人们对利用多源检索数据(如钻孔、地球物理技术、地质图和岩石性质)创建高分辨率三维地下地质模型越来越感兴趣，以便进行应急管理。然而，要从这些集成的异构数据中获得有意义的、可解释的三维地下视图，需要开发一种新的方法来方便地进行建模后分析。为此，本文提出了一种基于混合集成的自动深度学习方法，用于使用多源数据进行地下地质基岩的三维建模。然后使用植入关节权重数据库的新型集成随机自动失活过程对不确定性进行量化。然后，通过使用来自瑞典的激光扫描基岩水平数据创建三维地下地质模型，验证了自动化过程在捕获最佳拓扑结构方面的适用性。与智能分位数回归和传统地统计学插值算法相比，该方法在三维地下模型的可视化和后期分析方面具有更高的精度。由于使用了集成的多源数据，本文提出的方法和随后创建的3D模型可以作为地球工程应用的代表性调和。
在地球工程实践中，对从空间分布的钻孔中获取的信息进行适当的汇总，可以促进地下分析和制图，以支持各种地下项目的决策(例如，[41,52,71])。通常通过在二维截面上显示的钻孔数据来确定特定地质单元(如岩石、岩性地层、矿化区)的延伸。然而，在地理模型中，由于不均一性和无法解释空间分析，从稀疏的垂直约束井眼数据中解释横向分布属性是一个困难的障碍[9,24,43]。因此，描述属性参数空间分布的检索结果不仅经常与地质知识相冲突[43]，而且在后期操作阶段需要不断更新[71]。因此，为了概念化地下特征的空间格局，需要在3D中开发二维地质模型[9,10,29]。然后可以使用补充的测试数据进行补充，以获得更准确的推理结果(例如[1,2,3,58,66])。在数学上，三维地质模型表达了地质构造/物体的数字坐标和相关特征，这些特征可以在地球工程现场特征中实际实施(例如，[2,28,31])。这意味着三维地质模型在分析地下利用和城市环境的地下属性信息方面具有巨大的优势。然而，由于数据、分辨率和所需细节的多样性，收集和呈现三维地理空间信息一直是一个挑战[9,39,58,73]。
为了提高地理空间横向分布属性的可解释性，将不同的合格钻孔数据与数值算法([11,42]或认知解释方法[16,24,53,53])相结合已成为一种常见的做法。这种方法导致在观测点之间进行插值，以纳入专家地质知识。在这种观点下，平面网格的三维插值[67]、曲面网格生成[23]和三角剖分算法[18]被认为是处理离散井眼数据的最合适选择[1]。然而，这些方法的适用性在当前的地球工程建模方法(例如[27,34,35,49,60])中仍然至关重要，尽管存在与处理时间和处理大数据的局限性相关的一些挑战。
为了应对大数据的挑战[17]，熟练的人工智能技术(AIT)在浅/深神经学习网络(SNLNs/DNLNs)、机器学习(ML)、混合模型和进化算法方面的应用已经出现在各种地球工程问题中(例如[1,2,3,32,54,59,73])。基于dnlns模型的三维计算机视觉，由于其特征特征[38]，因此比GIS和CAD系统[21,42,72]提供了更有力的工具，已用于地球工程应用[1,2,59,70]。然而，基于深度神经网络的预测模型的鲁棒性应该根据不同的精度性能标准和不确定性量化(UQ)分析来评估(例如，[5,47,61])。
随着人口密集的大都市地区的增长，利用地下城市规划来克服与可持续城市和环境法规相关的挑战，以响应技术和社会经济需求已经得到强调[12,46]。从地球工程的角度来看，基岩深度(deep to bedrock, DTB)，即基岩以上沉积物的厚度，是正确利用地下资源的关键因素。在瑞典，有大量的已建成基础设施(如交通隧道、公路、铁路)，DTB的三维空间分析是一个重要的问题，可以为结构的稳定性提供关键的见解[2]。生成足够精确的三维可视化空间DTB模型不仅有助于解释稀疏的岩土测量结果，而且还为确定最佳解决方案和风险评估(例如[2,3,24,25,26,64,68])提供了有价值的工具。然而，在地球工程项目中，由于岩土技术的限制(例如，整个区域的获取、成本、探测之间的距离)所包含的不确定性，制作高分辨率三维空间DTB预测模型不仅需要不同的数据类型组合，而且是一项关键任务[1,2,26,64]。
