li J., Cassidy M.J., Huang J., Zhang L., Kelly R. Probabilistic identification of soil stratification // Geotechnique. 2016. Vol. 66. № 1. P. 16–26.
18. Wang Y., Huang K., Cao Z. Probabilistic identification of underground soil stratification using cone penetration tests // Can. Geotech. J. 2013. Vol. 50. № 7. P. 766–776.
19. Houlsby N.M.T., Houlsby G.T. Statistical fitting of undrained strength data // Geotechnique. 2013. Vol. 63. № 14. P. 1253–1263.
20. Ching J., Wang J.-S., Juang C.H., Ku C.-S. Cone penetration test (CPT)-based stratigraphic profiling using the wavelet transform modulus maxima method // Canadian Geotechnical J. 2015. Vol. 52. № 12. P. 1993–2007.
21. Suryasentana S.K., Lawler M., Sheil B.B., Lehane B.M. Probabilistic soil strata delineation using DPT data and Bayesian changepoint detection // J. Geotech. Geoenviron. Eng. 2023. Vol. 149 . № 4. Article 06023001.
22. Wang Y., Hu Y., Zhao T. Cone Penetration test (CPT)-based subsurface soil classification and zonation in two-dimensional vertical cross section using Bayesian compressive sampling // Can. Geotech. J. 2020. Vol. 57. № 7. P. 947–958.
23. Cao Z.J., Zheng S., Li, D.Q., Phoon K.K. Bayesian identification of soil stratigraphy based on soil behavior type index // Can. Geotech. J. 2019. Vol. 56. № 4. P. 570–586.
24. Gong W., Zhao C., Juang C.H., Tang H., Wang H., Hu X. Stratigraphic uncertainty modelling with random field approach // Comput. Geotech. 2020. Vol. 125. Article 103681.
25. Shuku T., Phoon K.K., Yoshida I. Trend estimation and layer boundary detection in depth-dependent soil data using sparse Bayesian lasso // Comput. Geotech. 2020. Vol. 128. Article 103845.
26. Hegazy Y.A., Mayne P.W. Objective site characterization using clustering of piezocone data // J. Geotech. Geoenviron. Eng. 2002. Vol. 128. № 12. P. 986–996.
27. Zhao T., Wang Y. Interpolation and stratification of multilayer soil property profile from sparse measurements using machine learning methods // Eng. Geol. 2020. Vol. 265. Article 105430.
28. Zhou X., Shi P., Sheil B., Suryasentana S. Knowledge-based U-Net and transfer learning for automatic boundary segmentation // Adv. Eng. Inf. 2024. Vol. 59. Article 102243.
29. Suryasentana S.K., Sheil B.B., Lawler M. Assessment of Bayesian changepoint detection methods for soil layering identification using cone penetration test data // Geotechnics. 2024. Vol. 4. № 2 . P. 382–398.
30. Firouzianbandpey S., Ibsen L.B., Griffiths D.V., Vahdatirad M.J., Andersen L.V., Sшrensen J.D. Effect of spatial correlation length on the interpretation of normalized CPT data using a kriging approach // J. Geotech. Geoenviron. Eng. 2015. Vol. 141. № 12. Article 04015052.
31. Cai Y., Li J., Li X., Li D., Zhang L. Estimating soil resistance at unsampled locations based on limited CPT data // Bull. Eng. Geol. Environ. 2019. Vol. 78. P. 3637–3648.
32. He X., Xu H., Sabetamal H., Sheng D. Machine learning aided stochastic reliability analysis of spatially variable slopes // Comput. Geotech. 2020. Vol. 126. Article 103711.
33. Rahman M.H., Abu-Farsakh M.Y., Jafari N. Generation and evaluation of synthetic cone penetration test (CPT) data using various spatial interpolation techniques // Can. Geotech. J. 2021. Vol. 58. № 2. P. 224–237.
34. Wang Y., Zhao T. Statistical interpretation of soil property profiles from sparse data using Bayesian compressive sampling // Geotechnique. 2017. Vol. 67. № 6. P. 523–536.
35. Wang Y., Li P. Data-driven determination of sample number and efficient sampling locations for geotechnical site investigation of a cross-section using Voronoi diagram and Bayesian compressive sampling // Comput. Geotech. 2021. Vol. 130. Article 103898.
36. Zhao T., Xu L., Wang Y. Fast non-parametric simulation of 2D multi-layer cone penetration test (CPT) data without pre-stratification using markov chain Monte Carlo simulation // Eng. Geol. 2020. Vol. 273. Article 105670.
