基于 CPTU 的江苏第四纪黏性土不排水抗剪强度与超固结比估算:采用 SCA-GWO 优化的随机森林模型

《Transportation Geotechnics》:CPTU-based estimation of undrained shear strength and overconsolidation ratio for Jiangsu Quaternary cohesive soils using an SCA-GWO-optimized random forest model

【字体: 大 中 小 】 时间:2026年09月28日 来源:Transportation Geotechnics 6.2

编辑推荐:

   •开发了SCA-GWO-RF模型,以从粘性土的CPTU数据中预测su和OCR。•基于灰色关联度(GRG)的特征选择方法确定了实现可靠预测的最优CPTU输入组合。•优化后的随机森林(RF)模型在估算su和OCR方面优于传统经验方法。•敏感性分析证实了所提出模型的物理一致性和稳健

  
  • •
    开发了SCA-GWO-RF模型,以从粘性土的CPTU数据中预测su和OCR。
  • •
    基于灰色关联度(GRG)的特征选择方法确定了实现可靠预测的最优CPTU输入组合。
  • •
    优化后的随机森林(RF)模型在估算su和OCR方面优于传统经验方法。
  • •
    敏感性分析证实了所提出模型的物理一致性和稳健性。

引言

岩土工程参数(例如不排水剪切强度su和超固结比OCR)的确定是保证工程质量、缩短工程周期、降低工程成本以及提高工程经济和社会效益的关键技术之一[1], [2], [3], [4], [5], [6]。su和OCR分别是反映土体强度和状态性质的重要力学参数,可视为衡量土体变形和稳定性特征的重要指标[7], [8]。由于岩土工程参数与复杂多变的自然条件密切相关,其在实际设计中的确定和使用仍具有挑战性[9], [10]。实验室试验通常使用代表性、高质量的原状土样来评价土体工程参数。然而,该技术费用昂贵、耗时较长,且结果可能受运输影响,难以真实反映现场实际条件[11], [12]。
与传统的钻探取样和实验室试验等方法相比,圆锥渗透试验(CPT),特别是压电圆锥渗透试验(CPTU),更加经济快捷[13], [14], [15]。CPTU技术是岩土工程原位测试的主要技术之一[16]。该技术具有速度快、方便、无需取样、数据量大、测试可靠等优势。它可以同时测试锥尖阻力(qt)、侧壁摩擦力(fs)和孔隙水压力(u2)。因此,CPTU可被视为获取土体特性的一种有效方法[17], [18], [19]。基于CPTU数据估算土体参数的方法主要有以下几类:i)理论或半理论解释方法;ii)数值分析方法;iii)经验或半经验解释方法[17]。其中,由于穿透机理的复杂性及解的困难,许多经验或半经验方程已建立并被优先用于基于CPTU数据确定粘土的岩土工程参数。su被认为是可靠性较高的指标,而OCR则被认为在这些岩土工程参数中能提供中等程度的可靠性[20]。
su、OCR与CPTU渗透阻力之间的关系并非简单的相关性。OCR是与应力历史相关的状态指标,而su并非唯一的土体性质,可能会随破坏模式或剪切路径而变化[21]。此外,土体结构、矿物成分、灵敏度和地质成因等因素很少在基于简单回归的经验或半经验CPTU方程中得到明确表征[22]。这些局限性限制了传统解释方法描述非线性及耦合土体响应的能力,在某些情况下导致精度不尽如人意[23]。机器学习(ML)方法在此背景下非常有用,因为它们能够在不施加固定分析形式的情况下,从多变量数据集中学习非线性关系[24], [25]。鉴于su和OCR的工程重要性,需要进一步研究基于高级ML的CPTU解释模型[26]。
近期的数据驱动研究越来越多地在土木和岩土工程中探索混合优化与机器学习方法。Zhao等[27]开发了基于粒子群和鲸鱼优化的Levenberg-Marquardt反向传播神经网络,用于预测钢筋混凝土梁的挠度。Ghani等[28]使用集成学习对细粒土的液化潜力指数进行了建模,而Benzaamia等[29]提出了约束单调神经网络,用于预测FRP加固混凝土梁的抗剪强度。Ghrici等[30]进一步开发了优化的树模型,并使用SHAP分析改进了模型解释性。在基于CPTU的解释方面,Khodayari和Ahmadi[3]研究了利用自CPTU测量值确定su和OCR的方法,Wang等[6]建立了粘性土的基于CPTU的关系,Xia等[31]提出了一种量化不确定性的基于CPTU的不排水抗剪强度预测方法。其他研究还将优化的ML模型应用于土体承载力[32]、导热系数[33]和压实参数[34]。然而,目前仍缺乏一个统一的框架,用于从多场地CPTU数据库中同时预测su和OCR、系统地比较原始和衍生输入变量以及评估模型的泛化能力。现有数据驱动CPTU模型的泛化性和物理可解释性也需进一步研究。
为弥补这一空白,本文提出了SCA-GWO-RF框架,用于预测江苏第四纪粘性土的su和OCR。该框架整合了原始CPTU测量值、原位应力变量和衍生特征,并使用SCA-GWO混合算法优化RF模型的超参数。构建了六种输入变量组合,并通过10折交叉验证和独立测试集进行评估。所提出的框架进一步与常规RF、GWO-RF、SCA-RF、其他ML模型及已建立的经验相关性进行了比较。采用灰色关联度分析进行特定数据库的输入筛选,并进行了敏感性分析以考察主要变量对预测的影响。第2节介绍经验相关性和方法论,第3节描述数据库和模型框架,第4节展示优化和预测结果,第5节讨论比较、敏感性分析和局限性,第6节总结结论。

