刚刚阅读了Dr. Morgenroth(女)的博士论文《Practical applications of machine learning to underground rock engineering (机器学习在地下岩石工程中的实际应用)》，这篇论文是2022年完成的，2023年获得了加拿大岩石力学学会(CARMA)第二届 Doug Stead教授博士论文奖【利用遥感和数值模拟相结合的方式评价边坡坡坏机制(Remote Sensing and Numerical Modeling)】。
Dr. Morgenroth本科毕业于Queen's地质工程专业，硕士毕业于UBC土木工程专业，博士于2022年毕业于York地质工程专业，毕业后就职于RockMass Technologies【工程岩体分类---老问题新思考；便携式手持LiDAR工具测绘岩体结构和地层变形】。
2. 研究内容
随着传感器技术的发展、数据存储成本的降低以及计算速度和计算能力的提高，岩石力学工程师从地下开挖中获取大量数据的机会越来越多，机器学习已成为处理工程决策数据的一种可行方法。本研究利用来自各种岩体变形环境的真实数据集，研究了机器学习算法(MLA)在地下岩石工程问题中的实际应用。研究发现，尽可能保留原始输入数据的格式可减少数字化过程中的偏差，并可获得更具可解释性的机器学习算法。
机器学习预测极端洪水事件 (LSTM) ARMA机器学习和人工智能在岩石力学中的最新应用(算法和代码) Golden 2024 机器学习论文分类总结 (Machine Learning) 使用深度学习预测岩土稳定性的框架(3种不同方法和代码)
针对实际岩石工程问题的机器学习算法开发，从如何格式化和预处理输入、选择架构、调整超参数以及确定工程验证指标等方面提出了一般性建议。还提出了一些建议，以展示如何通过应用机器学习领域已有的工具来实现算法的可解释性。