37. Shi C., Wang Y. Development of subsurface geological cross-section from limited site-specific boreholes and prior geological knowledge using iterative convolution XGBoost // J. Geotech. Geoenviron. Eng. 2021. Vol. 147. № 9. Article 04021082.
38. Shi C., Wang Y. Nonparametric and data-driven interpolation of subsurface soil stratigraphy from limited data using multiple point statistics // Can. Geotech. J. 2021. Vol. 58. № 2. P. 261–280.
39. Sauvin G., Vanneste M., Vardy M.E., Klinkvort R.T., Carl Fredrik F. Machine learning and quantitative ground models for improving offshore wind site characterization // Offshore Technol. Conf. (OTC 2019), Houston, Texas, USA. 2019 . Vol. 2. P. 1323–1339. DOI:10.4043/29351-MS.
40. Wu S., Zhang J.M., Wang R. Machine learning method for CPTu based 3D stratification of New Zealand geotechnical database sites // Adv. Eng. Inf. 2021. Vol. 50. Article 101397.
41. Xie J., Huang J., Lu J., Burton G.J., Zeng C., Wang Y. Development of two- dimensional ground models by combining geotechnical and geophysical data // Eng. Geol. 2022. Vol. 300. Article 106579.
42. Huang J., Zheng D., Li D.Q., Kelly R., Sloan S.W. Probabilistic characterization of two-dimensional soil profile by integrating cone penetration test (CPT) with multi-channel analysis of surface wave (MASW) data// Can. Geotech. J. 2018. Vol. 55. № 8. P. 1168–1181.
43. Ghose R., Goudswaard J. Integrating S-wave seismic-reflection data and cone-penetration-test data using a multiangle multiscale approach // Geophysics. 2004. Vol. 69. № 2. P. 440–459.
44. Wellmann J.F., De La Varga M., Murdie R.E., Gessner K., Jessell M. Uncertainty estimation for a geological model of the Sandstone greenstone belt, Western Australia – insights from integrated geological and geophysical inversion in a Bayesian inference framework // Geol. Soc. Lond. Spec. Publ. 2018. Vol. 453. № 1. P. 41–56.
45. Medina-Cetina Z., Son J., Moradi M. Bayesian stratigraphy integration of geophysical, geological, and geotechnical surveys data // Offshore Technol. Conf. (OTC 2019), Houston, Texas, USA. 2019. Vol. 5. P. 3431–3440.
46. Xu J., Wang Y., Zhang L. 2021. Interpolation of extremely sparse geo-data by data fusion and collaborative Bayesian compressive sampling // Comput. Geotech. Vol. 134. Article 104098.
47. Xu J., Wang Y., Zhang L. Fusion of geotechnical and geophysical data for 2D subsurface site characterization using multi-source Bayesian compressive sampling // Can. Geotech. J. 2022. Vol. 59. № 10. P. 1756–1773.
48. Christensen C.W., Harrison E.J., Pfaffhuber A.A., Lund A.K. A machine learning-based approach to regional-scale mapping of sensitive glaciomarine clay combining airborne electromagnetics and geotechnical data // Near Surf. Geophys. 2021. Vol. 19. № 5. P. 523–539.
49. Chen J., Vissinga M., Shen Y., Hu S., Beal E., Newlin J. Machine learning–based digital integration of geotechnical and ultrahigh-frequency geophysical data for offshore site characterizations // J. Geotech. Geoenviron. Eng. 2021. Vol. 147. № 12. Article 04021160.
50. Coelho B.Z., Karaoulis M. Data fusion of geotechnical and geophysical data for three-dimensional subsoil schematisations // Adv. Eng. Inf. 2022. Vol. 53. Article 101671.
51. Roscoe K.H., Schofield, A.N., Wroth C.P. On the yielding of soils // Geotechnique. 1958. Vol. 8. № 1. P. 22–53.
52. Schofield A.N., Wroth C.P. Critical state soil mechanics. London, UK: McGraw Hill, 1968.
53. Been K., Jefferies M.G. A state parameter for sands // Geotechnique. 1985. Vol. 35. № 2 . P. 99–112.
54. Reynolds O. LVII. On the dilatancy of media composed of rigid particles in contact. With experimental illustrations // The London, Edinburgh, and Dublin Philosophical Magazine and Journal of Science. 1885. Vol. 20. № 127. P. 469-481. DOI:10.1080/14786448508627791.
