การเข้ารหัสลำดับชั้นดินแบบต่อเนื่อง: กรอบแนวคิดที่ได้แรงบันดาลใจ จากโมเดลภาษาขนาดใหญ่สำหรับการประเมินการเหลวตัวของดิน

บทคัดย่อ

การศึกษานี้นำเสนอกรอบการเรียนรู้เชิงลึกใหม่สำหรับการทำนายการเหลวตัวของดิน โดยประยุกต์แนวคิดจากการประมวลผลภาษาธรรมชาติ (NLP) ด้วยการมองชั้นดินเป็นลำดับของโทเค็น คล้ายกับที่โมเดลการประมวลผลภาษาธรรมชาติประมวลผลประโยคเป็นลำดับของคำ โดยชั้นดินแต่ละระดับความลึกถูกแปลงเป็นเวกเตอร์ที่รวมข้อมูลคุณสมบัติเฉพาะของพื้นที่ ข้อมูลการจำแนกประเภทดิน พารามิเตอร์การตอบสนองต่อแผ่นดินไหว ค่าทดสอบการเจาะแบบมาตรฐาน (SPT) และข้อมูลตำแหน่งความลึกของชั้นดิน สถาปัตยกรรมของโมเดลใช้กลไกการสนใจตนเอง (Self-attention) เพื่อระบุความสัมพันธ์ที่ซับซ้อนระหว่างชั้นดิน โดยได้รับการฝึกฝนจากกรณีศึกษา 165 ตำแหน่งจากเหตุการณ์แผ่นดินไหวสำคัญ 11 ครั้งที่มีสภาพทางธรณีวิทยาและแผ่นดินไหวที่หลากหลาย ซึ่งให้ความแม่นยำในการทำนายถึง 93.75% ความน่าเชื่อถือของโมเดลได้รับการยืนยันผ่านการทดสอบกับชุดข้อมูลแผ่นดินไหวคาบสมุทรโนโตะในปี 2024  และการศึกษาผลกระทบจากการตัดพารามิเตอร์นำเข้า แนวทางนี้แสดงให้เห็นว่าแนวคิดจากการสร้างโมเดลภาษาสามารถนำมาปรับใช้ในการวิเคราะห์ข้อมูลทางธรณีวิทยาแบบต่อเนื่องได้อย่างมีประสิทธิภาพ ช่วยให้เข้าใจพฤติกรรมของดินระหว่างเหตุการณ์แผ่นดินไหวได้ละเอียดยิ่งขึ้น และชี้ให้เห็นโอกาสในการประยุกต์ใช้การเรียนรู้เชิงลึกกับความท้าทายทางวิศวกรรมธรณีเทคนิคในวงกว้าง