用于从静载试验数据预测打入桩承载力的帕累托优化堆叠集成机器学习框架

为什么坚实的地基很重要

任何建筑、桥梁或风力涡轮机最终都依赖于其下方的地基。在地表之下，称为桩的长混凝土柱将结构的重量传递到坚实的土层或基岩上。如果工程师低估了这些桩能够安全承载的荷载，可能导致沉降、开裂甚至失效；相反，高估则会使工程不必要地昂贵。本研究探讨了现代机器学习如何将常规现场试验转化为对桩承载力更准确的预测，帮助使施工更安全、更经济。

从简单规则到数据驱动的洞见

传统上，工程师依赖公式、小规模试验和数值模拟来估算打入桩的承载力。这些方法在一定程度上有效，但面对分层土、地下水和施工影响等复杂现实时常显乏力。一种被视为金标准的现场试验是静载试验：对桩分级加载并测量其沉降。然而，这种方法耗时、成本高且难以在多个位置重复进行。与此同时，岩土工程实践中常规采集标准贯入试验（SPT）的击锤击数数据，它能粗略反映随深度变化的土体阻力。本文的核心思想是使用机器学习将广泛可得的SPT结果，以及桩的几何和场地信息，直接关联到高质量的载荷试验结果。

构建更智能的预测引擎

作者汇编了472次在越南某省不同但有系统记录土工条件下进行的钢筋混凝土打入桩静载试验数据库。对每次试验，他们记录了桩径、若干土层厚度、地面和桩顶标高、桩尖深度以及桩身和桩尖处的平均SPT击数。这些输入既反映了桩的尺寸，也反映了周围土体的强度，两者共同决定桩的承载能力。目标是训练一个模型，当为新场地提供这些输入时，能够在无需进行大规模静载试验的情况下输出可靠的轴向承载力估计。

将多种“头脑”合而为一

研究并未依赖单一算法，而是采用了“堆叠”集成：并行训练三种不同的机器学习模型——随机森林、k近邻和极端梯度提升（XGBoost），然后由第二层模型将它们的预测结果结合起来。该元模型通过一种受进化策略启发的多目标搜索进行调优，即帕累托优化。该优化在互相竞争的目标之间取得平衡：在未见数据上最大化准确性，同时避免过拟合。通过反复测试和五折交叉验证，最佳组合在测试集上取得了约0.95的决定系数（衡量预测与实际匹配程度的指标），且相较于任何单一模型显著降低了误差。

窥视黑箱内部

为了使系统在实践中可用，工程师需要理解驱动其预测的因素。因此，作者使用了现代可解释性工具，尤其是SHAP（Shapley加法解释）、敏感性分析和简明的参数扫描。这些方法揭示，桩径是影响最大的单一因素，直径变化会强烈改变预测承载力。土性也起关键作用：沿桩身和桩尖的平均SPT击数成为主要贡献者，反映侧摩阻和端承的重要性。上部土层的厚度也很重要，而一些与标高相关的变量影响较小。当以具有物理意义的方式改变模型输入——例如增大桩径或将桩尖置入密实土层时，预测的承载力按基本岩土工程原理相应变化，这表明模型学到的是合理而非虚假的模式。

这对实际工程有什么帮助

通过谨慎地混合多种机器学习方法并在多目标上进行优化，该工作提供了一个既准确又可解释的预测工具。对于地质和试验习惯与研究区域相似的场地，工程师可以利用标准SPT数据和设计参数获得可靠的桩承载力估算，减少昂贵静载试验的次数，并更好地确定安全裕度。作者提醒其数据来自单一地区，长期时效影响和某些施工细节未被完全捕捉，因此仍需工程判断和本地校准。尽管如此，该框架展示了在透明分析下，数据驱动模型如何成为基础设计的实用伙伴，而非不透明的黑箱。

引用: Abdellatief, M., ElNemr, A. & Altahrany, A. Pareto-optimized stacked ensemble machine learning framework for predicting bearing capacity of driven piles from static load test data. Sci Rep 16, 11360 (2026). https://doi.org/10.1038/s41598-026-43660-z

关键词: 桩基础, 承载力, 岩土工程, 机器学习, 静载试验