章节摘要

现有经验解释方法

文献中已有多种可用于估算su或OCR的经验解释方法。以下对这些方法进行简要回顾。

数据库汇编

本研究使用的数据库来源于研究团队开展的系统调查,并已由Zou等[51]和Zhao等[62]报告。该数据库包含372条CPTU测量记录及其对应的su和OCR参考值,采集自中国江苏省的26个场地的第四纪粘性土(表2和图5)。其参数范围处于国际公认的ISSMGE数据库[58], [59]的范围内,尽管其主要

超参数的估计与优化

RF模型的超参数使用SCA-GWO混合算法进行优化。图8a和8b分别展示了六个su和OCR预测模型在100代进化过程中适应度函数的演变。由于适应度函数代表10折交叉验证获得的平均RMSE,因此适应度值越低表示预测性能越好。
对于su预测,基于原始输入变量的模型1–3通常产生了比基于

与现有经验相关性的比较

为评估模型的预测能力,本文分别采用了上述四种和三种常用经验相关性对su和OCR进行比较(表6)。可以看出,本文所提出模型的部分输入参数也存在于这些经验相关性中。使用四种和三种经验相关性预测的su和OCR的散点图分别如图13和图14所示。图13(b)和(d)中的预测su值相对

结论

  • (1)
    开发了一种新型混合智能代理框架,整合了正弦余弦算法(SCA)、灰色狼优化算法(GWO)和随机森林(RF),用于从CPTU数据中预测粘性土的不排水剪切强度(su)和超固结比(OCR)。编制了一个包含CPTU测量值及其对应su或OCR参考值的区域数据库,并将数据集按80%和20%的比例分别划分为训练子集和测试子集。基于

作者贡献声明(CRediT)

段伟:概念化。孙丁杰:撰写—原始草稿。刘海然:软件。赵宁:撰写—审阅与编辑、监督指导。蔡国军:监督指导。李晓强:资源。张西东:方法论。浦少云:概念化。董晓强:监督指导。刘松玉:资源。

利益冲突声明

作者声明不存在任何已知的可能影响本文所报告工作的竞争性财务利益或个人关系。

致谢

本文大部分工作由国家杰出青年科学基金(项目编号:42225206)、国家重点研发计划国家自然科学基金委员会重点项目(项目编号:42632015)、国家自然科学基金委员会(项目编号:42472349和42407247)、三金人才计划—优秀青年科技创新人才(SJYC2024304)、中国山西省学位委员会研究项目(2023-042)资助,以及
段伟|孙丁杰|刘海然|赵宁|蔡国军|李晓强|张西东|浦少云|董晓强|刘松玉
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    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