DTB可以使用传统的地质统计技术生成。然而，复杂问题大地理数据所采用的计算/图形系统有限[22,65]、非平稳性等技术问题需要扩展随机函数模型，实际问题的合理解决方案在模型选择上存在困难，参数估计和不确定性的传播[19,42,44,57]将增加处理大数据的分析时间和成本[5]。因此，这些技术通常在小规模地区进行[69]。另一方面，在DNLN中，UQ分析是一个相对未被充分探索的话题[5,6,51]，从技术上讲，它为寻找不同的机会、新的选择和被忽视的解决方案提供了空间。因此，UQ分析在基于dnn的预测模型中起着关键作用，因为错误的答案不一定是问题，但它是案例分歧中的一个问题，可以有效地影响优化和决策过程中评估的准确性。随着AIT技术和代码开发的出现，这种需求提供了强大的新应用程序，以帮助满足地球工程师在解决建模障碍方面的要求。
为了克服上述挑战，开发一种基于dnnn - uq的现代自动化混合方案，以产生足够精确和高分辨率的3D可视化地下，这是非常有动力的。在本文中，创新性地结合了两个不同的自动化过程，使用随机关闭的联合权重数据库来跟踪模型优化和UQ分析。由于嵌入内嵌循环，可以显著减少超参数调整以获得最优模型的计算时间。将混合模型作为城市规划的有利工具，应用于瑞典不同土壤-岩石测深和地球物理调查的644个数据集的地理空间定位。然后，使用单独提供的75,715个扫描岩石表面数据集对可预测性性能进行控制和评估。与分位数回归(QR)[14]和地质统计学普通克里格(OK)[62]进行的详细分析表明，可以绘制高分辨率三维空间预测地下DTB地图。
如图1a所示，研究区域位于瑞典西南部，靠近哥德堡。本研究中使用的岩土工程数据是沿B?linge和v
rg
rda之间的E20公路收集的(图1b)。瑞典交通管理局考虑到目前超速、交通安全和环境等问题，计划在旧E20附近新建一条高速公路。在靠近B?linge的西段，拟建的高速公路穿过岩石露头、冰碛、冰川粘土、冰川沉积物和膨胀沉积物。规划道路沿线基岩以片麻岩为主，闪孔、黑云母等深色矿物含量较高。伟晶岩，一种花岗质层状岩石，几乎沿着整条道路被发现。基岩为一般非均质复杂化合物。然而，在路线的终点，基岩变得更加均匀，主要由所谓的v
rg
rda花岗岩组成(?sander, 2015)。本区片麻岩断裂带总体呈东西走向。而靠近B?linge断裂带则以西北—东南方向为主，靠近v
r
rda断裂带则以东北—西南方向为主。裂缝面通常向南倾斜，如果进行岩屑切割，可能会导致稳定性问题(?sander, 2015)。参考图1b，利用空间地理定位坐标对644个土/岩测深和物探多源数据集进行了表征和编译。然后将数据随机分为65%、20%和15%，以提供训练集、测试集和验证集。因此，在输入模型之前，将使用的数据集进行归一化处理，在[- 1,1]区间内提供相同的比例尺。
图1
瑞典项目区位置(a)和644个获取的测试点(红色)在Google Earth图像(b)上的地理空间分布叠加
人工智能的概念可以定义为人脑结构的简化模仿可学习布局，旨在通过嵌入连接处理元素来提高计算能力。与传统的建模方法相比，基于人工智能的系统有几个公认的优势，它们越来越多地用于地球工程应用的计算机视觉领域[1,2,40,50]。DNLNs是AIT的一个子类，它不需要明确地扫描数据以搜索可组合的特征以更快地学习。这意味着深度神经网络可以成功地处理非结构化数据(不同的格式，如文本、图片和pdf)，并探索人类可能错过的新的复杂特征[38]。因此，dnl提供了比ML更大的容量来执行特征工程，从而显着缩短了计算时间。因此，dnln中的UQ分析可以在输入变量、假设和近似值、测量误差以及稀疏和不精确数据的背景下进行描述[5]。然而，使用这些技术进行基于价值的判断的所有不确定性来源可能都无法量化[47]。
如图2所示，在DNLN的全连接配置中，第k隐层第j个神经元在第n次迭代时，受激活函数f的输出定义为:
（1)
在那里;Nk表示KTH层中神经元的数量，并表示从神经元接收的求和信号偏移的偏差。
图2
DNLN架构的简单配置
然后使用第k个隐藏层中第i个神经元的相应误差更新权重和偏差，通过以下方法最小化预测误差:
