Probabilistic neural network for evaluating seismic liquefaction potential.

Simplified techniques based on in situ testing methods are commonly used to assess seismic liquefaction potential. Many of these simplified methods are based on finding the liquefaction boundary separating two categories (the occurrence or non-occurrence of liquefaction) through the analysis of liquefaction case histories. As the liquefaction classification problem is highly nonlinear in nature, it is difficult to develop a comprehensive model taking into account all the independent variables, such as the seismic and soil properties, using conventional modeling techniques. Hence, in many of the conventional methods that have been proposed, simplified assumptions have been made. In this study, a probabilistic neural network (PNN) approach based on the Bayesian classifier method is used to evaluate seismic liquefaction potential based on actual field records. Two separate analyses are performed, one based on cone penetration test data and one based on shear wave velocity data. The PNN model effectively explores the relationship between the independent and dependent variables without any assumptions about the relationship between the various variables. Through the iterative presentation of the data (the learning phase), this study serves to demonstrate that the PNN can "discover" the intrinsic relationship between the seismic and soil parameters and the liquefaction potential. Comparisons indicate that the PNN models perform far better than the conventional methods in predicting the occurrence or non-occurrence of liquefaction.Key words: cone penetration test, neural networks, prediction, probabilistic neural network, sand, seismic liquefaction, shear wave velocity.Des techniques simplifiées basées sur les méthodes d'essais in situ sont couramment utilisées pour évaluer le potentiel de liquéfaction sismique. Plusieurs de ces méthodes sont basées sur la détermination de la frontière de la liquéfaction séparant deux catégories (la génération ou la non génération de liquéfaction) définie au moyen de l'analyse d'histoires de cas de liquéfaction. Comme le problème de classification de la liquéfaction est par nature fortement non linéaire, il est difficile de développer un modèle complet prenant en compte toutes les variables indépendantes telles que les propriétés des sols et des séismes, en utilisant les techniques conventionnelles de modélisation. En conséquence, dans plusieurs des méthodes conventionnelles qui ont été proposées, des hypothèses simplificatrices ont été faites. Dans cette étude, une approche probabilistique de réseau de neurones (PNN) basée sur la méthode Bayesienne de classification est utilisée pour évaluer le potentiel de liquéfaction sismique sur la base des données réelles de terrain. Deux analyses séparées ont été réalisées, une basée sur le données du CPT, et l'autre sur les données de vitesses des ondes de cisaillement. De fait, le modèle PNN explore la relation entre les variables dépendantes et indépendantes sans aucunes hypothèses concernant la relation entre les diverses variables. Par l'intermédiaire de la présentation itérative des données (la phase d'apprentissage), cette étude sert à démontrer que le PNN peut « découvrir » la relation intrinsèque entre les paramètres sismiques et du sol, et le potentiel de liquéfaction. Des comparaisons indiquent que les modèles PNN fonctionnent beaucoup mieux que les méthodes conventionnelles pour prédire la génération ou la non génération de la liquéfaction.Mots clés : essai de pénétration au cône, réseaux de neurones, prédiction, réseau probabilistique de neurones, sable, liquéfaction, vitesse des ondes de cisaillement.[Traduit par la Rédaction] [ABSTRACT FROM AUTHOR]