基于 XGBoost 的替代技术用于带自助抽样的洞穴上方基础系统可靠性分析

建筑下方隐蔽空洞为何重要

城市越来越多地在旧矿井、隧道和其他地下空腔上方建设。这些隐蔽的空洞会逐步削弱地基，使建筑物倾斜、开裂甚至发生破坏。工程师试图设计能在此类风险下保持安全的基础，但在大量可能情形下进行传统安全校核往往极为耗时。本研究展示了现代机器学习工具如何让这些安全检查更快速、更贴近实际，从而有助于保护建于空洞之上的结构。

面对看不见的地基风险的基础

建筑物的基础必须完成两项主要任务：不得在土中剪切破坏（承载力）且沉降或倾斜不得过大（沉降）。表面下的空洞——由采矿、隧道开挖或自然过程留下——使这两项任务都更具挑战性。土体可能发生移动或塌陷至空腔，随着时间推移削弱对基础的支撑。传统设计常依赖单一的“安全系数”，用以比较基础系统看起来的强度与所需强度。但真实土体在空间上和时间上存在变异，单一的安全系数可能掩盖重要风险。

从高成本模拟到智能替代模型

为恰当评估这些风险，工程师理想上应运行数千次详尽的数值模拟，改变土体强度、空腔形状等参数。但实际上这过于缓慢。作者因此使用专业岩土软件创建了包含 272 个高质量模拟的庞大数据集，模拟对象为圆形空洞上方的带状基础。随后他们训练了一种名为 XGBoost 的机器学习模型来模拟这些计算，根据土重、内聚力、摩擦角、空洞深度和刚度等输入预测承载力和沉降。该替代模型能高精度重现详尽模拟结果，尤其是承载力预测，因而可作为更昂贵计算的高速替代。

处理混乱数据与不确定性的方式

真实的岩土数据很少符合简单的统计假设——它们可能偏斜、有多峰并显示出较大离散性。作者系统性地测试了多种数学变换，以使预测的承载力和沉降值更接近理想的钟形分布，但单一变换都不能完美奏效。他们最终通过先进行对数变换然后结合称为自助抽样（bootstrapping）的技术找到最佳平衡，该技术通过重复重抽样来构建经验分布。此组合使他们能够在不强行将数据塑造成不现实形状的情况下稳健地描述不确定性。

计算当前与未来的失效概率

在替代模型和改进的数据处理手段就绪后，团队使用蒙特卡洛模拟估算在两种判据下基础失效的频率：承载力丧失和过度沉降。他们发现沉降限值比承载力更为关键，单独考虑时使失效概率几乎增加了 30%。将两种判据合并为系统视角——即任一被违反即视为失效——时，总体失效概率比仅考虑承载力时又上升了 50% 以上。研究还探讨了随几十年时间推移安全性如何下降，通过逐步降低承载力并增加预期沉降来模拟。按这些假设趋势，可靠性指数稳步下降，约在一世纪后接近抛硬币般的风险水平。

对更安全建筑设计的启示

对非专业读者而言，核心信息是：建于地下空洞之上的建筑安全不能仅靠单一安全系数或只检查单一失效模式来可靠判断。将训练良好的机器学习替代模型与谨慎的统计处理和蒙特卡洛模拟相结合，工程师可以快速探索数千种“如果……会怎样”的情形，考虑到不确定的土体属性、空洞几何以及随时间变化的影响。该方法揭示了沉降与系统级行为可能主导风险，即使承载力看起来还算充裕。从实用角度看，这一框架提供了一种更快速、更贴近现实的方式来标识那些表面上看似安全但随着地基演变可能变得脆弱的基础。

引用: Shubham , K., Metya, S., Sinha, A.K. et al. XGBoost based surrogate technique for system reliability analysis of foundation over cavity aided with bootstrapping. Sci Rep 16, 7113 (2026). https://doi.org/10.1038/s41598-026-37058-0

关键词: 基础可靠性, 地下空洞, 机器学习, 蒙特卡洛模拟, 岩土工程