(2) (3)
在那里;是对的一阶导数。和表示动量常数，动量常数决定了过去参数变化对参数空间中当前运动方向的影响，通常在[0.1,1]区间内变化，用于避免更新过程中的不稳定。表示学习率。
然后使用更新后的权值计算整个网络的总误差E(t)、预测误差和第m个输出层第l个神经元的结果:
(4) (5) (6)
在那里;Dj (t)表示神经元j在第t次迭代时的期望输出。Y和no分别表示实际输出和输出层神经元数量。
如图3所示，开发了一种混合自动化方法，包括两个区块和几个嵌入的内部嵌套环路，以及用于地下3D建模的开关箱。给定区块的概述(图3)已成功地独立应用于地下水位任务的DTB和UQ分析建模[2,5]。然而，通过内部组合融合两个具有不同目的的截然不同的自动化概念是一项具有挑战性的任务。配置混合模型的主要技术新颖之处在于内部集成了两种不同的自动化方法，使用DNLN和基于集成的结构，使用联合权重数据库追求和选择最精确的拓扑结构。由于DNLN需要足够的计算能力和学习所需的数据[13]，在Block A(图3)中，该过程监控了各种组合的内部超参数，如表1所示。为了增强社区支持的模块化管理，从而提高计算能力和优化性能，该过程使用Python和c++进行编码。参考表1，根据分析的误差改进[4,25]，将捕获最优DNLN作为用户自定义选项的隐藏层数设置为3。使用这种方法，在最后一次或每次迭代期间监视的网络性能可预测性可以检测到模型何时没有改进，从而不需要进一步的训练。参考不同隐藏层数的编译结果，即神经元数从30个增加到80个，从3个增加到8个，在超过4个隐藏层和40个神经元的模型中，分析误差没有改善，因此选择3个隐藏层和35个神经元。这样的集成组件允许系统监控内部超参数的不同组合，不仅使学习更快，而且最大限度地减少了陷入局部最小值或过拟合问题的机会[1]。为了防止早期收敛，考虑了两步终止标准，如果根均方误差(RMSE)作为第一优先级没有实现，那么迭代次数(设置为1000)将被替换。因此，大量捕获的浅层和深层神经网络，即使具有相似的拓扑结构，但具有不同的超参数，也有助于提高所选模型对新示例的泛化能力[2]。UQ方法确定了模型的校准置信度，因此可以证明由于预测置信度过高或不足而引起的偏差。因此，评估基于深度神经网络的模型在实际应用之前的可靠性和有效性是一个重要的问题。这意味着，在不考虑UQ的情况下，对基于dnn的模型进行关键决策的可预测性评估通常是不可信的。此外，UQ分析是DNLN中相对较少探索的主题，特别是在应用于地球工程应用时，因此涵盖优化和不确定性估计的自动化杂交模型非常有趣。因此，为了控制所获得拓扑的稳定性和最优性，UQ使用一种新的基于集成的自动随机停用权重数据库(ARDCW)方法进行估计，如Block B所示(图3)[5]。由于实现了最优拓扑，更新和调整后与处理元素相关的权重以矩阵的形式保存为数据库，以协调实际结果和预测结果之间的差异，并直接应用于验证/未标记数据集以进行后续预测。因此，在Block B中，只使用自动化优化后的最终权重数据库。这意味着去激活方法仅适用于最优拓扑的权重数据库。随后，使用关闭权重组件自动重新训练模型，以监控不同场景下预测输出的变化。因此，克服了通过不同优化器对复杂拓扑进行多次训练的计算成本挑战[1]。
图3
提出了混合布局的自动化方法来捕获最优拓扑并进行UQ分析
表1常用的超参数选择最优模型
考虑超参数的组合使用，从2000多个具有不同内部特征的被监测和排序拓扑中识别出最优模型。图4a显示了一系列在选定的超参数(表1)下，训练阶段最小RMSE变化的结果。使用这个过程，过度拟合、早期收敛和陷入局部最小值的风险将被最小化，因为即使是相似的拓扑，但具有不同的超参数也会被检查。当经过一定次数的epoch后准确率没有提高时，也可以检测到过度训练问题[5]。如表1，图3和图4(a-d)所示，检查不同的AF，改变拓扑结构，并监测残余连接，以确保防止梯度消失。此外，在自动化过程中，保存了每个模型三次运行的最佳结果。参考图4a，可以选择QN和Hyt作用下结构为3-20-15-1(输入变量-隐藏层神经元1-隐藏层神经元2-输出)的DNLN拓扑为最优。随后，使用随机化数据集获得的拓扑的可预测性如图4(b-d)所示。
