Трансформации в геотехнике с помощью искусственного интеллекта: достижения, проблемы и перспективы. Часть 1

ВВЕДЕНИЕ

Интеграция искусственного интеллекта (ИИ) в самые разные сферы деятельности уже стимулирует прогресс в их трансформации. Например, в здравоохранении инструменты диагностики и прогнозные модели на основе ИИ способствуют повышению точности выявления заболеваний и планирования лечения [1]. Применение искусственного интеллекта в экономике и в частности в ее финансовой сфере позволило оптимизировать торговые стратегии, управление рисками и выявление мошеннических действий [2]. Технологии ИИ также используются для создания цифровых двойников крупных строительных объектов, например железнодорожных мостов и путей [3, 4]. В связи с недавним быстрым развитием крупных языковых моделей (программных алгоритмов, анализирующих тексты, понимающих их контексты, обрабатывающих их и генерирующих новые тексты, например ChatGPT [5]) значительный вырос интерес к исследованиям потенциала ИИ для обеспечения кардинального увеличения эффективности и инноваций в геотехнике.

Один из ключевых стимулов внедрения искусственного интеллекта в геотехнику – насущная необходимость в решении все более сложных задач, возникающих как при развитии подземной инфраструктуры [6, 7 и др.], так и при строительстве инфраструктуры морской прибрежной энергетики [8 и др.]. Подповерхностные условия могут быть как очень сложными, так и неопределенными. Точное прогнозирование поведения грунтов – также весьма сложная задача. Традиционные аналитические методы часто не справляются с тонкостями и парадоксами геотехнических данных, что приводит к потенциальным неточностям и неэффективности процессов проектирования и строительства [9]. Однако для более глубокого анализа растущих массивов данных, который позволит создавать более целостные и точные прогнозные модели и повышать эффективность рабочих процессов, могут послужить передовые алгоритмы машинного обучения (МО) и методы, основанные на данных. Важно отметить, что возможности многих подходов МО могут быть, в свою очередь, расширены для учета неопределенностей моделей, что повысит надежность их работы со сложными или неполными данными.

В этой обзорно-концептуальной статье обобщены ключевые возможности, проблемы и необходимость исследований в области применения искусственного интеллекта в геотехнике. Вместо исчерпывающего обзора имеющихся литературных источников рассматриваются отдельные показательные примеры использования ИИ в интеллектуальных инженерных изысканиях, прогнозном моделировании поведения грунтов, а также в оптимизации процессов проектирования и строительства, чтобы подкрепить приведенные аргументы. При этом обсуждение каждого из перспективных направлений основывается на современной доказательной базе.

ЦЕЛИ И НАПРАВЛЕНИЯ РАЗВИТИЯ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА

Развитие ИИ направлено на создание интеллектуальных машин, которые могут имитировать человеческий интеллект. Основная цель при этом – сделать так, чтобы машины могли воспринимать информацию по окружающей среде, рассуждать, извлекать уроки из опыта и принимать обоснованные решения на основе данных и закономерностей [10]. Искусственный интеллект – это широкий термин, охватывающий в том числе машинное обучение, компьютерное зрение и робототехнику (рис. 1).

Рис. 1. Схема направлений (подобластей) искусственного интеллекта

Машинное обучение (machine learning, ML) является фундаментальным элементом разработки интеллектуальных систем и включает создание алгоритмов и/или статистических моделей, позволяющих машинам постепенно улучшать эффективность выполнения конкретных задач при наличии обучающих данных. Оно включает следующие подобласти, каждая из которых сосредоточена на определенных аспектах имитации интеллекта: обучение «с учителем» (контролируемое), обучение «без учителя» (неконтролируемое), обучение с подкреплением (методом «проб и ошибок»), глубокое обучение, а также байесовские методы и обработку естественного языка (однако такая классификация не полностью соответствует рисунку 1 – и редактор адаптированного перевода счел необходимым добавить пояснения. Во-первых, байесовские методы – это скорее не подобласть машинного обучения, а технический подход, который можно применять во всех перечисленных до него подобластях. Поэтому данный подход не обозначен на рисунке 1, хотя иногда его показывают как пересекающийся слой или как уточнения внутри других ветвей. Во-вторых, обработку естественного языка чаще выделяют в виде отдельной ветви искусственного интеллекта, как показано на рисунке 1, хотя в ней активно используются методы машинного обучения для анализа и генерации текстов и речи. – Ред.).

