การเพิ่มสมรรถนะการทำนายเสถียรภาพและระยะวิบัติของลาดดินโดยใช้การปรับแต่งไฮเปอร์พารามิเตอร์และคุณสมบัติพหุนาม
Article Sidebar
Main Article Content
บทคัดย่อ
การศึกษานี้นำเสนอการวิเคราะห์เสถียรภาพของลาดดินโดยใช้แบบจำลองการเรียนรู้ของเครื่อง (ML) ต่างๆ โดยเน้นที่ความสำคัญของการปรับแต่งไฮเปอร์พารามิเตอร์และคุณสมบัติ การทำนายค่าความปลอดภัย (FS) ระยะทางการพังทลายของลาดดินเมื่อเทียบกับความสูงของลาดดิน และระดับความปลอดภัยของลาดดิน พารามิเตอร์นำเข้า ได้แก่ หน่วยแรงยึดเหนี่ยว (C), มุมเสียดทานภายใน (Phi), มุมลาดชัน (Slope) และความสูงของลาดดิน (H) ประสิทธิภาพของแต่ละโมเดลถูกประเมินโดยใช้ค่าความผิดพลาดเฉลี่ยสัมบูรณ์เป็นเปอร์เซ็นต์ (MAPE), ค่าความผิดพลาดกำลังสองเฉลี่ย (MSE), และค่าความผันแปรของตัวแปรตอบสนอง (R²) สำหรับการทำนายแบบถดถอย ในขณะที่งานการจำแนกประเภทถูกประเมินโดยใช้ค่าความแม่นยำ (Accuracy), ความถูกต้อง (Precision), การระลึก (Recall), คะแนน F1 (F1-score) และพื้นที่ใต้เส้นโค้ง (AUC) การวิเคราะห์แสดงให้เห็นถึงประสิทธิภาพของแบบจำลอง ML ที่แตกต่างกัน แบบจำลองที่มีประสิทธิภาพทั้งในการทำนายถดถอยและจำแนกคือป่าสุ่ม การใช้คุณสมบัติแบบพหุนามเพิ่มประสิทธิภาพให้วิธีเชิงเส้นได้อย่างมีนัยสำคัญ ในขณะที่การปรับแต่งไฮเปอร์พารามิเตอร์เพิ่มประสิทธิภาพแบบจำลองซับพอร์ตเวคเตอร์และโครงข่ายประสาทเทียมที่มีหลายชั้นได้เป็นอย่างดี
Article Details
เอกสารอ้างอิง
ณัฐวุฒิ แถมเงิน, ปกรณ์ ล่องทอง, พงศศรันย์ ทองหนูนุ้ย, กนกวรรณ ละอองศรี, อนามัย เทศกะทึก, พีรพล ศิริพงศ์วุฒิกร, ณฐนนท์ เทพตะขบ และ วิริยะ มหิกุล (2023). การเรียนรู้ของเครื่องเพื่อทำนายระดับความรุนแรงของความผิดปกติของความยืดหยุ่นปอดของพนักงานโรงงาน, Science and Technology Journal Mahasarakham University, 43(2), 84-95
สุภาวิณี ขันคำ และ สิโรรัตน์ จั่นงาม (2023). แบบจำลองการพยากรณ์สำหรับปริมาณการส่งออกเครื่องเทศของประเทศไทย. Science and Technology Journal Mahasarakham University, 43(1), 74-83
Azarafza, M., Azarafza, M., Akgün, H., Atkinson, P. M., & Derakhshani, R. (2021). Deep learning-based landslide susceptibility mapping. Scientific reports, 11(1), 24112.
Bishop, A. W. (1955). The use of the slip circle in the stability analysis of slopes. Geotechnique, 5(1), 7-17.
Fellenius, W. (1927). Erdstatische statik. MeyerandZeller.
Harabinová, S., & Panulinová, E. (2020). Impact of shear strength parameters on slope stability. MATEC Web of Conferences, 310, 00040. https://doi.org/10.1051/matecconf/202031000040
Hosmer Jr, D. W., Lemeshow, S., & Sturdivant, R. X. (2013). Applied logistic regression. John Wiley & Sons.
Huang, F., Xiong, H., Chen, S., Lv, Z., Huang, J., Chang, Z., & Catani, F. (2023). Slope stability prediction based on a long short-term memory neural network: Comparisons with convolutional neural networks, support vector machines and random forest models.
International Journal of Coal Science & Technology, 10(1), 18.
Huang, F., Ye, Z., Jiang, S. H., Huang, J., Chang, Z., & Chen, J. (2021). Uncertainty study of landslide susceptibility prediction considering the different attribute interval numbers of environmental factors and different data-based models. Catena, 202, 105250.
Lin, S., Zheng, H., Han, C., Han, B., & Li, W. (2021). Evaluation and prediction of slope stability using machine learning approaches. Frontiers of Structural and Civil Engineering, 15(4), 821–833.
Morgenstern, N. U., & Price, V. E. (1965). The analysis of thestabilityofgeneral slipsurfaces. Géotechnique, 15(1), 79–93.
Nikoobakht, S., Azarafza, M., Akgün, H., & Derakhshani, R. (2022). Landslide susceptibility assessment by using convolutional neural network. Applied Sciences, 12(12), 5992.
Pham, B.T., Vu, V. D., Costache, R., Phong, T. V., Ngo, T. Q., Tran, T. H., ... & Prakash, I. (2022). Landslide susceptibility mappingusingstate-of-the-art machine learning ensembles. Geocarto International, 37(18), 5175–5200.
Singh, S. K., & Chakravarty, D. (2023). Assessment of slope stability using classification and regression algorithms subjected to internal and external factors. Archives of Mining Sciences, 68(1), 87–102.
Spencer, E. (1967). A method of analysis of the stability of embankments assuming parallel inter-slice forces. Geotechnique, 17(1), 11-26.
Tien Bui, D., Moayedi, H., Gör, M., Jaafari, A., & Foong, L. K. (2019). Predicting slope stability failure through machine learning paradigms. ISPRS International Journal of Geo-Information, 8(9), 395.
Wang, Y., Sun, D., Wen, H., Zhang, H., & Zhang, F. (2020). Comparison of random forest model and frequency ratio model for landslide susceptibility mapping (LSM) in Yunyang County (Chongqing, China). International Journal of Environmental Research and Public Health, 17(12), 4206.
World Bank. (2020). Global landslide hazard 1 [Data set]. World Bank Data Catalog. https://datacatalog.worldbank.org/dataset/global-landslide-hazard-1
World Health Organization. (2023). Landslides. https://www.who.int/health-topics/landslides
WSDOT. (2013). Geotechnical design manual M 46-03. Washington State Department of Transportation.
