《PLOS One》:Predicting continuous load-settlement trajectories of bored piles: A GA-optimized weighted ensemble framework with explainable AI
编辑推荐:
钻孔灌注桩沉降的精准预测是可靠基础设计中的核心环节。尽管机器学习(ML)模型相较于传统解析方法展现出更优的预测能力,但其黑箱特性及生成非物理性轨迹的倾向显著阻碍了其在岩土工程中的实际应用。本研究提出了一种新型计算框架,通过将加权集成学习(Weighted En
钻孔灌注桩沉降的精准预测是可靠基础设计中的核心环节。尽管机器学习(ML)模型相较于传统解析方法展现出更优的预测能力,但其黑箱特性及生成非物理性轨迹的倾向显著阻碍了其在岩土工程中的实际应用。本研究提出了一种新型计算框架,通过将加权集成学习(Weighted Ensemble Learning)与SHAP(SHapley Additive exPlanations)解释能力相结合,确保物理一致性。该集成结构融合了线性回归(LR)、随机森林(RF)、XGBoost及多层神经网络(MLP),利用包含563条现场静载试验记录的数据库捕捉桩-土之间的复杂相互作用。研究实施了一种两阶段混合优化策略,即随机搜索(Random Search)与遗传算法(Genetic Algorithm, GA)相结合,以优化全局权重集。结果表明,GA-集成模型(GA-Ensemble)在独立测试集上取得了优异的精度(R2 = 0.958,NRMSE = 5.27%,RMSE = 0.380,MAE = 0.2322),成功中和了树模型的阶梯误差,重新生成了平滑、连续且力学合规的荷载-沉降(P-S)轨迹。值得注意的是,通过将SHAP值转换为真实物理尺度(毫米),研究阐明了算法的推理逻辑。SHAP依赖分析表明,该模型通过识别外部荷载(P)与自由长度(Lf)之间的相互作用,成功捕捉了弹性压缩与几何非线性的耦合特征。局部诊断分解精确提取了失效机制,成功量化了即使在极硬土层中,结构弹性缩短及地基刺入所导致的“系统性惩罚”。总之,所提出的方法已超越纯插值工具的局限,建立了一个透明且具有地质力学可靠性的沉降预测专家系统。
论文解读:基于遗传算法优化加权集成学习与可解释人工智能的钻孔灌注桩连续荷载-沉降轨迹预测
一、研究背景与问题提出
基础设计是建筑工程中最关键的阶段之一,钻孔灌注桩因其高承载能力而成为高层建筑和交通基础设施的常用解决方案。准确预测轴向荷载下的桩顶沉降,不仅关乎结构安全,也有助于优化项目成本。然而,桩基沉降预测始终是岩土工程师面临的经典挑战。钻孔灌注桩的行为高度非线性,受桩体结构与周围多层土体之间复杂相互作用机制的控制。土体力学参数(变形模量、贯入阻力、黏聚力)的异质性变化、地质勘察误差以及桩的几何因素均构成显著障碍。实践中,基于解析公式的理论方法常因过度简化(如假设土体为均质或纯线弹性介质)而产生较大误差。另一方面,有限元建模(FEM)等数值模拟方法虽功能强大,但对输入参数极为敏感,其结果高度依赖土体本构模型、接触单元类型及边界条件,需经过复杂修正才能与实际荷载-位移曲线收敛。
随着数据科学的兴起,机器学习(ML)模型在建立输入特征(桩尺寸、土体参数、荷载)与输出(沉降)之间的非线性映射方面展现出卓越能力。然而,现有研究仍揭示出系统性局限。首先,单一机器学习模型的应用常导致不稳定性,模型可能在训练集上表现优异,但在新数据上精度严重下降(过拟合)。其次,也是最重要的研究空白,在于ML模型的黑箱特性及其生成非物理性预测的倾向。在岩土工程中,荷载-沉降(P-S)曲线必须遵循单调递增且连续的规律。基于决策树的模型(如随机森林、XGBoost)的预测曲线常产生阶梯状不连续或离散插值,无法准确反映桩-土系统从弹性到塑性的相变过程。此外,工程师无法解释ML预测结果背后的内部逻辑,这使得该工具难以被要求绝对可靠性和透明度的基础设计标准所接受。
