LEAP Liquefaction

LEAP Liquefaction数据集是由德克萨斯大学奥斯汀分校创建，专注于自然灾害工程领域，特别是液化现象的研究。该数据集包含16个子数据集，涵盖了多种实验条件和参数，如相对密度、孔隙压力比等。创建过程中，研究者采用了混合方法，结合人工辅助和自动处理技术，从原始数据中提取关键参数和元数据，构建知识图谱。该数据集的应用领域主要集中在液化现象的科学发现，旨在通过数据驱动的分析揭示液化过程中的复杂关系和依赖性。

LEAP Liquefaction Dataset was developed by The University of Texas at Austin, focusing on the field of natural hazard engineering, particularly research on liquefaction phenomena. This dataset comprises 16 sub-datasets covering various experimental conditions and parameters such as relative density and pore pressure ratio. During its creation, researchers adopted a hybrid approach combining manual assistance and automated processing technologies to extract key parameters and metadata from raw data and construct a knowledge graph. The main application areas of this dataset are focused on scientific discoveries related to liquefaction phenomena, aiming to uncover the complex relationships and dependencies in the liquefaction process via data-driven analysis.

搜集汇总

数据集介绍

构建方式

在自然灾害工程领域，数据集的构建往往面临异构性与非结构化挑战。LEAP Liquefaction数据集的构建采用了一种混合方法，该方法结合了科学领域知识与自动化技术。首先，从DesignSafe平台获取16个液化相关项目的原始CSV文件，通过Python脚本提取列信息并生成统计摘要，如均值、中位数及分位数。随后，利用Neo4j图数据库平台，将项目、作者、实验、事件等实体定义为节点，并通过边建立它们之间的复杂关系，形成知识图谱。这一过程还引入了大型语言模型来处理非结构化的XLSX文件，以增强元数据提取的完整性与准确性。

特点

该数据集的核心特点在于其知识图谱的表示形式，能够捕捉液化现象中多尺度过渡行为的复杂关系。与传统仅依赖关键词检索的数据集不同，它通过图结构将实验参数、地质条件及灾害类型等实体互联，支持语义层面的深度查询。例如，用户可以检索孔隙压力比达到1.0的松散土壤案例，从而揭示隐藏的科学关联。此外，数据集整合了来自全球多个机构的实验数据，具有高度的异构性与多样性，为自然灾害工程研究提供了丰富的多源信息基础。

使用方法

使用该数据集时，研究人员可通过Neo4j的Cypher查询语言执行从简单到复杂的多层次检索。例如，可以基于项目元数据查找特定作者监督的实验，或结合领域知识筛选出符合液化条件的案例。知识图谱的结构允许用户探索实体间的依赖关系，如通过“RECORDS”边关联事件与数据节点，以分析特定实验条件下的行为模式。此外，数据集支持与Python库（如py2neo）集成，便于自动化数据挖掘与可视化分析，从而推动数据驱动的科学发现。

背景与挑战

背景概述

在自然灾害工程领域，土壤液化作为一种复杂的多尺度物理现象，长期以来是岩土工程研究的核心议题。LEAP Liquefaction数据集由德克萨斯大学奥斯汀分校的研究人员Chahak Mehta与Krishna Kumar于2018年主导构建，并托管于DesignSafe科学数据平台。该数据集汇集了全球多个研究机构通过离心机实验、三轴试验等手段获取的液化相关数据，旨在通过数据驱动的方法揭示土壤在动力荷载下从固态向流态转变的内在机理。其创建不仅推动了岩土工程领域对液化灾害的量化理解，更为基于知识图谱的智能数据发现范式提供了关键案例支撑，显著提升了复杂科学数据中隐藏关系的挖掘能力。

当前挑战

LEAP Liquefaction数据集面临的挑战主要体现在两方面：在领域问题层面，传统基于关键词的检索方法难以捕捉土壤液化过程中孔隙水压力比达到临界值等非显性关联，限制了从多源异构数据中构建物理模型的深度；在构建过程中，原始数据的非结构化与异质性特征（如CSV与XLSX格式混杂）导致元数据提取困难，需结合领域知识人工标注关键参数，同时大规模图数据库的构建需平衡语义关系表达的精确性与计算效率，这对跨学科协作与智能算法集成提出了更高要求。

常用场景

经典使用场景

在岩土工程领域，液化现象作为自然灾害的核心议题，其研究依赖于对复杂实验数据的深度挖掘。LEAP Liquefaction数据集通过整合多机构离心机试验与现场测试数据，为研究人员提供了标准化、可比较的土壤液化行为观测平台。该数据集常被用于构建知识图谱，通过语义关联将离散的试验参数（如孔隙水压力比、相对密度）与液化状态动态关联，从而支持跨实验条件的复杂查询，例如识别特定密度条件下发生液化的案例，推动了对土壤动态响应机制的量化分析。

实际应用

在实际工程风险评估中，土壤液化潜势的预测需要融合多源实验证据。LEAP Liquefaction数据集通过知识图谱实现的智能查询功能，可直接辅助工程师筛选特定地质条件下的历史液化案例，优化场地安全性评估流程。例如，在沿海地区抗震设计中，该数据集能够快速匹配类似土体参数与荷载场景的试验结果，为液化防治措施的选择提供数据驱动的决策支持，提升基础设施应对自然灾害的韧性。

衍生相关工作

基于LEAP Liquefaction数据集构建的知识图谱框架，已衍生出多项跨学科创新研究。例如，结合大型语言模型实现非结构化表格数据的自动化元数据提取，扩展了异构数据的整合能力；同时，该图谱结构被应用于其他自然灾害工程数据集，如风暴潮与地震动数据，形成了可复用的科学数据关联范式。这些工作进一步推动了Cyberinfrastructure在灾害模拟中的集成，为大规模科学数据的知识发现开辟了新路径。