55. Taylor D.W. Fundamentals of Soil Mechanics. New York: John Wiley & Sons, 1948.
56. Bolton M.D. The strength and dilatancy of sands // Geotechnique. 1986. Vol. 36. № 1. P. 65–78.
57. Bishop A.W. The strength of soils as engineering materials // Geotechnique. 1966. Vol. 16. P. 91–128.
58. Amarasinghe S.F., Parry R.H. Anisotropy in heavily overconsolidated kaolin // J. Geotech. Eng. Div. ASCE, 1975. Vol. 101. № GT12. P. 1277–1292.
59. Burland J.B. On the compressibility and shear strength of natural clays // Geotechnique .1990. Vol. 40. № 3. P. 329–378.
60. Leroueil S., Vaughan P.R. The general and congruent effects of structure in natural soils and weak rocks // Geotechnique. 1990. Vol. 40. № 3. P. 467–488.
61. Liu W.Z., Shi M.L., Miao L.C., Xu L.R., Zhang D.W. Constitutive modeling of the destructuration and anisotropy of natural soft clay // Comput. Geotech. 2013. Vol. 51. P. 24–41.
62. Lade P.V., Duncan J.M. Stress-path dependent behavior of cohesionless soil // J. Geotech. Eng. Div. 1976. Vol. 102. № 1. P. 51–68.
63. Suklje L. The analysis of the consolidation process by the isotaches method // Proc. 4th Int. Conf. Soil Mech Found. Eng., London, 1957. Vol. 1. P. 200–206.
64. Bjerrum L. Engineering geology of Norwegian normally consolidated marine clays as related to the settlements of buildings // Geotechnique. 1967. Vol. 17. № 2. P. 83–119.
65. Roscoe K.H., Bassett R.H., Cole E.R.L. Principal axes observed during simple shear of a sand // Proc., Geotechnical Conf. on Shear Strength Properties of Natural Soils and Rocks, Oslo, Norwegian Geotechnical Society, 1967. P. 231–237.
66. Kim Y.T., Leroueil S. Modeling the viscoplastic behaviour of clays during consolidation: application to Berthierville clay in both laboratory and field conditions // Can. Geotech. J. 2001. Vol. 38. № 3. P. 484–497.
67. Yin Z.-Y., Karstunen M., Chang C.S., Koskinen M., Lojander M. Modeling time-dependent behavior of soft sensitive clay // J. Geotech. Geoenviron. Eng. 2011 . Vol. 137. № 11. P. 1103–1113.
68. Su D., Yang Z.X. Drained analyses of cylindrical cavity expansion in sand incorporating a bounding-surface model with state-dependent dilatancy // App. Math. Model. 2019. Vol. 68. P. 1–20.
69. Kang X., Xia Z., Chen R., Ge L., Liu X. The critical state and steady state of sand: a literature review // Mar. Georesour. Geotec. 2019. Vol. 37. № 9. P. 1105–1118.
70. Wan R.G., Guo P.J. A simple constitutive model for granular soils: modified stress-dilatancy approach // Comput. Geotech. 1988. Vol. 22. P. 109–133.
71. Su L.-J., Yin J.-H., Zhou W.-H. Influences of overburden pressure and soil dilation on soil nail pull-out resistance // Comput. Geotech. 2010. Vol. 37. № 4. P. 555–564.
72. Dafalias Y.F. An anisotropic critical state soil plasticity model // Mech. Res. Comm. 1986. Vol. 13 . № 6. P. 341–347.
73. Yin Z.Y., Chang C.S., Karstunen M., Hicher P.Y. An anisotropic elastic–viscoplastic model for soft clays // Int. J. Solids Struct. 2010. Vol. 47. № 5. P. 665–677.
74. Kang X., Xia Z., Chen R.P. Measurement and correlations of K0 and Vs anisotropy of granular soils // Proc. Inst. Civil Eng.-Geotech. Eng. 2020. Vol. 173. № 6. P. 546–561.
75. Hu X., Zhang Y., Guo L., Wang J., Cai Y., Fu H., Cai Y. Cyclic behavior of saturated soft clay under stress path with bidirectional shear stresses // Soil Dyn. Earthq. Eng. 2018. Vol. 104. P. 319–328.
76. Tian Y., Yao Y.P. Modelling the non-coaxiality of soils from the view of cross-anisotropy // Comput. Geotech. 2017. Vol. 86. P. 219–229.
77. Zhou M.M., Meschke G. A three-phase thermo-hydro-mechanical finite element model for freezing soils // Int. J. Numer. Anal. Meth. Geomech. 2013. Vol. 37. № 18. P. 3173–3193.
