14、软计算技术在岩土工程桩基预测中的应用与数据增强技术

软计算技术在岩土工程桩基预测中的应用与数据增强技术

1. 桩基极限承载能力预测模型

1.1 MLP - GWO 和 ANFIS - GWO 模型

Dehghanbanadaki 等人采用新的预测方法，借助灰狼优化（GWO）技术改进多层感知器（MLP）和自适应神经模糊推理系统（ANFIS）模型，以计算单根打入桩的极限承载能力（UBC）。使用 100 根打入桩训练模型，输入参数包括桩截面积、桩长、襟翼数量、平均内聚力、摩擦角、平均土重度和平均桩 - 土摩擦角。结果表明，MLP - GWO 模型表现更优，测试数据的 RMSE 值为 1.86，$R^2$ 为 0.991，实验数据集验证估计值与实际 UBC 的差异仅 2%，准确性高。

1.2 集成学习（EL）模型

Pham 和 Vu 开发了集成学习（EL）算法，利用梯度提升（GB）、随机森林（RF）和经典线性回归（LR）三种基础机器学习算法的加权投票（WV）和平均投票（AV）协议预测桩的承载能力。使用 108 个桩荷载试验进行训练和测试，通过 $R^2$、RMSE 和 MAE 评估模型性能。与基础模型相比，AV - EL 和 WV - EL 表现更优，WV - EL 模型性能最佳且平衡度最好。

1.3 ODFP - LSSVR 模型

Hoang 等人提出结合机器学习和元启发式的数据驱动方法，采用最小二乘支持向量回归（LSSVR）分析桩的承载能力，并开发了基于对抗的差分花授粉（ODFP）元启发式算法增强 LSSVR 模型。实证结果表明，ODFP 优化的 LSSVR 在捕捉桩的承载能力方面表现良好。

2. 基于树的桩基承载能力预测模型