Buchumschlag

Explainable AI models for predicting liquefaction-induced lateral spreading

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Hsiao, Cheng-Hsi, Kumar, Krishna, Rathje, Ellen
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Geophysics Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Investigating the effect of CPT in lateral spreading prediction using Explainable AI
von: Hsiao, Cheng-Hsi, et al.
Veröffentlicht: (2025)

Domain-informed explainable boosting machines for trustworthy lateral spread predictions
von: Hsiao, Cheng-Hsi, et al.
Veröffentlicht: (2026)

A hybrid Finite Element and Material Point Method for modeling liquefaction-induced tailings dam failures
von: Sordo, Brent, et al.
Veröffentlicht: (2024)

Runout of liquefaction-induced tailings dam failure: Influence of earthquake motions and residual strength
von: Sordo, Brent, et al.
Veröffentlicht: (2025)

Modeling liquefaction-induced runout of a tailings dam using a hybrid finite element and material point method approach
von: Sordo, Brent, et al.
Veröffentlicht: (2024)

Sequential hybrid finite element and material point method to simulate slope failures
von: Sordo, Brent, et al.
Veröffentlicht: (2024)

A Critical Assessment of PINNs and Operator Learning for Geotechnical Engineering
von: Kumar, Krishna
Veröffentlicht: (2025)

Explainable AI for microseismic event detection
von: Abdullin, Ayrat, et al.
Veröffentlicht: (2025)

From images to properties: a NeRF-driven framework for granular material parameter inversion
von: Hsiao, Cheng-Hsi, et al.
Veröffentlicht: (2025)

Data-driven modeling of time-domain induced polarization
von: Bérubé, Charles L., et al.
Veröffentlicht: (2021)

Explainable artificial intelligence (XAI) for scaling: An application for deducing hydrologic connectivity at watershed scale
von: Ye, Sheng, et al.
Veröffentlicht: (2025)

Inverse analysis of granular flows using differentiable graph neural network simulator
von: Choi, Yongjin, et al.
Veröffentlicht: (2024)

Multi-frequency wavefield solutions for variable velocity models using meta-learning enhanced low-rank physics-informed neural network
von: Cheng, Shijun, et al.
Veröffentlicht: (2025)

An effective physics-informed neural operator framework for predicting wavefields
von: Ma, Xiao, et al.
Veröffentlicht: (2025)

In-context learning enables continental-scale subsurface temperature prediction from sparse local observations
von: O'Malley, Daniel, et al.
Veröffentlicht: (2026)

Gas trap prediction from 3D seismic and well test data using machine learning
von: Ivlev, Dmitry
Veröffentlicht: (2024)

SAGE: Subsurface AI-driven Geostatistical Extraction with proxy posterior
von: Erdinc, Huseyin Tuna, et al.
Veröffentlicht: (2026)

Propagating the prior from far to near offset: A self-supervised diffusion framework for progressively recovering near-offsets of towed-streamer data
von: Cheng, Shijun, et al.
Veröffentlicht: (2026)

Global River Forecasting with a Topology-Informed AI Foundation Model
von: Ren, Hancheng, et al.
Veröffentlicht: (2026)

GenAI4UQ: A Software for Inverse Uncertainty Quantification Using Conditional Generative Models
von: Fan, Ming, et al.
Veröffentlicht: (2024)

Geophysical inverse problems with measurement-guided diffusion models
von: Ravasi, Matteo
Veröffentlicht: (2025)

Controllable seismic velocity synthesis using generative diffusion models
von: Wang, Fu, et al.
Veröffentlicht: (2024)

Bayesian full waveform inversion with sequential surrogate model refinement
von: Meles, Giovanni Angelo, et al.
Veröffentlicht: (2025)

Parametric modeling of shear wave velocity profiles for the conterminous U.S
von: Sanger, Morgan D., et al.
Veröffentlicht: (2025)

Constructing balanced datasets for predicting failure modes in structural systems under seismic hazards
von: Kim, Jungho, et al.
Veröffentlicht: (2025)

Approaches for enhancing extrapolability in process-based and data-driven models in hydrology
von: Shi, Haiyang
Veröffentlicht: (2024)

EarthPT: a time series foundation model for Earth Observation
von: Smith, Michael J., et al.
Veröffentlicht: (2023)

Deep operator network for surrogate modeling of poroelasticity with random permeability fields
von: Park, Sangjoon, et al.
Veröffentlicht: (2025)

Seismic event classification with a lightweight Fourier Neural Operator model
von: Abdullin, Ayrat, et al.
Veröffentlicht: (2025)

SeisT: A foundational deep learning model for earthquake monitoring tasks
von: Li, Sen, et al.
Veröffentlicht: (2023)

Estimating properties of a homogeneous bounded soil using machine learning models
von: Kalimeris, Konstantinos, et al.
Veröffentlicht: (2025)

Machine Learning Aided Modeling of Granular Materials: A Review
von: Wang, Mengqi, et al.
Veröffentlicht: (2024)

Geological and Well prior assisted full waveform inversion using conditional diffusion models
von: Wang, Fu, et al.
Veröffentlicht: (2024)

Fine Flood Forecasts: Incorporating local data into global models through fine-tuning
von: Ryd, Emil, et al.
Veröffentlicht: (2025)

Knowledge distillation as a pathway toward next-generation intelligent ecohydrological modeling systems
von: Jiang, Long, et al.
Veröffentlicht: (2025)

Integrating Newton's Laws with deep learning for enhanced physics-informed compound flood modelling
von: Radfar, Soheil, et al.
Veröffentlicht: (2025)

Machine learning surrogates for efficient hydrologic modeling: Insights from stochastic simulations of managed aquifer recharge
von: Dai, Timothy, et al.
Veröffentlicht: (2024)

Diffusion priors enhanced velocity model building from time-lag images using a neural operator
von: Ma, Xiao, et al.
Veröffentlicht: (2025)

A foundation model enpowered by a multi-modal prompt engine for universal seismic geobody interpretation across surveys
von: Gao, Hang, et al.
Veröffentlicht: (2024)

RED-DiffEq: Regularization by denoising diffusion models for solving inverse PDE problems with application to full waveform inversion
von: Shan, Siming, et al.
Veröffentlicht: (2025)