图4
通过RMSE (a)的变化确定预测DTB的最佳拓扑，并使用训练(b)、测试(c)和验证数据(d) (TR训练数据)确定相应的可预测性;TE测试数据;VL验证数据;平均绝对百分比误差)
使用ait创建和模拟三维模型是一种很有前途的地下地球工程工具(例如[1,3,71,74])。这是因为传统方法依赖于专家的知识和经验来选择假设、参数和数据插值方法，这些都是主观的和有限的[51]。
图5显示了研究区地下空间DTB分布的分步三维建模与实际扫描数据的对比。然后，可以通过叠加生成的地表和空间扫描DTB来识别岩石露头，从而获得具有足够精度的高分辨率预测3D地下模型，用于地球工程项目。图5d显示了使用ARDCW[5]对已实现的最优DNLN拓扑进行预测误差的UQ分析结果。
图5
为研究区域创建的三维模型的逐步侧视图，包括a地表，b, c包含扫描和预测DTB的空间分布，d, e使用自动化系统使用ARDCW估计UQ
摘要
1 介绍
2 研究区域和数据来源
3.模型开发过程
4 讨论和结果验证
5 有限公司
ncluding讲话
数据和材料的可用性
代码的可用性
参考文献
致谢
作者信息
道德声明
搜索
导航
#####
3D数字模型可以改善工程师、施工人员和客户之间的沟通，例如竞标、成本分析和列出所需资源。由于3D模型的成功取决于地下复杂性的可视化分辨率，因此在实践中和使用前应根据不同的精度性能指标仔细评估。在本研究中，通过比较QR和传统地质统计普通克里格(OK)的不同分析指标，对生成的三维模型进行了讨论。然而，由于AIT的强大计算能力，异常值的预测比传统技术更准确，因此可以预期更好的性能。除了随机验证数据外，还使用激光雷达在研究区东北部Jonstorp和Hjultorp之间的几个区域进行激光扫描获得的75,715个真实基岩面(图1)来讨论该方法的性能。然后可以将预测的基岩面与扫描的基岩面进行比较，以评估模型的性能。
在传统的地统计学插值算法中，当变异函数已知时，OK可以用于空间估计[62]。然而，由于使用插值，OK只能预测观测范围内的DTB值，而QR和DNLN由于回归和考虑最小平方误差，甚至可以预测制表域之外的值。从数学的角度来看，可以得到(n + 1)个DTB点的一个n阶多项式，它精确地通过所有(n + 1)个数据。这就是为什么在训练过程中，不同变异函数作用下的OK显示出较高的R2(表2)的主要原因。因此，在训练过程中，在观测域内，回归可能不如插值DTB准确，但在观测值以下和之外的范围内，可以提供更好的预测。这合理地解释了为什么OK中预测数据的R2变化显著(表2)。此外，由于OK在统计上包含了多个可以被数据证明的参数，因此所获得的结果可以归因于过拟合[20]，而变异函数参数的可变性导致了基于同一数据集的不同预测。这意味着受大数据影响的OK不能很好地泛化，并且预测的新值随后提供了对特定数据集的密切响应。
表2好吧结果经过8 ~ 14次滞后和不同的变异函数
此外，为了进行适当的评估，不应该使用整个数据集训练模型，因为这会导致太多的学习和饱和[15,56]。这种训练的结果是在输入数据中捕获更多的噪声，这些噪声会引起模型的剧烈波动，从而不能代表预期的趋势[1]。参考图6a，由于不对称加权处理，使用QR预测扫描的DTB受数据集中异常值的影响比OK小(图6b)。然而，QR中的参数估计比高斯或广义回归更难。图6c表明，与全变分正则化调整后的QR和OK相比，DNLN具有足够的灵活性，可以更准确地预测非线性模式，强调了该方法对于扫描DTB数据的实用性。
图6
可预测性的QR, b OK, c最优DNLN，和d计算残差扫描DTB
根据估计与检验理论[33]，可以使用残差图来分析非正态分布，特别是对不适当指定的模型或误差方差的非均匀性。此外，计算残差的过小值提供了足够稳定的模式，从而允许有效的统计推断[33]。图6d显示了应用模型下扫描DTB和预测DTB之间残差的随机模式，理想情况下，结果应该是小而非结构化的，其中观察到的大值是由异常值引起的。因此，残差代表验证数据中未被模型解释的部分。从这个角度来看，图6d中显示的图是一个控制图，用于确定是否应该继续/调整过程以达到所需的质量。