78. Dafalias Y.F., Manzari M.T. Simple plasticity sand model accounting for fabric change effects // Journal of Engineering Mechanics. 2004. Vol. 130. № 6. P. 622–634.
79. Ghaboussi J., Carret J., Wu X. Material modelling with neural networks // Proceedings of the international conference on numerical methods in engineering: theory and applications, Swansea, UK, 1990. P. 701–717.
80. Ghaboussi J., Carret J., Wu X. Knowledge-based modelling of material behaviour with neural networks // J. Eng. Mech. Div. 1991. Vol. 117. № 1. P. 132–153.
81. Ellis G.W., Yao C., Zhao R. Neural network modeling of the mechanical behavior of sand // Proc. of the 9th ASCE Conference on Engineering Mechanics, Texas, 1992. P. 421–424.
82. Ellis G.W., Yao C., Zhao R., Penumadu D. Stress-strain modeling of sands using artificial neural netwoks // ASCE J. Geotech. Eng. Div. 1995. Vol. 121. № 5. P. 429–435.
83. Ghaboussi J., Sidarta D.E. New nested adaptive neural networks (NANN) for constitutive modeling // Comput. Geotech. 1998. Vol. 22 . № 1. P. 29–52.
84. Penumadu D., Zhao R. Triaxial compression behavior of sand and gravel using artificial neural networks (ANN) // Comput. Geotech. 1999. Vol. 24. № 3. P. 207–230.
85. Javadi A.A., Rezania M., Applications of artificial intelligence and data mining techniques in soil modeling // Geomech. Eng. 2009. Vol. 1. № 1. P. 53–74.
86. Shin H.S., Pande G.N. On self-learning finite element code based on monitored response of structures // Comput. Geotech. 2000. Vol. 27. P. 161–178.
87. Lefik M., Schrefler B.A. Artificial neural network as an incremenal non-linear constitutive model for finite element code // Comput. Methods Appl. Mech. Eng. 2003. Vol. 192. P. 3265–3283.
88. Hashash Y.M.A., Jung S., Ghaboussi J. Numerical implementation of a neural network based material model in finite element analysis // Int. J. Numer. Meth. Eng. 2004. Vol. 59. P. 989–1005.
89. Javadi A.A., Rezania M. Intelligent finite element method: an evolutionary approach to constitutive modeling // Adv. Eng. Inf. 2009. Vol. 23. № 4. P. 442–451.
90. Raissi M., Perdikaris P., Karniadakis G.E. Physics-informed neural networks: a deep learning framework for solving forward and inverse problems involving nonlinear partial differential equations // J. Comput. Phys. 2019. Vol. 378. P. 686–707.
91. Masi F., Stefanou I., Vannucci P., Maffi-Berthier V. Thermodynamics-based artificial neural networks for constitutive modeling // J. Mech. Phys. Solids. 2021. Vol. 147. Article 104277.
92. Masi F., Stefanou I. Multiscale modeling of inelastic materials with thermodynamics-based artificial neural networks (TANN) // Comput. Methods Appl. Mech. Eng. 2022. Vol. 398. Article 115190.
93. Weinan E., Yu B. The deep ritz method: a deep learning-based numerical algorithm for solving variational problems // Commun. Math. Stat. 2018. Vol. 6. P. 1–12.
94. Liu D., Wang Y. Multi-fidelity physics-constrained neural network and its application in materials modeling // J. Mech. Des. 2019. Vol. 141. № 12. Article 121403.
95. Sun L., Gao H., Pan S., Wang J.-X. Surrogate modeling for fluid flows based on physics-constrained deep learning without simulation data // Comput. Meth. Appl. Mech. Eng. 2020 . Vol. 361. Article 112732.
96. Cuomo S., Di Cola V.S., Giampaolo F., Rozza G., Raissi M., Piccialli F. Scientific machine learning through physics-informed neural networks: where we are and what’s next // J. Sci. Comput. 2022. Vol. 92. Article 88.
97. Vlassis N.N., Sun W. Sobolev training of thermodynamic-informed neural networks for interpretable elasto-plasticity models with level set hardening // Comput. Meth. Appl. Mech. Eng. 2021. Vol. 377 . Article 113695.
98. Flaschela M., Kumar S., De Lorenzis L. Unsupervised discovery of interpretable hyperelastic constitutive laws // Comput. Meth. Appl. Mech. Eng. 2021. Vol. 381. Article 113852.
