| 摘 要： | 目的:土体压缩模量是影响岩土体结构变形的重要参数之一。本文旨在通过机器学习的方法实现对压缩模量的预测,并通过构建一个机器学习模型,得到塑限、液限、塑性指数、液性指数、比贯入阻力以及埋深这6个输入参数与压缩模量预测值之间的关系。创新点:1.构建一个机器学习算法框架以实现对土体压缩模量的预测;2.此框架包括梯度提升回归树(GBRT)和遗传算法(GA),并采用GA对GBRT超参数进行获取。方法:1.通过收集整理工程报告获取本次预测的数据集(样本211个);输入参数有6个,分别为塑限、液限、塑性指数、液性指数、比贯入阻力以及埋深;输出参数为压缩模量。2.采用GBRT算法识别输入变量与目标响应之间的非线性规律,并采用GA调整GBRT模型的超参数。3.模型训练完成后,对压缩模量进行预测。4.将测试集上的预测结果和传统方法进行对比分析并应用到一维基础沉降中。结论:1.本文提出的GA-GBRT模型可以较好地实现对土体压缩模量的预测;GA可以对GBRT算法的超参数进行有效标定。2.训练后的GA-GBRT模型在训练集和测试集上都表现良好;在训练集和测试集上的相关系数R值分别为0.82和0.91,说明模型可以对压缩模量进行准确预测。3.对输入变量相对重要性的研究发现,液性指标是本研究中最重要的变量,其重要性得分为0.313(总数为1);其他指标的重要性排序依次为:液限、塑限、塑性指数、比贯入阻力和埋深。4.对于地基沉降的预测,本文提出的模型在相关系数R值和Mann-Whitney检验结果上均优于经验公式。5.本文提出的GA-GBRT模型可以更经济、更快速地预测土壤压缩模量。
|
