报告简介

在岩土工程领域，传统的技术基于可靠性的设计方法和土体精确建模在学术研究取得丰硕成果，在实际工程中鲜有应用。本报告提出了一个框架，将这些先进技术与机器学习相结合，以现代化岩土工程勘察与分析。报告分为两个部分：

第一部分介绍了用于预测土水特征曲线（SWCC）参数的间接模型，并结合机器学习算法减少预测的不确定性。SWCC 是表征非饱和土水分迁移的曲线，但其测量过程复杂且耗时。本研究开发了基于粒径分布和孔隙率等易测量参数，预测 SWCC 参数的概率分布模型。虽然初期的联合正态模型具有较高的不确定性，通过引入多种机器学习算法降低了不确定性，包括增加预测特征的依赖关系、使用人工神经网络（ANN）建立非线性关系、以及扩大数据集规模。

第二部分展示了一个新的基于深度学习的代理模型，用于提高岩土工程风险分析的计算效率。传统的代理模型需要针对具体工况运行数值模拟并训练模型，新的深度学习模型基于覆盖广泛土壤属性、空间变异性及荷载条件的大数据集进行训练。这些模型对新数据具有较高的准确率，且无需重新训练或额外的数值模拟，提高了计算效率。

报告人简介

何旭珍博士，悉尼科技大学（UTS）土木与环境工程学院高级讲师，计算岩土力学领域的杰出青年学者。何旭珍毕业于清华大学，并获得剑桥大学 John Winbolt 奖和 Raymond and Helen Kwok 奖，另外他获得了澳大利亚研究理事会（ARC）Discovery Early Career Researcher Award（DECRA 2021）基金和Discovery Projects基金。何博士在计算岩土力学领域具有深厚的研究背景，已发表高水平论文 60 余篇，研究方向涵盖岩土工程数值分析、可靠性设计和机器学习等。他的研究致力于推动先进计算技术与岩土工程的结合，为该领域的发展提供新的思路和方法。