99. Zhang P., Yin Z.Y., Sheil B. Interpretable data-driven constitutive modelling of soils with sparse data // Comput. Geotech. 2023. Vol. 160. Article 105511.
100. Zhang J., Wang Z., Hu J., Xiao S., Shang W. Bayesian machine learning-based method for prediction of slope failure time // J. Rock Mech. Geotech. Eng. 2022. Vol. 14. № 4. P. 1188–1199.
101. Das B.M. Principles of geotechnical engineering. Cengage Learning, 2021.
102. Provenzano P., Ferlisi S., Musso A. Interpretation of a model footing response through an adaptive neural fuzzy inference system // Comput. Geotech. 2004. Vol. 31. № 3. P. 251–266.
103. Shahnazari H., Tutunchian M.A. Prediction of ultimate bearing capacity of shallow foundations on cohesionless soils: an evolutionary approach // KSCE J. Civ. Eng. 2012. Vol. 16. P. 950–957.
104. Tsai H.C., Tyan Y.Y., Wu Y.W., Lin Y.H. Determining ultimate bearing capacity of shallow foundations using a genetic programming system // Neural Comput. & Appl. 2013. Vol. 23. P. 2073–2084.
105. Lawal A.I., Kwon S. Development of mathematically motivated hybrid soft computing models for improved predictions of ultimate bearing capacity of shallow foundations // J. Rock Mech. Geotech. Eng. 2023. Vol. 15. № 3. P. 747–759.
106. Shahin M.A., Maier H.R., Jaksa M.B. Predicting settlement of shallow foundations using neural networks // J. Geotech. Geoenviron. Eng. 2002. Vol. 128. № 9. P. 785–793.
107. Shahin M.A., Maier H.R., Jaksa M.B. Settlement prediction of shallow foundations on granular soils using B-spline neurofuzzy models // Comput. Geotech. 2003. Vol. 30. № 8. P. 637–647.
108. Rezania M., Javadi A.A. A new genetic programming model for predicting settlement of shallow foundations // Can. Geotech. J. 2007. Vol. 44. № 12. P. 1462–1473.
109. Samui P., Sitharam T.G. Least-square support vector machine applied to settlement of shallow foundations on cohesionless soils // Int. J. Numer. Anal. Meth. Geomech. 2008. Vol. 32. № 17. P. 2033–2043.
110. Zhang J., Dias D., An L., Li, C. Applying a novel slime mould algorithm-based artificial neural network to predict the settlement of a single footing on a soft soil reinforced by rigid inclusions // Mech. Adv. Mater. Struct. 2022. Vol. 31. № 1.
111. Vergote T.A., Raymackers S. Building a framework for probabilistic assessment accounting for soil, spatial, operational and model uncertainty, applied to pile driveability // Ocean Eng. 2022. Vol. 266. Article 113181.
112. Buckley R., Chen Y.M., Sheil B., Suryasentana S., Xu D.D., James R.M. Bayesian optimization for CPT-based prediction of impact pile drivability // J. Geotech. Geoenviron. Eng. 2023. Vol. 149. № 11. Article 04023100.
113. Pal M., Deswa  S. Modelling pile capacity using Gaussian process regression // Comput. Geotech. 2010. Vol. 37. № 7–8. P. 942–947.
114. Alkroosh I., Nikraz H. Correlation of pile axial capacity and CPT data using gene expression programming // Geotech. Geol. Eng. 2011. Vol. 29. P. 725–748.
115. Kordjazi A., Nejad F.P., Jaksa M.B. Prediction of ultimate axial load-carrying capacity of piles using a support vector machine based on CPT data // Comput. Geotech. 2014. Vol. 55. P. 91–102.
116. Kardani N., Zhou A., Nazem M., Shen S.L. Estimation of bearing capacity of piles in cohesionless soil using optimised machine learning approaches // Geotech. Geol. Eng. 2020. Vol. 38. P. 2271–2291.
117. Alexander J.S., Buckley R.M., Whyte S.A. Machine learning to expedite concept monopile design // Proceedings of the XVIII ECSMGE “Geotechnical Engineering Challenges to Meet Current and Emerging Needs of Society”, Lisbon, 2024. P. 2760–2763.
118. Suryasentana S.K., Burd H.J., Byrne B.W., Aghakouchak A., Sorensen T. Comparison of machine learning models in a data-driven approach for scalable and adaptive design of laterally-loaded monopile foundations // International Symposium on Frontiers in Offshore Geotechnics. Deep Foundations Institute (DFI), USA, 2020. ISBN9780976322948.