Глубокое обучение (deep learning, DL) представляет собой дополнительную подобласть машинного обучения, направленную на разработку и обучение искусственных нейронных сетей, которые имитируют архитектуру и принципы работы человеческого мозга. Оно использует множество слоев (отсюда в названии и слово «глубокое») взаимосвязанных узлов, или нейронов, для решения более сложных задач, автоматически учась иерархически представлять данные, абстрагировать и извлекать признаки данных на разных уровнях сложности (абстракции).

В процессе обучения с подкреплением (reinforcement learning, RL) обучающийся агент (алгоритм, система) многократно взаимодействует с заданной средой, то есть пробует разные действия, каждый раз получая обратную связь о принятых решениях в виде «штрафа» или «вознаграждения», в результате чего со временем вырабатывает оптимальное поведение.

Обработка естественного языка (natural language processing, NLP) направлена на то, чтобы дать машинам возможность понимать, анализировать и генерировать человеческий язык. Это направление выходит за рамки простого распознавания текста и включает в том числе такие задачи, как анализ тональности (эмоциональной окраски), машинный перевод и ответы на вопросы.

Также популярны варианты машинного обучения, построенные на байесовском подходе, которые используются для учета алеаторных (связанных с природными случайностями и шумом в данных) и эпистемических (обусловленных недостатком знаний) неопределенностей при анализе данных. В геотехнических приложениях они могут учитывать неопределенности, связанные с материалами (включая их пространственную изменчивость и неопределенность свойств) и/или с численными моделями, а также неопределенности, присущие качеству данных и системам измерений [11–13].

ПОСЛЕДНИЕ ДОСТИЖЕНИЯ В ОТДЕЛЬНЫХ ПОПУЛЯРНЫХ ПРИЛОЖЕНИЯХ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА В ГЕОТЕХНИКЕ

Данная работа сосредоточена на последних достижениях в области регрессионных моделей и классификаторов для:

1) инверсии (например, установления связи между полевыми данными и геотехническими параметрами);

2) прогнозирования реакций материалов (например, при устройстве свай, смещениях фундаментов, оползнях);

3) прогнозирования реакций инженерных конструкций (например, для управления тоннелепроходческими комплексами);

4) повышения эффективности детерминированных методов (например, комплексных геомеханических (конститутивных) моделей поведения материалов).

Интеллектуальные инженерные изыскания и моделирование грунтовой среды

При геотехнических изысканиях для построения моделей грунтовой среды на основе данных широко применяется машинное обучение, чтобы получить информацию, необходимую для проектировании фундаментов и выбора оптимальных мест отбора проб [14–16].

Модели грунтовых условий на основе данных обычно строятся с использованием геотехнической информации, такой как результаты динамического зондирования грунтов пробоотборником (методом SPT) или сплошным наконечником без отбора проб (методом DPT). Это моделирование решает такие две основные задачи прогнозирования, как определение стратиграфического строения подповерхностной среды и пространственная интерполяция (прогнозирование) геотехнических свойств грунтов.

Для определения стратиграфического строения грунтовой среды к настоящему моменту применяются различные методы машинного обучения, такие как:

• регрессия на основе гауссовских процессов, которая математически эквивалентна своему предшественнику – кригингу [17];
• байесовский выбор класса моделей [18];
• метод выявления точек изменений в данных (например, для определения границ стратиграфических слоев) [19–21];
• байесовское сжимающее восстановление разреженных данных [22];
• подходы на основе случайных полей [23, 24];
• регрессия с использованием метода регуляризации LASSO (Least Absolute Shrinkage and Selection Operator – «оператор наименьшего абсолютного сжатия и отбора признаков») [25];
• методы кластеризации [26, 27];
• глубокое обучение (в последнее время) [28].

На рисунке 2 приведены примеры недавних реальных случаев идентификации границ стратиграфических слоев с использованием данных статического зондирования конусом (методом CPT) и динамического зондирования сплошным наконечником без отбора проб (методом DPT). Как показали Сурьясентана с коллегами [29], байесовские методы выявления точек/границ изменений для отдельных признаков (Univariate Bayesian Change Point Detection, BCPD) превосходят многомерные подходы (для нескольких признаков) при выделении стратиграфических слоев по данным CPT. В частности, комбинированный (типологический) индекс поведения грунта I_c обеспечивает более надежное прогнозирование границ, чем совместный анализ сопротивления под конусом Q_t и коэффициента трения F_r (отношения сопротивления по боковой поверхности к лобовому). Это, вероятно, связано с эмпирической калибровкой индекса I_c на основе существующих баз данных по классификации грунтов, которые неявно включают априорные знания, подходящие для стратиграфической интерпретации.

