基于数据的微桩筏基荷载—沉降预测：机器学习与蒙特卡罗模拟

为什么在大建筑下使用细桩很重要

现代城市依赖深基础来保持建筑物稳定，即便建筑位于会缓慢压缩和沉降的软粘土上。工程师越来越多地采用非常细的桩——称为微桩——与平板混凝土筏结合，以在空间受限或地质条件复杂时安全承载荷载。本研究探讨了数据与人工智能如何帮助预测此类微桩筏在荷载作用下的沉降量，为设计者提供一种更快、更可靠的方式来评估安全性和长期性能。

小桩，大支撑

微桩筏基础将厚混凝土板与数根细长、钢筋化的桩体钻入地下结合在一起。尽管每根桩直径仅为数厘米，但它们合力可支撑大体量建筑，同时控制沉降量。它们在软粘土中尤为有用，此类地基下传统浅基础会发生过大下沉。该体系的行为复杂，因为筏板、簇状微桩和周围土体相互作用。桩长与间距、筏板尺寸与厚度以及粘土强度等因素都会影响荷载如何分配以及在不同应力水平下地层的压缩量。

构建丰富的测试数据库

为研究这种行为，作者汇编了一个包含480个试验案例的数据库，来源于此前的实验室模型试验和大规模现场测量，针对粘性土中的微桩筏。每个案例包含筏板几何、微桩的尺寸、数量与布置、粘土强度和施加荷载，以及测得的沉降值。通过在相对受控的粘土条件下变换基础布局，数据集聚焦于设计选择如何影响性能。这使其非常适合训练能学习基础设计、土体属性与地面位移之间微妙关联的计算模型。

训练机器“解读”地基

研究比较了六种常用的机器学习方法，以确定哪种方法最能从可用输入中预测沉降。包括基于树的方法（如随机森林与提升方法）、基于邻近的算法，以及两种核方法：支持向量回归与高斯过程回归。所有模型均通过贝叶斯优化与交叉验证进行精调，以避免依赖便捷但误导性的参数组合。模型性能通过多种误差指标和将预测沉降与实测沉降在不同荷载水平上进行比较的可视化检验来评判。尽管大多数模型在训练数据上拟合良好，但当被要求预测全新案例时，许多模型的表现会出现下降。

为何一种模型脱颖而出

高斯过程回归在比较中显示出最可靠的特性。它能够捕捉荷载与沉降之间的曲线型非线性关系，而非简单地记忆历史结果。在模型从未见过的测试数据上，它仍保持较高精度，平均误差以毫米计较低。它还为每次预测提供置信区间，表明在不同条件下模型的不确定性。为进一步探究，研究通过蒙特卡罗模拟向模型输入数千个略有变动的组合，以模拟尺寸和土体强度的小幅不确定性。由此得到的预测沉降分布保持较窄，平均预测的荷载—沉降曲线与试验测量结果高度一致。

看清哪些因素最重要

除了原始精度外，研究还使用一种可解释性工具SHAP检查模型的决策机制。分析显示，最具影响力的因素是施加的荷载，其次是桩长和筏板宽度，这些因素共同控制力如何传入地层。桩的数量与间距也起作用，但在测试范围内影响相对较小。粘土强度与筏板厚度在统计排序中显得不那么突出，这主要是因为它们在可用数据中高度相关，而非说明其在物理上不重要。总体而言，影响性特征的排序与长期工程直觉关于软粘土中基础行为的认识相一致。

对未来设计意味着什么

该工作表明，经过精心调优的机器学习方法，特别是与蒙特卡罗模拟结合的高斯过程回归，可以为工程师提供一种实用工具，用来在不同荷载下预测微桩筏的沉降并量化预测不确定性。目前，这些发现在线下受控实验和选定现场试验条件下最为有力，研究也呼吁获取更多全尺寸数据和更广泛的土壤类型。尽管如此，该框架展示了数据驱动模型与传统岩土工程知识如何协同工作，从而在复杂地基上实现更安全、更高效的基础设计。

引用: El Gendy, M. Data-driven prediction of micro-piled raft load–settlement using machine learning and Monte Carlo simulation. Sci Rep 16, 16180 (2026). https://doi.org/10.1038/s41598-026-54119-6

关键词: 微桩筏基础, 机器学习, 高斯过程回归, 荷载—沉降行为, 蒙特卡罗模拟