使用高斯增强的优化极端梯度提升模型改善岩石套嵌桩端承载力预测

立足实岩，而非靠猜测

在设计桥梁和高层建筑时，工程师经常依赖延伸至坚硬基岩的深基础。所谓“岩石套嵌桩”的端部承载力对安全性和造价至关重要，但其实际端部承载能力很难直接测量。本文表明，现代机器学习工具与巧妙的数据生成技术相结合，可以为工程师提供更精确的估计，从而在保证结构安全的前提下节省施工成本。

为什么深基础难以评判

岩石套嵌桩是通过较弱土层钻入并锚固于较强基岩中的大型混凝土柱。理论上，基岩越坚硬、施工越良好，桩尖能承受的荷载就越大。但实际情况更为复杂：孔底可能堆积泥浆，插座的粗糙度和形状各异，基岩中隐藏的空洞或裂隙难以发现。由于这些不确定性，设计者常常采取保守假设，认为桩尖几乎不提供支撑，导致基础长度更大、成本更高，可能超出实际需要。

从简单公式到更聪明的预测

以往估算桩端承载力的方法多依赖简化公式或传统数值模型，通常只关注少数参数——例如基岩的抗压强度——并将岩体理想化处理。近年来，研究者开始使用人工智能技术直接从加载试验数据库中学习，这些试验将桩体受力行为记录得较为详尽。这些方法能同时处理诸多输入变量，包括桩径、土层和岩层深度以及岩质指标，但它们也常作为“黑箱”模型，在数据有限时容易过拟合。

用真实与合成数据喂养算法

作者基于已发表的151次岩石套嵌桩试验数据集，数据中记录了端承载系数（衡量桩尖能承受的荷载）及八个描述性特征。经仔细清洗以去除离群值和缺失项后，保留了136个真实桩样本。为克服样本量小这一岩土工程常见问题，研究者通过向现有记录添加温和的随机高斯噪声生成额外的“合成”数据，从而得到一个更大且统计上连贯的460个桩样本集。该集合在保留原有模式的同时为机器学习模型训练提供了更多多样性。

训练与调优学习模型

研究团队选择了一种名为极端梯度提升（XGBoost）的算法，该算法将许多简单决策树组合成强大的预测器。为了发挥XGBoost的最佳性能，他们结合了三种受自然启发的优化方案，这些方案基于算术规则、头脑风暴行为和鲸鱼捕猎策略。优化器自动调整关键参数——例如树的深度和学习率——在拟合已知数据与避免过拟合之间寻找平衡。在这些变体中，经算术优化算法调优的XGBoost模型（XGBoost_AOA）显示出最高的准确性与稳定性。

模型学到的关于岩石与桩的信息

仅使用原始的136个桩样本时，经优化的模型就已优于早期方法。当在扩展到460个样本集上训练时，准确性显著提升：预测误差缩小为原来的很小一部分，预测值与观测值的匹配接近理想的1:1线。分析还显示了哪些输入最重要：岩石抗压强度和岩体评级是主导性预测因子，其次是桩径和整体荷载水平。两种不同的岩质评分等高度相关的指标被发现存在强冗余性，表明如果不加以处理，信息重叠会助长过拟合。

从研究代码到实用工具

为使成果在实验室外可用，作者将其表现最好的模型封装为易于使用的计算界面。工程师可输入基本的桩与岩石参数，立即得到桩尖承载力的估算值，并能看到模型已通过独立案例进行检验的证据。尽管该方法仍依赖于底层数据的质量与涵盖范围，但它演示了将机器学习、合成数据生成与可解释性工具结合起来，如何将分散的试验结果转化为实用的设计辅助——有助于减少猜测、削减不必要的保守估计，设计出更安全、更经济的基础。

引用: Khatti, J., Fissha, Y. & Cheepurupalli, N. Improving end-bearing capacity prediction of rock-socketed shafts using Gaussian-augmented optimized extreme gradient boosting models. Sci Rep 16, 7664 (2026). https://doi.org/10.1038/s41598-026-38646-w

关键词: 岩石套嵌桩, 深基础, 机器学习, 数据增强, 岩土工程