一种比较的机器和深度学习方法,用于预测缺乏凝聚力的土壤中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
• 计算力学 计算力学 计算力学
• 在土木工程中的人工智能.

背景情况:

• 准确预测浅基础承载能力对于安全和经济的设计至关重要.
• 由于土壤异质性和复杂的故障机制,传统方法往往缺乏精度.
• 机器学习 (ML) 和深度学习 (DL) 为增强预测能力提供了有希望的替代方案.

研究的目的:

• 开发和评估一个基于Python的框架,用于使用ML和DL预测浅层基础的最终承载能力.
• 将各种ML和DL模型的性能与传统的地质技术方程进行比较.
• 通过可解释性分析,确定影响基础承载能力的关键参数.

主要方法:

• 使用了116个浅基础实验的数据集.
• 训练并比较了11个ML模型 (例如GPR,XGBoost,RF) 和5个DL模型 (例如ANN,DNN).
• 在参数重要性分析中使用了SHapley添加式解释 (SHAP).

主要成果:

• ML和DL模型显著优于传统方法.
• 整体ML模型实现了R^{2>0.988和MAPE <5.07%.}
• 传统方法得到的R^{2值在0.684-0.82和MAPE>19.63%之间.}

结论:

• ML和DL技术为最终承载能力提供了非常准确的预测.
• 基础深度和土壤摩擦角被确定为最重要的输入参数.
• 开发的框架为地质工程师提供了一个强大的工具.