基于机器学习算法的桩顶与桩周地表位移预测

为什么地下的微小位移很重要

当新的地铁线路或高架桥建设时，成千上万根深埋的混凝土桩被压入地面以支撑结构。周围土体被挤压，会将邻近的桩、道路、建筑和埋地管线推动几毫米——即便如此细小的位移也可能导致混凝土开裂或管线弯曲。本文所依据的研究探讨了现代机器学习工具如何比传统公式更准确地预测这些地下位移，帮助工程师在城市拥挤区域设计更安全的基础。

打桩如何重塑土体

在施工过程中，长而空心的混凝土桩常在软土中采用顶入方式而非锤击，这在波哥大地铁1号线等城市工程中较为常见。随着每根桩被顶入，土体必须迁移：向侧面和向上挤出，进而作用于邻近桩和地表。在严重情况下，这会导致桩断裂、路面隆起或距施工区仅几十厘米的管线受损。工程师长期采用将桩视为在土中膨胀圆柱的简化理论来估算这些效应，但这些方法难以捕捉分层土体、复杂桩位布局和施工顺序带来的实际复杂性。

教计算机“读懂”地表响应

研究人员转向机器学习——一种让计算机从数据中学习模式而不完全依赖人工方程的人工智能分支。他们收集了来自波哥大工程的数百组桩顶水平位移和周边监测点的测量值。对每次测量，还记录了一系列影响因子，包括土体的含水率与相对密实度、刚度、该点距桩群中心的水平距离、在桩群周围所处的方位角，以及自打桩停工并允许土体沉降以来经过的时间。

把不同的学习器放到试验台上

研究比对了多种算法。一种经典的神经网络——反向传播（BP）网络作为基线。团队随后用一种称为AdaBoost的方法对其强化，AdaBoost将许多弱预测器组合成更精确的“委员会”，由此构建出AdaBoost-BP模型。他们还测试了具有多个隐藏层的深度神经网络、由多棵决策树组成的随机森林，以及一种广受欢迎的提升树方法XGBoost。所有模型都通过交叉验证进行调优和检验，这一过程反复用部分数据训练并在其余数据上测试以避免过拟合。对小型和大型数据集而言，提升方法和深度学习模型明显优于基础BP网络，尤其是深度神经网络与现场观测的吻合度更高。

究竟是什么在控制地表位移

在获得准确模型后，作者探究了哪些因素最为关键。使用SHAP分析——一种通过为每个输入分配对预测的贡献来解释复杂模型的技术——他们发现简单的几何位置占主导：距桩群中心的水平距离和周向方向是位移的主要驱动因素。靠近中心的点往往位移更大，且由于桩行排列并不完全对称，位移在周向上呈现差异。打桩停工后经过的时间也起重要作用，反映了土体的缓慢重整与蠕变。在土体属性中，含水率、相对密实度和内摩擦角（与颗粒相互啮合能力有关）影响最大，而黏聚力和总体单位重等参数影响较小。

为更安全的地下施工提供新工具

通过将数据驱动的预测与传统的圆柱膨胀理论比较，作者表明机器学习模型，尤其是深度神经网络，能够更准确地预测桩顶和地表点的水平位移。对于未来项目——例如新增地铁线路——该方法可在设计阶段通过计算机测试不同的桩位布局、间距和施工顺序，避免实际扰动土体，从而降低对邻近建筑和管线的风险。简言之，让计算机直接从详细的现场测量中学习，工程师便能更清晰地把握地体响应，有助于维护城市关键基础设施的稳定与完整。

引用: Li, P., Guo, S., Liang, M. et al. Prediction of the displacements of the pile tops and ground surface around piles based on machine learning algorithms. Sci Rep 16, 6057 (2026). https://doi.org/10.1038/s41598-026-36502-5

关键词: 桩基, 土体位移, 机器学习, 地下基础设施, 地铁施工