Рис. 2. Прогнозирование границ стратиграфических слоев с использованием: а – данных динамического зондирования сплошным наконечником без отбора проб (методом DPT) [21]; б – данных статического зондирования конусом (методом CPT) [28]. Расшифровка аббревиатуры: BCPD – байесовский метод выявления точек изменений для отдельных признаков (Univariate Bayesian Change Point Detection)

Ранее для пространственного прогнозирования геотехнических свойств исследователи применяли такие методы, как: кригинг [30–33]; подходы на основе случайных полей [31]; байесовское сжимающее восстановление разреженных данных [22, 34–36]; множественно-точечная статистика [37]; метод XGBoost (алгоритм градиентного бустинга, использующий ансамбль решающих деревьев) [38]; нейронные сети [39, 40].

Кроме того, в последнее время вырос интерес к комплексному моделированию грунтовоых условий, объединяющему данные из разных источников (результаты геофизических и геотехнических исследований). Объединение данных разных типов направлено на создание более точных и согласованных моделей грунтовой среды, использующих преимущества каждого источника. Методы объединения данных применяются для изучения взаимосвязей между различными источниками и их использования для прогнозирования состояния подповерхностных условий. К этим методам относятся: кокригинг [39, 41]; подходы на основе случайных полей [42]; многомасштабные подходы [43]; байесовский вывод (байесовская вероятностная оценка) [44, 45]; байесовское сжимающее восстановление разреженных данных из разных источников [46, 47]; метод случайного леса (ансамблирования деревьев решений) [48]; нейронные сети [39, 49, 50].

Прогнозное моделирование поведения грунтов

Грунты представляют собой сложные дисперсные материалы со сложным механическим поведением, включая критическое состояние [51, 52], зависимость от начального состояния (например, [53]), дилатансию при нагружении [54–56 и др.], анизотропию [57, 58 и др.], деструктурирование [59–61 и др.], зависимость от траектории напряжений [62 и др.], зависимость от времени [63, 64 и др.] и некоаксиальность напряжений и деформаций [65 и др.]. Это послужило стимулом для разработки ряда комплексных геомеханических (конститутивных) моделей поведения грунтов, предназначенных для учета его зависимости от времени [66, 67 и др.], зависимости от состояния [68, 69 и др.], дилатансии при нагружении [70, 71 и др.], анизотропии [72–74 и др.], зависимости от траектории напряжений [75 и др.], некоаксиальности напряжений и деформаций [76 и др.] и фазовых переходов [77 и др.].

При традиционном конститутивном моделировании предполагается, что поведение грунта может быть описано математическим уравнением с набором параметров или переменных. Но стремление отразить нестандартные реакции грунтов все время приводит к появлению все более сложных конститутивных моделей с увеличенным количеством материальных параметров. Например, модель SANISAND [78] включает несколько тензоров внутренней структуры грунта и внутренних переменных, которые, хотя и позволяют успешно моделировать сложное поведение материала, значительно усложняют калибровку модели и ограничивают ее интерпретируемость.

С ростом доступности ресурсов искусственного интеллекта в начале 1990-х годов некоторые исследователи начали изучать применение методов ИИ, в частности нейронных сетей, в качестве альтернативы для моделирования поведения материалов [79, 80 и др.]. Эллис с соавторами [81] и Габусси с коллегами [79] стали пионерами в разработке комплексных геомеханических (конститутивных) моделей грунтов на основе нейронных сетей. И вскоре появилось заметное количество конститутивных моделей на основе ИИ [82–84 и др.]. Развитие такого моделирования вышло за рамки нейронных сетей и включало другие методы ИИ, например эволюционную регрессию [85]. В последние годы исследования в рассматриваемой области перешли к численной реализации этих «интеллектуальных» материальных моделей [86–89 и др.].

Однако эффективность ранних конститутивных моделей на базе ИИ, полностью основанных на данных, была неоднозначной из-за их низкой интерпретируемости и необходимости в больших объемах данных для эффективного обучения. Важно отметить, что такие модели демонстрировали слабую способность к обобщению (экстраполяции): достоверность прогнозов ухудшалась за пределами области признаков, использованных в обучающем наборе данных.

