
-
生物通官微
陪你抓住生命科技
跳动的脉搏
对浸水和未浸泡的加州承载比(California bearing ratio)进行预测建模,研究对象包括粗粒和细粒土壤:采用XGBoost与人工神经网络(ANN)架构的对比研究
《Scientific Reports》:Predictive modeling of soaked and unsoaked California bearing ratio for coarse and fine-grained soils: a comparative study using XGBoost and ANN architectures
【字体: 大 中 小 】 时间:2026年08月28日 来源:Scientific Reports 4.9
编辑推荐:
摘要加州承载比是路面设计中的一个重要参数,但传统的实验室测试成本高昂且耗时较长。本研究通过利用人工神经网络和极端梯度提升(Extreme Gradient Boosting)开发先进的数据驱动框架,解决了简化经验模型的局限性。通过使用全面的土壤样本数据集,该研究能够根据标准土壤指
加州承载比是路面设计中的一个重要参数,但传统的实验室测试成本高昂且耗时较长。本研究通过利用人工神经网络和极端梯度提升(Extreme Gradient Boosting)开发先进的数据驱动框架,解决了简化经验模型的局限性。通过使用全面的土壤样本数据集,该研究能够根据标准土壤指标参数和压实参数,预测细粒土和粗粒土在湿润和非湿润条件下的承载能力。结果表明,极端梯度提升模型的性能明显优于神经网络:对于细粒土,该模型的决定系数为0.972,均方误差为1.78;而神经网络的相应数值分别为0.600和21.82。对于粗粒土,极端梯度提升模型的相关系数高达0.976,其误差仅为神经网络的一半。通过分别分析不同土组并运用集成学习方法,本研究提供了一种精确且计算效率高的 subgrade 强度预估工具。这些发现为劳动密集型测试提供了可靠的替代方案,有助于实现更高效、更具成本效益的道路基础设施设计。