119. Muduli P.K., Das S.K., Das M.R. Prediction of lateral load capacity of piles using extreme learning machine // Int. J. Geotech. Eng. 2013. Vol. 7. № 4. P. 388–394.
120. Taherkhani A.H., Mei Q., Han F. Capacity prediction and design optimization for laterally loaded monopiles in sandy soil using hybrid neural network and sequential quadratic programming // Comput. Geotech. 2023. Vol. 163. Article 105745.
121. Nejad F.P., Jaksa M.B., Kakhi M., McCabe B.A. Prediction of pile settlement using artificial neural networks based on standard penetration test data // Comput. Geotech. 2009. Vol. 36. № 7. P. 1125–1133.
122. Jebur A.A., Atherton W., Al Khaddar R.M., Loffill E. Settlement prediction of model piles embedded in sandy soil using the Levenberg-Marquardt (LM) training algorithm // Geotech. Geol. Eng. 2018. Vol. 36. P. 2893–2906.
123. Ge Q., Li C., Yang F. Support vector machine to predict the pile settlement using novel optimization algorithm // Geotech. Geol. Eng. 2023. Vol. 41. № 7 . P. 1–15.
124. Khatti J., Samadi H., Grover K.S. Estimation of settlement of pile group in clay using soft computing techniques // Geotech. Geol. Eng. 2023. Vol. 42. № 3. P. 1–32.
125. Alm T., Hamre L. Soil model for pile driveability predictions based on CPT interpretations // Proc. of the 15th Int. Conf. on Soil Mechanics and Geotechnical Engineering. Boca Raton, FL, USA: CRC Press, 2001. P. 1297–1302.
126. Sheil B.B., Suryasentana S.K., Templeman J.O., Phillips B.M., Cheng W.C., Zhang L. Prediction of pipe-jacking forces using a Bayesian updating approach // J. Geotech. Geoenviron. Eng. 2022. Vol. 148. № 1. Article 04021173.
127. Deng L., Smith A., Dixon N., Yuan H. Machine learning prediction of landslide deformation behaviour using acoustic emission and rainfall measurements // Eng. Geol. 2021. Vol. 293. Article 106315.
128. Xu H., He X., Shan F., Niu G., Sheng D. Machine learning in the stochastic analysis of slope stability: a state-of-the-art review // Modelling. 2023 . Vol. 4. № 4 . P. 426–453.
129. Luo Z., Bui X.N., Nguyen H., Moayedi H. A novel artificial intelligence technique for analyzing slope stability using PSO-CA model // Eng. Comput. 2021. Vol. 37. P. 533–544.
130. Mahmoodzadeh A., Mohammadi M., Farid H.A.H., Hashim I.H., Nariman A.S., Nejati H.R. Prediction of safety factors for slope stability: comparison of machine learning techniques // Natural Hazards. 2022. Vol. 111. P. 1771–1799.
131. Aminpour M., Alaie R., Khosravi S., Kardani N., Moridpour S., Nazem M., Slope stability machine learning predictions on spatially variable random fields with and without factor of safety calculations // Comput. Geotech. 2023. Vol. 153. Article 105094.
132. Xiao T., Zhang L.M., Cheung R.W.M., Lacasse S. Predicting spatio-temporal man-made slope failures induced by rainfall in Hong Kong using machine learning techniques // Geotechnique. 2023. Vol. 73. № 9. P. 749–765.
133. Guardiani C., Soranzo E., Wu W. Time-dependent reliability analysis of unsaturated slopes under rapid drawdown with intelligent surrogate models // Acta Geotech. 2022. Vol. 17. P. 1071–1096.
134. Lin Y., Zhou K., Li J. Prediction of slope stability using four supervised learning methods // IEEE Access. 2018. Vol. 6. P. 31169–31179.
135. Zeng P., Zhang T., Li T., Jimenez R., Zhang J., Sun X. Binary classification method for efficient and accurate system reliability analyses of layered soil slopes // Georisk: Assessment and Management of Risk for Engineered Systems and Geohazards. 2022. Vol. 16. № 3. P. 435–451.
136. Novellino A., Cesarano M., Cappelletti P., Di Martire D., Di Napoli M., Ramondini M., Sowter A., Calcaterra D. Slow-moving landslide risk assessment combining machine learning and InSAR techniques // Catena. 2021. Vol. 203. Article 105317.
137. Bayaraa M., Rossi C., Kalaitzis F., Sheil B. Entity embeddings in remote sensing: application to deformation monitoring for infrastructure // Remote Sens. 2023. Vol. 15. № 20. Article 4910.
