A Modular Gaussian Process Regression Toolbox for Uncertainty Aware Geotechnical Site Characterization

  • A modular Gaussian Process Regression toolbox for efficient large-scale geotechnical site characterization from sparse 1D data was presented at the Third Future of Machine Learning in Geotechnics (3FOMLIG), Florence, Italy, October 16, 2025. The PyTorch/GPyTorch-based framework enables multivariate modeling of correlated soil properties and joint regression-classification of continuous CPT parameters with categorical soil units through Dirichlet transformations. Stochastic Variational Inference reduces computational complexity from O(N³) to O(M³), enabling GPU-accelerated processing of 100,000+ measurements. Validated on a 33 km² North Sea offshore wind farm site with 100+ sparse investigation points, the toolbox generates uncertainty-aware 3D predictions, supporting univariate, multivariate (LMC), and sequential multi-group modeling strategies.

Volltext Dateien herunterladen

  • 3FOMLIG-2025 presentation_Zinas.pdf
    eng

Metadaten exportieren

Weitere Dienste

Suche bei Google Scholar Anzahl der Zugriffe auf dieses Dokument
Metadaten
Autor*innen:Orestis Zinas
Koautor*innen:Iason Papaioannou, Ronald Schneider, Pablo Cuéllar
Dokumenttyp:Vortrag
Veröffentlichungsform:Präsentation
Sprache:Englisch
Jahr der Erstveröffentlichung:2025
Organisationseinheit der BAM:7 Bauwerkssicherheit
7 Bauwerkssicherheit / 7.2 Ingenieurbau
DDC-Klassifikation:Technik, Medizin, angewandte Wissenschaften / Ingenieurwissenschaften / Angewandte Physik
Freie Schlagwörter:Bayesian inference; Gaussian process regression; Offshore Wind Farms; Probabilistic site-characterization
Themenfelder/Aktivitätsfelder der BAM:Energie
Energie / Windenergie
Veranstaltung:Third Future of Machine Learning in Geotechnics (3FOMLIG)
Veranstaltungsort:Florence, Italy
Beginndatum der Veranstaltung:15.10.2025
Enddatum der Veranstaltung:17.10.2025
Verfügbarkeit des Dokuments:Datei im Netzwerk der BAM verfügbar ("Closed Access")
Datum der Freischaltung:21.10.2025
Referierte Publikation:Nein
Eingeladener Vortrag (wissenschaftliche Konferenzen):Nein
Einverstanden
Diese Webseite verwendet technisch erforderliche Session-Cookies. Durch die weitere Nutzung der Webseite stimmen Sie diesem zu. Unsere Datenschutzerklärung finden Sie hier.