为彻底克服这些障碍,本研究提出一个先进的计算框架:结合可解释人工智能(SHAP)平台的优化加权集成学习(GA)模型。其核心目标是建立一个专家系统,不仅具备优异的样本外预测精度,还能根据力学规律平滑、连续且一致地重绘荷载-沉降(P-S)轨迹。该论文的开创性贡献包括:开发两阶段混合优化策略(随机搜索结合遗传算法)以自动搜索并分配异构复合结构(LR、RF、XGBoost、MLP)的最优权重;开创性地将SHAP分析集成并直接转换为毫米(mm)系数,将AI从统计工具转变为透明的地质力学诊断系统;首次定量证明机器学习平台能自动发现并遵循胡克弹性定律,通过局部SHAP分解在极端荷载场景中识别P-Delta效应和地基刺入机制。
二、研究内容与核心方法
研究人员开展了一项系统性的研究,旨在构建并验证一个兼具高预测精度与物理一致性的钻孔灌注桩沉降预测框架。研究数据来源于两个主要渠道,包含高保真、全尺寸的钻孔灌注桩静载试验(SLT)记录。第一个子集包含从美国联邦公路管理局(FHWA)数据库中提取的47个国际试验场景,涵盖高度多样化的土层剖面和施工条件。第二个子集包含越南重大基础设施项目中4个实际现场SLT记录,试验严格遵循越南标准TCVN 9393:2012执行。整合后,数据库共包含51个不同的桩试验场景,产生542个离散的荷载-沉降数据点。研究确定了七个输入参数,涵盖桩几何、材料属性、地质条件和施加荷载,并严格依据基础力学原理分为四个机制组:机械驱动力(施加荷载P)、几何边界条件与空间相互作用(桩径D、桩嵌入长度Ls、桩自由长度Lf)、岩土抗力(平均侧摩阻力SPT N值Nsh、桩端SPT N值Nt)以及结构材料刚度(桩弹性模量Ep)。输出变量(沉降S)转换为对数尺度(Log(S))以最小化方差异质性。数据按60/40比例随机划分为训练池和独立测试集,测试集在整个模型开发过程中严格隔离。研究采用两阶段混合优化策略,先通过随机搜索(RS)进行全局探索,再结合遗传算法(GA)进行局部精调,以确定加权集成架构的最优连续权重向量。
三、研究结果
3.1 基于随机搜索的基估计器超参数空间优化
研究通过随机搜索对基估计器的超参数空间进行了优化,确定了各基模型的最优超参数配置。这些优化后的超参数在后续集成权重优化过程中保持冻结,以完全隔离优化算法的效能并防止超参数引起的数据泄漏。
3.2 基模型与集成模型的性能对比
研究对比了各基模型(LR、RF、XGBoost、MLP)与GA优化加权集成模型的预测性能。结果显示,GA-集成模型在独立测试集上取得了最优异的精度(R2 = 0.958,NRMSE = 5.27%,RMSE = 0.380,MAE = 0.2322),显著优于各单一基模型。该模型成功中和了树模型的阶梯误差,重新生成了平滑、连续且力学合规的荷载-沉降(P-S)轨迹。
3.3 集成模型的物理一致性验证
研究人员通过对比预测的P-S曲线与实测曲线,验证了GA-集成模型生成的轨迹具有物理一致性。模型成功克服了决策树模型常见的阶梯状不连续预测问题,生成的曲线平滑连续,准确反映了桩-土系统从弹性到塑性的相变过程。
3.4 基于SHAP的全局可解释性分析
通过将SHAP值转换为真实物理尺度(毫米),研究阐明了算法的推理逻辑。SHAP依赖分析表明,模型成功捕捉了弹性压缩与几何非线性的耦合特征,具体表现为识别出外部荷载(P)与自由长度(Lf)之间的相互作用。施加荷载(P)被识别为对沉降影响最显著的特征,符合其作为主要驱动机制的地质力学逻辑。
3.5 基于SHAP的局部诊断分解
局部诊断分解精确提取了失效机制,成功量化了即使在极硬土层中,结构弹性缩短及地基刺入所导致的“系统性惩罚”。模型通过局部SHAP分解在极端荷载场景中识别出P-Delta效应和地基刺入机制,验证了模型的地质力学一致性。
四、讨论与结论
讨论部分强调了所提出框架超越纯插值工具的重大意义。通过将SHAP值转换至真实物理尺度,研究将AI从统计工具转变为透明的地质力学诊断系统,首次定量证明机器学习平台能自动发现并遵循胡克弹性定律。该框架成功解决了传统ML模型的黑箱特性和非物理预测倾向两大核心问题,建立了兼具高预测精度与物理可解释性的专家系统。研究结论表明,所提出的GA优化加权集成学习结合SHAP解释的方法,已超越纯插值工具的局限,建立了一个透明且具有地质力学可靠性的沉降预测专家系统,为岩土工程中的桩基沉降预测提供了新的可靠工具。