Los ingenieros deben evaluar la susceptibilidad del suelo a la licuación, sin embargo, las evaluaciones convencionales son lentas, costosas y se ven afectadas por la variabilidad en las pruebas de campo y herramientas semiparámétricas que introducen incertidumbre. Este estudio aclara la importancia de parámetros clave y propone un enfoque de aprendizaje automático simplificado utilizando métodos de conjunto. Se compiló un conjunto de datos de referencia integral que se utilizó para entrenar modelos de aprendizaje automático fiables. Se examinó la importancia de las características con regresión logística y bosques aleatorios, después de lo cual los datos se dividieron en conjuntos de entrenamiento y prueba, se escalaron los predictores y se ajustaron los hiperparámetros con GridSearchCV. Luego se ajustaron modelos avanzados, seguidos de enfoques de conjunto, incluidos AdaBoost y clasificadores por votación. Basado en los resultados de la importancia de las características, los parámetros derivados de la Prueba de Penetración Estándar continúan siendo las características más influyentes en todos los métodos. Se evaluaron los modelos entrenados, en los que AdaBoost proporcionó las estimaciones más precisas al lograr una precisión, recall, F1-score, índice de Jaccard y exactitud del 88%, 88%, 88%, 79% y 88%, respectivamente. El clasificador por votación demostró un rendimiento superior al clasificador AdaBoost en términos de valores de falsos negativos más bajos y mayores valores de verdaderos positivos, lo que podría considerarse un mejor predictor para casos de alto riesgo.
Far et al. (mié,) estudió esta cuestión.