Возрождение в последние годы интереса к использовнию искусственного интеллекта в геотехнике дало новый толчок разработке конститутивных моделей на основе ИИ, причем методы машинного обучения с учетом физических закономерностей [90–92] стали ключевым трендом в моделировании материалов. В недавних исследованиях рассматривалась возможность объединения априорных/базовых знаний, таких как эмпирические зависимости или физические законы, с методами МО для ограничения предсказаний разумными пределами [93–98 и др.]. Несмотря на то что эти разработки значительно улучшили обобщающую способность, такие гибридные модели по-прежнему требуют больших наборов высококачественных данных для достижения эффективности предсказаний, сопоставимой с эффективностью использования традиционных конститутивных моделей.

Эти проблемы стимулировали развитие интерпретируемых подходов в МО, пригодных для обучения на наборах разреженных геотехнических данных [99]. Например, Чжан с соавторами [100] включили в нейронную сеть на основе априорной информации три различных теоретических подхода – инкрементальную нелинейность, гиперупругость и упругопластичность (например, рис. 3). Для создания моделей поведения реальных грунтов в сочетании с многоуровневой схемой моделирования (с разной точностью) использовались три модели нейронных сетей на основе априорной информации, чтобы максимизировать влияние разреженных высокоточных данных (и, следовательно, снизить зависимость от них). Такой подход обеспечил эффективный, точный и универсальный метод моделирования поведения грунтов. Это продемонстрировало потенциал методов ИИ , учитывающих физические законы (физически информированных), для создания конститутивных моделей грунта.

Рис 3. Процесс моделирования с несколькими/многими уровнями точности, использованный в работе Чжана и др. [99], который включает комбинацию нейронной сети на основе данных и традиционные модели на основе наблюдений (феноменологические)

Оптимизация геотехнического проектирования, строительных процессов и оценки рисков

В современной геотехнике ключевым направлением стала оптимизация геотехнического проектирования и строительных процессов с растущим вниманием к использованию технологий искусственного интеллекта.

Исторически геотехническое проектирование в значительной степени опиралось на ручные расчеты и анализ, эмпирические методы и упрощенные модели [101]. Хотя эти подходы во многих случаях демонстрировали эффективность, их ограничения при решении сложных современных задач становятся все более очевидными.

В сфере фундаментостроения для прогнозирования несущей способности [102–105 и др.] и осадок [106–110 и др.] фундаментов неглубокого заложения применялись различные алгоритмы машинного обучения.

Исследователи также использовали методы ИИ для уточнения различных аспектов проектирования свай, включая:

a) забиваемость свай [111, 112 и др.];

б) сопротивление вертикальной нагрузке [113–117 и др.];

в) сопротивление боковой нагрузке [118–120 и др.];

г) осадки и смещения [121–123 и др.];

д) эффекты для группы свай [124 и др.]. 

Пример усовершенствования метода проектирования с помощью искусственного интеллекта представлен на рисунке 4 – в данном случае для решения задачи забиваемости сваи, то есть среднего значения глубины ее погружения за один удар молота [112]. На рисунке показана ошибка в прогнозах забиваемости сваи при использовании стандартной для отрасли модели, которую разработали Ольм и Хамре [125], и обобщенной модели, улучшенной с помощью машинного обучения, для случая забивки рабочей сваи в переходных грунтах (смешанного состава) на шельфе. Следует отметить, что ключевым компонентом структуры МО была модель на основе волнового уравнения под названием IMPACT, которая описывает, как энергия удара молота распространяется вдоль сваи и взаимодействует с грунтом, причем ее внутренние параметры не изменялись в процессе обучения. Получившаяся в итоге обновленная обобщенная модель продемонстрировала значительно более высокую точность по сравнению с моделью Ольма и Хамре [125].