138. Cao B.T., Obel M., Freitag S., Mark P., Meschke G. Artificial neural network surrogate modelling for real-time predictions and control of building damage during mechanised tunnelling // Adv. Eng. Softw. 2020 . Vol. 149. Article 102869.
139. Ninic J., Gamra A., Ghiassi B. Real-time assessment of tunnelling-induced damage to structures within the building information modelling framework // Underground Space. 2024. Vol. 14. P. 99–117.
140. Mokhtari S., Mooney M.A. Feasibility study of EPB shield automation using deep learning // Tunnels and Underground Cities: Engineering and Innovation Meet Archaeology, Architecture and Art. Boca Raton, FL, USA: CRC Press, 2019. P. 2691–2699.
141. Chen X., Li X., Zhu H. Condition evaluation of urban metro shield tunnels in Shanghai through multiple indicators multiple causes model combined with multiple regression method // Tunn. Undergr. Space Technol. 2019. Vol. 85. P. 170–181.
142. Li X., Lin X., Zhu H., Wang X., Liu Z. Condition assessment of shield tunnel using a new indicator: the tunnel serviceability index // Tunn. Undergr. Space Technol. 2017. Vol. 67. P. 98–106.
143. Zhu M., Zhu H., Guo F., Chen X., Ju J.W. Tunnel condition assessment via cloud model-based random forests and self-training approach // Comput. Aided Civ. Inf. Eng. 2021. Vol. 36. № 2. P. 164–179. DOI:10.1111/mice.12601.
144. Sheil B.B., Suryasentana S.K., Mooney M.A., Zhu, H., McCabe B.A., O’Dwyer K.G. Discussion: machine learning to inform tunnelling operations: recent advances and future trends // Proc. Inst. Civil Eng.-Smart Infrastruct. Constr. 2020 . Vol. 173. № 1. P. 180–181.
145. Yu Y., Workman A., Grasmick J.G., Mooney M.A., Hering A.S. Space-time outlier identification in a large ground deformation data set // J. Qual. Technol. 2018. Vol. 50. № 4. P. 431–445.
146. Xue Y.D., Zhang S. A fast metro tunnel profile measuring method based on close-range photogrammetry // Information Technology in Geo-engineering: Proceedings of the 3rd International Conference (ICITG), Guimaraes, Portugal. Cham, Switzerland: Springer, 2019. P. 57–69.
147. Khetwal S., Pei S., Gutierrez M. A data-driven approach for direct assessment and analysis of traffic tunnel resilience // Information Technology in Geo- engineering: Proceedings of the 3rd International Conference (ICITG), Guimaraes, Portugal. Cham, Switzerland: Springer, 2019. P. 168–177.
148. Ding H., Liu S., Cai S., Xia Y. Big data analysis of structural defects and traffic accidents in existing highway tunnels // Information Technology in Geoengineering: Proceedings of the 3rd International Conference (ICITG), Guimaraes, Portugal. Cham, Switzerland: Springer, 2019. P. 189–195.
149. Hayashi H., Miyanaka M., Gomi H., et al. Prediction of forward tunnel face score of rock mass classification for stability by applying machine learning to drilling data // Information Technology in Geoengineering: Proceedings of the 3rd International Conference (ICITG), Guimaraes, Portugal. Cham, Switzerland: Springer, 2019. P. 268–278.
150. Liu Y., Hou S. Rockburst prediction based on particle swarm optimization and machine learning algorithm // Information Technology in Geoengineering: Proceedings of the 3rd International Conference (ICITG), Guimaraes, Portugal. Cham, Switzerland: Springer, 2019. P. 292–303.
151. Zhao W., Wei Y., Liu B., Liu S., Xiao L. Design and application of automatic monitoring and BIM technology to the construction of shield-bored underneath building // Information Technology in Geoengineering: Proceedings of the 3rd International Conference (ICITG), Guimaraes, Portugal. Cham, Switzerland: Springer, 2019. P. 493–501.
152. Charles J.A., Gourvenec S., Vardy M.E. Recovering shear stiffness degradation curves from classification data with a neural network approach // Acta Geotech. 2023. Vol. 18. № 10. P. 1–15.
153. Lambert S., Toe D., Mentani A., Bourrier F., 2021. A meta-model-based procedure for quantifying the on-site efficiency of rockfall barriers // Rock Mech. Rock Eng. Vol. 54. P. 487–500.
