一种基于贝叶斯网络的土壤地震液化评估方法，该方法在小数据集的情况下考虑了物理先验知识

《Journal of Applied Geophysics》：A Bayesian network soil seismic liquefaction assessment approach considering physical prior knowledge under small dataset

土壤液化评估中，基于物理机制构建贝叶斯网络模型，结合数据增强与最大熵原理优化参数学习，显著提升小样本条件下分类精度，工程验证显示其可靠性和适用性。

　　
土壤地震液化评估在地质工程和地震工程领域具有重要研究价值。当前研究面临两大核心挑战：一是如何有效处理小样本数据条件下的模型训练问题；二是如何合理利用不完整的多源数据（如标准贯入试验SPT与圆锥贯入试验CPT的混合数据）提升评估精度。针对上述问题，本文提出了一种融合物理约束与最大熵原理的贝叶斯网络模型（BN-ME），并通过系统性实验验证了其在数据稀缺条件下的突出优势。

在模型构建方面，研究团队首先通过物理机制分析与灰色关联度评价，建立了包含11个关键信息字段的贝叶斯网络拓扑结构。这种结构设计不仅考虑了传统SPT、CPT、剪切波速等常规参数，还整合了孔隙水压力变化、有效应力衰减等核心物理过程。特别值得注意的是，研究创新性地将液化机制中的因果关系转化为可量化的约束条件，例如通过建立砂土颗粒密度与抗液化强度之间的物理关联模型，将定性专家经验转化为定量约束参数。

数据增强策略的优化是本研究的另一个重要突破。研究团队对比了KNN、随机森林（RF）、XGBoost和MICE四种主流方法，发现传统KNN算法在处理高维数据时存在显著偏差，而XGBoost和MICE虽然计算效率较高，但在保持原始数据分布特性方面存在不足。通过引入K-S检验评估分布差异、JS散度衡量信息熵距离、MSE量化预测误差的综合评价体系，最终筛选出随机森林作为最优数据增强方法。这种方法的本质在于利用多棵决策树通过特征重要性排序，自动筛选出对液化判定最具解释力的参数组合，从而在数据缺失条件下最大程度保留物理机理。

参数学习算法的创新是本研究的技术核心。传统贝叶斯网络参数学习（如最大似然估计MLE、最大后验估计MAP）在小样本条件下容易陷入过拟合或欠拟合的困境。为此，研究团队提出双约束优化机制：一方面通过构建物理约束矩阵，将专家知识编码为条件概率的上下限约束；另一方面采用最大熵原理，在满足约束的前提下最大化不确定性表达，从而在有限样本条件下更合理地估计参数分布。这种融合物理先验与概率最大化的方法，使得模型在样本量减少至20例时仍能保持85%以上的分类准确率。

实证研究结果揭示了本模型的独特优势。在包含785个样本（覆盖55次地震事件）的基础数据集上，经过数据增强后的BN-ME模型在液化判别和非液化判别中的准确率分别达到86.21%和85.50%，较传统模型提升约15个百分点。特别值得关注的是，当样本量降至30以下时，BN-ME模型仍能保持82%以上的整体准确率，而传统方法此时准确率已普遍低于60%。这种稳定性源于模型通过物理约束构建的拓扑结构对关键参数的敏感性控制，以及数据增强过程中对原始数据分布的精准保留。

工程应用验证部分进一步凸显了本研究的实践价值。在三个典型工程案例（包括2011年新西兰基督城地震、2016年日本长野地震和2018年墨西哥城地震）中，BN-ME模型均能准确识别液化区域与非液化区域，其概率输出值与实际监测数据的相关系数达到0.89。更值得关注的是，模型在处理混合数据（部分SPT参数缺失、CPT数据不完整）时，通过动态权重分配机制，使预测结果的可解释性提升40%，为现场工程师提供了明确的决策依据。

本研究的理论贡献体现在三个方面：其一，建立了基于物理机理的贝叶斯网络拓扑生成框架，突破了传统方法依赖经验构建结构模式；其二，创新性地将最大熵原理引入参数学习过程，有效解决了小样本条件下的参数估计偏差问题；其三，提出了多维度数据增强质量评价体系，为处理不同缺失模式提供了标准化解决方案。这些突破性进展为后续研究奠定了重要基础，特别是在复杂地质条件下如何平衡模型精度与计算效率方面，研究团队提出了分阶段参数优化策略，在保证精度的前提下将计算耗时降低62%。

实践应用方面，研究团队开发了专用软件平台，实现了从数据预处理到结果输出的全流程自动化。该平台特别设计了物理约束验证模块，当模型输出与已知的力学公式产生矛盾时，能自动触发约束修正机制。在2023年京津冀地区液化评估项目中，应用本模型成功预警了三个潜在液化高风险区，其中两个区域后来被实际监测证实存在液化现象，验证了模型的预测可靠性。

未来研究可沿着三个方向深化：首先，在物理约束建模方面，可进一步融合土力学中的有效应力原理和临界状态理论，构建更精细的约束条件库；其次，在数据增强领域，探索基于生成对抗网络（GAN）的物理一致性数据生成方法，解决传统方法在极端数据缺失时的局限性；最后，在工程应用层面，需要开发多源异构数据的标准化接口，实现与现有工程监测系统的无缝对接。

本研究为地震工程领域的液化评估提供了新的方法论框架，特别是在应对中小型工程中样本量不足的问题方面具有重要参考价值。通过系统性的方法创新和严格的实证检验，研究团队成功破解了小样本条件下贝叶斯网络应用的两大瓶颈：参数估计偏差和模型过拟合问题。这种将物理机理深度融入数据驱动模型的思路，为地质工程领域其他复杂问题的研究提供了可借鉴的范式。