Рис. 4. Пример решения задачи забиваемости сваи с помощью искусственного интеллекта: а – схема использования обобщенной прогнозной модели, улучшенной с помощью машинного обучения; б – соответствующий график нормализованной ошибки предсказаний для забиваемости тестовой шельфовой сваи, не участвовавшей в обучении модели, по сравнению с результатами, полученными с использованием стандартной для отрасли модели Ольма и Хамре [125] по работе [112] (по вертикально оси – отношение разности между предсказанным и измеренным погружением сваи к измеренному значению). Буквенные обозначения: θ={a_s1, a_s2, a_s3, a_s4, β_s} – вектор параметров модели, которые описывают взаимодействие сваи с грунтом при забивке; a_s1–as4 – сопротивление грунта в соответствующих слоях вдоль ствола (shaft, отсюда нижний индекс s) сваи; β_s – коэффициент, задающий распределение бокового сопротивления вдоль ствола сваи, то есть определяющий наклон и форму кривой бокового сопротивления вдоль ствола (если β_s<1 – эта кривая вогнутая, пологая, сопротивление увеличивается с глубиной замедленно; β_s=1 – кривая линейная, сопротивление растет с глубиной равномерно; β_s>1 – кривая выпуклая, крутая, сопротивление увеличивается с глубиной ускоренно)

Подобный подход не ограничивался рассмотренной задачей. Он успешно применялся также для прогнозирования параметров прокладки трубопровода методом продавливания (прокола) [126].

Еще одно популярное направление использования искусственного интеллекта – проектирование устойчивости склонов [127, 128]. В публикациях основное внимание уделяется исследованию механизмов разрушения склонов, оптимизации повышения их устойчивости и оценке коэффициента (запаса) устойчивости [129–131], прогнозированию времени разрушения [100], пространственно-временному картированию оползневой опасности [132], а также разработке суррогатных (упрощенных аппроксимационных) моделей, основанных на данных [133].

Недавние работы также посвящены разработке стохастических методов, усиленных алгоритмами машинного обучения [32, 134, 135]. Новым направлением исследований в этой области является объединение методов МО и технологий дистанционного зондирования, например спутниковой интерферометрической радиолокации с синтезированной апертурой (Interferometric Synthetic Aperture Radar, InSAR), для прогнозирования аномального поведения, указывающего на возможное начало разрушения склона [136, 137 и др.].

Популярные области применения в геотехническом строительстве в первую очередь связаны с тоннелестроением, где наиболее распространенными направлениями являются:

a) прогнозирование эффективности работы тоннелепроходческого комплекса (ТПК);

б) прогнозирование осадок, вызванных проходкой тоннелей;

в) оценка и прогнозирование геологических условий впереди забоя;

г) оптимизация конструкции ротора (режущей части) ТПК.

Другие области исследований включают: прогнозирование повреждений зданий, вызванных строительством тоннеля [138, 139], автоматизацию работы ТПК [140], оценку состояния тоннелей [141–143], обнаружение аномалий [144, 145 и др.], измерение геометрических параметров и расположения конструктивных элементов тоннеля [146 и др.], оценку устойчивости тоннелей к деформациям и повреждениям [147 и др.], выявление дефектов конструкций тоннеля [148 и др.], устойчивость забоя тоннеля [149 и др.], прогнозирование горных ударов в тоннеле (внезапного обрушения, сдвижения или выброса грунтов под действием горного давления) [150 и др.], интеллектуальное информационное моделирование зданий и сооружений [151 и др.].

И наконец, искусственный интеллект может использоваться для объединения различных дисциплин и обеспечения применения передовых  численных моделей в процедурах территориального планирования регионального масштаба [152]. Это может быть достигнуто с помощью суррогатных (упрощенных аппроксимационных) моделей [153, 154 и др.], которые воспроизводят результаты более сложных и требующих больших вычислительных затрат моделей при значительно меньших издержках. Примером является их использование для моделирования снижения риска камнепадов (рис. 5), когда оценка этого риска на региональном уровне выполняется геологами с помощью таких инструментов, как геоинформационные системы (ГИС), полевые изыскания и дистанционное зондирование, чтобы предоставить информацию для моделей движения камнепадного материала [155]. На этом этапе для учета неопределенности измерений и природной вариабельности используется стохастический анализ, что приводит к сотням тысяч прогонов модели (вычислительных экспериментов), для которых применение стандартных численных процедур было бы неосуществимым.

Рис. 5. Использование суррогатных моделей на основе искусственного интеллекта для задачи снижения риска камнепадов: а – блок-схема их применения для достижения точности передовых численных моделей при уровне эффективности, необходимом для крупномасштабного территориального планирования; б – пример результатов работы суррогатной модели относительно стандартного порога энергии в 500 кДж [154]

-

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.