机器学习模型的比较性能评估,用于预测在颗粒状土壤上浅层基础的最终承载能力

科学领域:

• 地质技术工程 地质技术工程
• 机器学习应用 机器学习应用
• 设计基金会设计基金会设计基金会

背景情况:

• 准确估计最终承载能力 (UBC) 对于安全和经济的浅底设计至关重要.
• 传统方法依赖于广泛的调查,而数值模拟则是计算密集的.
• 在相同条件下对各种机器学习 (ML) 模型进行UBC预测的全面比较是有限的.

研究的目的:

• 研究和比较六个ML模型的性能,以预测浅层基础的最终承载能力 (UBC).
• 通过使用一致的数据集和评估指标,确定用于UBC估计的最有效的ML算法.
• 分析特征重要性和输入输出关系,以提高模型的可解释性.

主要方法:

• 评估了六个ML算法:k-最近邻居 (kNN),人工神经网络 (NN),随机森林 (RF),极端梯度增强 (xGBoost),自适应增强 (AdaBoost) 和随机梯度下降 (SGD).
• 利用了来自文献的169个实验结果的数据集,输入的特征包括基础几何 (宽度,深度,长度宽度比) 和土壤特性 (单位重量,内部摩擦角度).
• 使用R2,MAE,MAPE,RMSE,MSE和OBJ指标评估模型性能,并使用SHAP和PDP进行解释.

主要成果:

• 适应性提升 (AdaBoost) 显示出卓越的性能,达到0.939 (训练) 和0.881 (测试) 的R2值.
• 基于累积评估指标的总体模型性能排名是AdaBoost > kNN > RF > xGBoost > NN > SGD.
• 特性重要性分析强调了土壤特性和基础几何学对预测承载能力的重大影响.

结论:

• 机器学习模型,特别是AdaBoost,为预测浅层基础的最终承载能力提供了一种高效可靠的替代方案.
• 该研究提供了对机器学习模型的有价值的比较分析,指导选择适合地质技术应用的技术.
• 未来的研究应侧重于结合多层土壤数据和空间变异性,以提高复杂土壤配置文件的模型通用性.