用于预测软土中桩端单位阻力的概率性与可解释机器学习框架
《Modelling》:Probabilistic and Interpretable Machine Learning Framework for Predicting Pile Unit Base Resistance in Soft Soil
【字体:
大
中
小
】
时间:2026年08月27日
来源:Modelling 1.8
摘要
准确预测桩端阻力对于深基础的安全与经济设计至关重要,尤其是在软土中,荷载传递机制高度非线性且充满不确定性。本研究开发了一种用于预测桩单位端阻力的对比性、概率性和可解释机器学习框架,采用五个输入变量:施加荷载、沉降量、有效桩长、轴向刚度和SPT值。采用具有自动相关性确定(ARD)指数核函数的高斯过程回归模型取得了最佳性能,在独立测试集上的均方根误差(RMSE)为262.11 kPa,R2 为0.943,95%预测区间的覆盖率达到96.46%。除记录级评估外,留一桩交叉验证(首次应用于该数据库的分组验证)表明,对完全未见过的桩的泛化能力更具挑战性,其主要原因是每桩存在等级偏移而非形状不匹配(桩内相关性 = 0.975)。一种顺序下一阶段方案,通过校准桩的早期加载阶段来估计该偏移量,随后预测其余段落,具有较强的一致性(Willmott's d = 0.76–0.83),支持对部分载荷试验进行实用扩展。可解释性通过ARD、SHAP、置换/消融重要性以及偏依赖/累积局部效应分析进行评估,确定沉降量为主要预测因子。该框架融合了准确性、校准的不确定性、可解释性和经验证的段落级外推能力,为面向可靠性的桩评估提供支持。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号