《Expert Systems with Applications》：Leveraging data-driven machine learning techniques to enhance bearing capacity estimation in prebored and precast piles
編輯推薦：
隨著城市化推進，對可靠深基礎系統需求增加，傳統方法預測預制鉆孔樁（PPP）承載力存在不足。研究人員運用機器學習（ML）技術開展相關研究，結果顯示 ML 模型尤其是深度神經網絡（DNN）預測更精準，有助于提升施工質量控制水平。
在城市建設的熱潮中，高樓大廈如雨后春筍般拔地而起。這些建筑能夠穩穩地矗立在地面上，離不開堅實的基礎支撐，而樁基礎就是其中的關鍵角色。特別是在人口密集的大都市，對可靠的深基礎系統需求日益增長。預制鉆孔樁（PPP），尤其是由先張法預應力高強混凝土（PHC）制成的，憑借其出色的力學性能、施工效率和環保優勢，備受青睞。
然而，在樁基礎的設計和質量保證環節，準確預測和驗證樁的承載力（PBC）一直是個難題。對于 PPP 來說，這個驗證過程分為兩個重要階段：初始打樁結束（EOID）階段，用于評估樁放置后的即時承載力；復打階段，則是在灌漿固化后驗證最終承載力。傳統的評估方法，像靜載測試（SLT）、動態荷載測試（DLT），以及希利（Hiley）、丹麥（Danish）、蓋茨（Gates）等動態打樁公式，在預測 PPP 的 PBC 時存在諸多問題。傳統方法要么過于簡化樁、灌漿和周圍土壤之間復雜的力學相互作用，要么在區分 EOID 和復打階段時不夠準確，這給 PPP 基礎的設計優化和質量控制帶來了很大阻礙。
為了解決這些問題，韓國土木工程和建筑技術研究所（KICT）的研究人員 Seunghwan Seo、Gunwoong Kim 等開展了一項關于利用機器學習（ML）技術估算 PPP 的 PBC 的研究。他們的研究成果發表在《Expert Systems with Applications》上。這項研究意義重大，它為樁基礎承載力的預測提供了更精準、更實用的方法，有望改變現有的施工質量控制模式，提高建筑項目的效率和成本效益。
研究人員在這項研究中用到了幾個關鍵技術方法。首先，收集了包含 217 個動態荷載測試的數據集，為模型的開發和驗證提供數據支持。其次，運用了三種 ML 算法，分別是 K 近鄰回歸（KNR）、極端梯度提升（XGB）和深度神經網絡（DNN）來預測 PBC。此外，還利用了 SHapley 可加解釋（SHAP）方法，增強模型的可解釋性。
數據描述
研究使用的動態荷載測試數據集包含 217 個條目。通過散點圖和相關矩陣對初始選擇的變量進行分析，變量名稱后的 “EOID” 和 “Re” 分別表示初始打樁和復打階段的值。從分析結果中可以初步了解各變量之間的相關性。
基于 AI 的預測模型性能比較
研究人員利用 KNR、XGB 和 DNN 三種模型對 PPP 在 EOID 和復打階段的 PBC 進行預測。通過對比訓練數據和測試數據中的測量值（CAPWAP）和預測值，評估模型性能。結果顯示，在 EOID 階段，盡管測量值存在一定差異，但所有模型都能進行預測；在復打階段同樣如此。其中，DNN 模型表現最為突出，其在 EOID 階段的 R2值達到 0.960，復打階段為 0.915，預測誤差在不同場地條件下都極小。這表明 ML 模型，尤其是 DNN，在預測準確性和泛化能力上顯著優于傳統動態打樁公式。
利用 DRF 指標的預測模型效果
動態折減函數（DRF）由動態荷載測試的 CAPWAP 分析結果得出，代表測量值與預測值的比值，是評估預測準確性的關鍵指標。研究發現，在使用打樁公式估算承載力時，DRF 可用于協調預測值與實際值之間的差異。而基于 ML 的預測模型在考慮 DRF 指標時，同樣展現出良好的性能，進一步證明了其可靠性。
研究結論和討論
這項研究全面評估了基于 AI 的預測模型在估算 PPP 的 PBC 方面的能力，聚焦于 PPP 獨特的兩階段施工過程。研究結果表明，ML 模型，特別是 DNN，在預測準確性和一致性上明顯優于傳統動態打樁公式。通過 SHAP 分析，還確定了樁徑、夯錘重量等關鍵影響因素，為現場決策和打樁操作的自適應控制提供了有價值的見解。該研究驗證了將 AI 集成到現有施工流程中的實際可行性，不僅提高了預測的可靠性，還簡化了質量控制流程，減少了對經驗判斷的依賴，為更高效、更具成本效益的項目交付做出了貢獻。它為巖土工程中樁基礎評估帶來了新的思路和方法，推動了行業的發展，有望在未來的建筑施工中得到廣泛應用，提升建筑基礎的穩定性和安全性。