预测模型在分析上依赖于应用技术的精度和准确性。根据中心极限定理，预测模型的方差本质上是对不同人群的方差进行比较，以检验相等的假设。由于扫描的DTB有已知的标准偏差(SD)，因此结果更接近的模型更容易被接受。这意味着所实现方法的可接受性因此可以根据观测误差相对于定义的总允许误差(TAE)的大小来判断，如图7[36]所示。因此，对于与训练和扫描DTB总量相对应的76,359个数据集，TAE的值为6.811。利用DNLN、OK和QR预测DTB的TAE分别为6.49、5.01和6.07。这些值指定了在不使测试结果的解释无效的情况下允许的测定的不精确和偏差组合的最大误差量。因此，与计算残差相比(图6d)， OK已经超过TAE，这可以解释为该模型在处理大数据时存在不稳定性。利用QR、OK和最优DNLN计算残差的标准差分别为1.15、1.68和0.98来支持TAE的精度。
图7
定义TAE (SD标准差，SE标准误差)
根据Akaike的信息准则(AIC)[7]对模型附加项进行处罚，降低RMSE和增加R2的附加变量不适合模型的选择。目标是找到最小化AIC的模型，回归可以计算为:
(7）
在那里;P为变量数，n为记录数，多k个额外变量的模型被罚2 k。对于相似的训练数据，AIC是预测误差的估计器，因此可以代表每个模型的质量[55]。这意味着AIC估计给定模型丢失的信息的相对量，其中模型丢失的信息越少，该模型的质量越高。这意味着AIC处理拟合质量和模型简单性之间的权衡，导致过拟合风险和欠拟合风险[8]。根据式(7)中的RSS, OK、QR和最优DNLN的残差平方和分别为160,000、110,899和81,984。从这个角度来看，OK、QR和最优DNLN模型的AIC (Eq. 7)的第二个代数项分别为24,602、12,549和2,615。因此，OK在训练和验证中获得的高R2和低RMSE(表3)不能导致比QR和最优DNLN更好的性能。
表3应用统计误差标准对e评估和比较所采用的模型
在地球工程背景下，统计分析是可靠解释实验结果的重要工具。此外，基于数据的决策和意见的重要性日益增加，可以关键地评估分析的质量，因此可以使用统计误差度量来降低决策中的风险。然而，使用单一度量的统计分析可能会快速而简单地理解，但在复杂的地球工程问题中，提供的解释图像分辨率非常低。这是因为度量不同于损失函数。因此，对于统计指标的合理结论，往往需要对多个指标进行分析，使其结果相互印证。例如，由于决定系数(R2)不能揭示回归模型的正确性和因果关系的信息，因此需要补充其他标准。另外，也不能说明回归模型的正确性。R2最常见的解释是回归模型与观测数据的拟合程度，因此DNLN、QR和OK中的0.91、0.88和0.82表明，从75,715个数据中，共有68,901、66,629和62,086个数据被拟合到回归模型中(表3)。因此，与QR和OK相比，DNLN模型提供了3.3%和9.9%的改进。随后，RMSE为大错误赋予了相对较高的权重，因此在特别不希望出现大错误时非常有用。使用平均绝对百分比误差(MAPE)，可以直观地解释误差的程度或重要性。MAPE致力于相对误差的独立性，从而可以比较不同尺度数据之间的预测精度。因此，结合RMSE和MAPE提供了一个二次损失函数，也可以量化预测模型中的不确定性。因此，使用一致性指数(IA)[63]，给予误差适当的权重，而不是通过它们的平方值来膨胀。方差计算(VAF)衡量模型和实际数据在每个运行条件下的差异，通常用于验证输出结果的正确性，从而显示数据的可变性有多少可以用拟合的回归模型来解释。然后对生成的3D模型MAPE、VAF、IA、R2和RMSE以及一般标准差(GSD)和差比(DR)的结果进行评估，结果如表3所示。因此，MAPE、DR、GSD和RMSE越低，VAF、IA和R2越高，模型的性能越好。