154. Previtali M., Ciantia M.O., Spadea S., Castellanza R., Crosta G. Assessing rockfall barrier performance through block propagation codes and meta-models // Proceedings of the 16th International Conference of the International Association for Computer Methods and Advances in Geomechanics. Cham, Switzerland: Springer International Publishing, 2022. P. 291–298.
155. Lanfranconi C., Sala G., Frattini P., Crosta G.B., Valagussa A. Assessing the rockfall protection efficiency of forests at the regional scale // Landslides. 2020 . Vol. 17. P. 2703–2721.
156. Bao Y., Chen Z., Wei S., Xu Y., Tang Z., Li H. The state of the art of data science and engineering in structural health monitoring // Engineering. 2019. Vol. 5. № 2. P. 234–242.
157. Jeong S., Ko J., Kim J. The effectiveness of a wireless sensor network system for landslide monitoring // IEEE Access. 2019. Vol. 8. P. 8073–8086.
158. Soga K., Luo L. Distributed fiber optics sensors for civil engineering infrastructure sensing // J. Struct. Integrity Maint. 2018. Vol. 3. № 1. P. 1–21.
159. Bayaraa M., Sheil B., Rossi C. InSAR and numerical modelling for tailings dam monitoring – the Cadia failure case study // Geotechnique. 2024. Vol. 74. № 10. P.  985–1003.
160. Voyagaki E., Crispin J.J., Gilder C.E., Ntassiou K., O’Riordan N., Nowak P., Sadek T., Patel D., Mylonakis G., Vardanega P.J. The DINGO database of axial pile load tests for the UK: settlement prediction in fine-grained soils // Georisk: Assess. Manage. Risk Eng. Syst. Geohazards. 2022. Vol. 16. № 4. P.  640–661.
161. Vahab M., Shahbodagh B., Haghighat E., Khalili N. Application of physics- informed neural networks for forward and inverse analysis of pile-soil interaction // Int. J. Solids Struct. 2023. Vol. 277. Article 112319.
162. Zhang P., Yin Z.Y., Sheil B. Interpretable data-driven constitutive modelling of soils with sparse data // Comput. Geotech. 2023. Vol. 160. Article 105511.
163. Zhang P., Yin Z.Y., Jin Y.F., Sheil B. Physics-constrained hierarchical data-driven modelling framework for complex path-dependent behaviour of soils // Int. J. Numer. Anal. Meth. Geomech. 2023. Vol. 46. № 10. P. 1831–1850.
164. Ribeiro M.T., Singh S., Guestrin C. Why should i trust you? Explaining the predictions of any classifier // Proceedings of the 22nd ACM SIGKDD international conference on knowledge discovery and data mining. 2016. P. 1135–1144.
165. Guidotti R., Monreale A., Ruggieri S., Turini F., Giannotti F., Pedreschi D. A survey of methods for explaining black box models // ACM Comput. Surv. (CSUR). 2018. Vol. 51. № 5. P. 1–42.
166. Lundberg S.M., Lee S.I. A unified approach to interpreting model predictions // Proceedings of the 31st Conference on Neural Information Processing Systems (NIPS 2017), Long Beach, CA, USA, 4-9 December 2017. P. 4768-4777.
167. Mitchell M., Wu S., Zaldivar A., Barnes P., Vasserman L., Hutchinson B., Spitzer E., Inioluwa D.R., Timnit G. Model cards for model reporting // Proceedings of the Conference on Fairness, Accountability, and Transparency, 2019. P. 220–229.
168. Peng J., Liu X. Automated code compliance checking research based on BIM and knowledge graph // Sci. Rep. 2023. Vol. 13. № 1. Article 7065.
169. Shahin M.A., Jaksa M.B., Maier H.R. State of the art of artificial neural networks in geotechnical engineering // Electron. J. Geotech. Eng. 2008. Vol. 8. № 1. P. 1–26.
170. Baghbani A., Choudhury T., Costa S., Reiner J. Application of artificial intelligence in geotechnical engineering: a state-of-the-art review // Earth Sci. Rev. 2022. Vol. 228. Article 103991.
171. Latif K., Sharafat A., Seo J. Digital twin-driven framework for TBM performance prediction, visualization, and monitoring through machine learning // Appl. Sci. 2023. Vol. 13. № 20. Article 11435.
172. Kumar K. Geotechnical parrot tales (gpt): Harnessing large language models in geotechnical engineering // J. Geotech. Geoenviron. Eng. 2024. Vol. 150. № 1. Article 02523001.