Academic Journal
Shallow cavity detection using MASW, Rayleigh-wave scattering, and machine learning at a controlled test site.
| Τίτλος: | Shallow cavity detection using MASW, Rayleigh-wave scattering, and machine learning at a controlled test site. |
|---|---|
| Συγγραφείς: | Liu, Ya1 (AUTHOR) yaliu@zjut.edu.cn, Tao, Ran1,2 (AUTHOR), Tang, Qilin1,2 (AUTHOR), Chen, Yingjun1,2 (AUTHOR), Chen, Hao1,2 (AUTHOR), Bai, Yushi1,2 (AUTHOR), Zhang, Wenli1,2 (AUTHOR), Wang, Weijiao1,2 (AUTHOR), Li, Shufeng1,2 (AUTHOR), Wu, Zizhao1,2 (AUTHOR), Wang, Bei1 (AUTHOR) |
| Πηγή: | Canadian Geotechnical Journal. 8/26/2026, Vol. 63, p1-17. 17p. |
| Θεματικοί όροι: | *Rayleigh waves, *Machine learning, *Surface waves (Fluids), *Random forest algorithms |
| Abstract (English): | Detecting strongly localized cavities in heterogeneous urban near-surface environments remains challenging for conventional surface-wave methods due to wavelength-averaged resolution limits. This study proposes an integrated workflow that combines multichannel analysis of surface waves (MASW), Rayleigh-wave back-scattering analysis, and Random Forest-based probability mapping to enhance cavity localization. The approach is evaluated at a controlled test site containing two engineered cavities with known geometry. Results show that while MASW reliably constrains burial depth, it produces laterally smoothed anomalies for meter-scale cavities. In contrast, frequency-wavenumber-based isolation of reverse-propagating surface-wave components provides sharper lateral constraints. The machine-learning model further integrates multichannel waveform and spatial-correlation features to generate continuous cavity-probability profiles, consistently identifying cavity centroids in field data and demonstrating stable classification performance in independent synthetic tests. These findings demonstrate that combining dispersion-based inversion, scattering-sensitive localization, and data-driven probability estimation improves detection reliability for small, shallow cavities in complex backfill conditions. [ABSTRACT FROM AUTHOR] |
| Abstract (French): | La détection de cavités fortement localisées dans des environnements urbains hétérogènes de proche surface demeure difficile au moyen des méthodes conventionnelles fondées sur les ondes de surface en raison des limites de résolution liées au moyennage sur la longueur d'onde. La présente étude propose un flux de travail intégré combinant l'analyse multicanal des ondes de surface (MASW), l'analyse de la rétrodiffusion des ondes de Rayleigh et une cartographie probabiliste fondée sur un modèle de forêt aléatoire afin d'améliorer la localisation des cavités. L'approche est évaluée sur un site d'essai contrôlé comportant deux cavités aménagées dont la géométrie est connue. Les résultats montrent que, bien que la méthode MASW permette d'estimer de manière fiable la profondeur d'enfouissement, elle produit des anomalies latéralement lissées pour des cavités de l'ordre du mètre. En revanche, l'isolation, dans le domaine fréquence–nombre d'onde, des composantes d'ondes de surface se propageant en sens inverse fournit une localisation latérale plus précise. Le modèle d'apprentissage automatique intègre en outre des caractéristiques des formes d'onde multicanales et de corrélation spatiale afin de générer des profils continus de probabilité de présence de cavités, permettant d'identifier de façon constante le centre des cavités dans les données de terrain et démontrant une performance de classification stable lors d'essais synthétiques indépendants. Ces résultats montrent que la combinaison d'une inversion fondée sur la dispersion, d'une localisation sensible à la diffusion et d'une estimation probabiliste fondée sur les données améliore la fiabilité de la détection des cavités peu profondes de petite dimension dans des conditions complexes de remblai. [ABSTRACT FROM AUTHOR] |
| Βάση Δεδομένων: | Academic Search Index |
καταχωρήστε σχόλιο πρώτοι!