在地下地球工程应用中，三维建模在可视化详细地质特征方面的能力正在逐步提高(例如[9,23,27,49])。这种3D预测地理空间模型可以根据可用的特征因素显示数字化的几何或拓扑对象，从而可以在与完成项目的视图非常相似的图像中捕捉建筑物和基础设施的复杂性。因此，3D模型可以帮助地球工程师选择更合适的结构元素，并帮助交付更安全的项目设计。适当调整的DNLN可以很容易地与新数据相适应，以提高诊断性能和计算机视觉修改。它还可以提供未来获得的数据，以反映更多的地下特征细节。考虑到这一点，在创建空间3D视图时，应用模型的可预测性与受75,715扫描DTB的区域轮廓中的残余轮廓进行了比较，并在图8中给出了。可以观察到，DNLN、QR和OK的实测/扫描基岩面与预测基岩面的残差不同。DNLN方法估计的残差区间最窄[-3.5,3.5 m]，表明预测模型比其他方法更准确。
图8
将预测模型和扫描的DTB数据结合使用应用方法生成的3D模型的俯视图，以获得最佳DNLN, b QR和c OK
4.3.1 估计UQ扫描间隔防晒霜
尽管在地球工程问题中有各种3D建议的高级分析方法(例如，[2,48,72])，但由于应用计算建模技术中使用的假设和传播误差所分析的UQ可能会产生显着差异。此外，应该考虑从单一研究中进行推广的相关问题，难以获得适当的度量，以及与确定模型表示的最高准确性相关的问题[5]。在这种情况下，预测区间(PI)为单个估计的UQ提供了一个指标。PI比点估计有优势，因为它考虑了数据的可变性，为观测值提供了一个“合理”的范围[45]。因此，PI必须考虑到预测总体均值的不确定性和个体值的随机变化[37]，因此它总是比置信区间更宽。这意味着，当统计数据不能用于解释未来的数据时，可以使用基于已知总体数据的PI来估计即将到来的观测值的UQ。使用PI的主要优点之一是，它给出了一个可能的权重范围，因此建模者可以了解预测的权重可能有多准确[30]。图9给出了使用ARDCW-DNLN、QR和OK扫描DTB区域的90% PI水平估计的UQ间隔。每个2m间隔的百分比(图9)反映在表4中。根据PI计算，在[0.6 m, 5.2 m]区间内估计UQ的ARDCW-DNLN比OK和QR的区间更窄，结果更简洁，精度更高。这意味着OK、QR和ARDCW-DNLN的偏差和差异可以通过比较估计的UQ来解释。分类UQ区间的分布(图9)可以识别出具有较高不确定性的子区域，从而减少对更多数据的需求，并突出其相应的原位测试的适用性。
图9
研究区域概述，显示了在90% PI水平下对OK, b和c最佳DNLN应用方法的比较UQ分析
表4比较模型扫描数据的不确定性区间统计
在3D建模的背景下，提出并开发了一种先进的计算机视觉混合自动dnnn - uq框架，用于使用瑞典的多源地理数据进行DTB分析。为了验证技术进步，利用75,715个扫描的DTB，将捕获的最优DNLN在完成任务和产生结果方面的结果与QR和OK进行比较，以提供更好的解释，并为后期建模分析提供便利。根据计算得到的TAE，预测DTB中OK的残差超标是由于该模型在处理大数据时的不稳定性。在AIC方面，研究表明，在OK的训练和验证中，高达到的R2和低RMSE并不会导致比QR和最优DNLN更好的性能。使用不同统计指标的应用模型的比较也表明，DNLN比QR和OK提供更好的结果。为扫描的DTB创建了90% PI的3D可视化地图，显示使用ARDCW-DNLN在[0.6,5.2]范围内较窄的UQ估计，因此精度更高。
所呈现的3D模型可以改善更多结构元素的视觉分析，从而更好地了解项目所涉及的自然和人为方面，从而导致更安全的设计过程。所呈现的模型的数字灵活性允许添加基础设施的坐标来修改计划中的不一致性，而不需要蓝图。然后，这将为立即解决工程难题提供更多适用的解决方案提供机会。使用3D模型还可以增强投标流程，并使承包商受益于自动化智能建模，从而提高施工质量，降低施工成本。经过调整的3D模型不仅加快了设计过程，而且使地球工程师和决策者能够尝试不同的想法，并在潜在的设计问题成为实际问题之前识别出潜在的设计问题。这意味着3D建模在施工中可以把工作的所有阶段放在一起，并提供完成项目的现实画面。
下载原文档：https://link.springer.com/content/pdf/10.1007/s00366-023-01852-5.pdf