以下為GEMINI SPARK協助依 土壤液化領域 列舉 10 個具代表性、跨不同機器學習（Machine Learning）範式的實戰應用範例，完整涵蓋時間序列、監督式學習（迴歸/分類）、非監督式分群、異常檢測、圖神經網絡、關聯規則、推薦系統、生存分析與 NLP 語意分析。
|
應用範例名稱 |
機器學習範式 |
核心技術 / 演算法 |
具體工程應用場景 |
|
地震當下孔隙水壓動態預測 |
時間序列 (Time Series) |
LSTM,
GRU, Transformers |
利用地震儀即時回傳的地表加速度（PGA）時序資料，動態預測土層內孔隙水壓比（ |
|
基於 SPT/CPT 的液化潛能評估 |
監督式學習：分類 (Classification) |
XGBoost,
SVM, 隨機森林 |
輸入標準貫入試驗（SPT）擊數或圓錐貫入試驗（CPT）錐尖阻抗、圍壓、細粒料含量，直接分類判定該土層在特定震度下「液化」或「不液化」。 |
|
安全係數與循環抗力比推估 |
監督式學習：迴歸 (Regression) |
高斯過程迴歸 (GPR), DNN |
預測連續型變數，如循環抗力比（CRR）或液化安全係數（ |
|
全球/區域液化災損空間分群 |
非監督式學習：分群 (Clustering) |
K-Means,
DBSCAN |
在缺乏歷史觀測標籤的情況下，依據多維度地質特徵（地下水位、地貌、沖積層年代、土層剛度）將區域劃分成不同的液化敏感度潛在分群。 |
|
鑽孔數據異常與地層擾動檢測 |
異常檢測 (Anomaly Detection) |
孤立森林 (Isolation Forest), One-Class SVM |
自動識別 SPT/CPT 原始觀測數據中的量測異常值、人為噪訊或異常軟弱層（可能代表高液化風險的特殊夾層），確保建模數據品質。 |
|
區域地下管網與土層交互作用 |
圖神經網絡 (GNN) |
GCN,
GAT |
將城市地下自來水/瓦斯管線視為節點，相鄰土層為邊。利用 GNN 預測在周圍土壤液化時，管網節點的受災應變與連帶破壞機率。 |
|
誘發土壤液化因子多維關聯分析 |
關聯規則 (Association Rules) |
Apriori,
FP-Growth |
挖掘歷史震災數據中，各因子間的強關聯性。例如發現：{地下水位 < 2m, 細粒料含量 < 10%, PGA >
0.3g} => {發生嚴重噴砂現象} 的隱含規則。 |
|
地盤改良工法與抗液化資材推薦 |
推薦系統 (Recommendation System) |
協同過濾, 基於知識的推薦系統 |
根據特定工程場景的土質參數（剛度、深度、預算、環境限制），為工程師精準推薦最適配的抗液化地盤改良工法（如動態壓實、擠壓砂樁、灌漿強化）。 |
|
基礎設施抗液化壽命與失效預測 |
生存分析 (Survival Analysis) |
Cox
比例風險模型, DeepSurv |
考慮歷史小震累積效應與環境劣化，預測靠液化土層支撐的既有建物基礎或橋墩，在未來的時間軸上發生液化沉陷失效的機率（生存曲線）。 |
|
歷史地質報告與震災文獻知識抽取 |
NLP
語意分析 (NLP) |
BERT,
命名實體識別 (NER), LLM |
從數十年的紙本工程鑽孔報告、地方震災描述文本中，自動抽取出非結構化的地層描述、歷史液化地點與噴砂紀錄，轉為結構化資料庫。 |
