通过机器学习对振动打桩过程中孔隙压力积聚进行预测建模

《Geoscience Frontiers》：Predictive modeling of pore pressure build-up in vibratory pile driving through machine learning

三维数值模拟与机器学习融合预测振动打桩在饱和砂土中的液化潜力

　　在大型基础设施工程中，例如沿岸的主要桥梁和码头建设，理解饱和砂土中深层桩的性能至关重要。本研究采用Midas GTS NX有限元软件和UBCSAND本构模型，对振动桩打入过程进行三维数值模拟，挑战了先前研究中常见的简化假设。数值模型在预测桩打入过程和潜在液化方面的有效性经过严格评估，并与先前研究的实验数据进行了验证。通过敏感性分析，研究探讨了孔隙水压力和液化潜力如何受到诸如振动脉冲次数、桩长径比和土壤性质等因素的影响。这些分析结果被用于训练人工神经网络和符号回归模型。模型的性能通过一系列性能指标和ROC曲线进行了评估。为了增强可解释性，符号回归模型提供了清晰的数学表达式，描述了关键特征与土壤液化之间的关系。此外，SHapley Additive exPlanations（SHAP）被用于提供关于特征重要性和模型决策过程的详细见解。设计图表也基于这些模型开发，为工程实践提供实用指导。总体而言，本研究强调了将先进的数值模拟与机器学习技术相结合的有效性，展示了在饱和砂土中理解和预测桩打入行为及液化潜力方面的显著进步。

在工程实践中，振动桩打入是一种广泛使用的安装技术，适用于沉入式和板桩的安装。尽管其效率较高，但相较于冲击桩打入，振动桩打入并不那么流行，这主要是因为其承载能力较低。在模拟振动桩打入过程中，由于需要考虑振动打入的复杂性，使用有限元方法（FEM）或其他数值方法进行建模一直是一项挑战。这种挑战在桩经常安装在水下时尤为突出，此时土壤与孔隙流体的相互作用变得更加关键，增加了模拟的复杂性。研究者Osinov等人在2013年展示了饱和非粘性土在振动圆柱桩底部的变形的动态有限元分析，利用了超塑性本构模型。该研究表明，初始均匀应力状态会导致永久液化区的形成和残余位移，同时探讨了影响这一现象的因素，如孔隙流体的压缩性和桩位移振幅。在另一项研究中，Osinov（2013）探讨了饱和土中振动桩附近高残余孔隙水压力的问题，表明其可能导致液化。他使用了高循环累积模型，对饱和砂土在局部不排水条件下围绕振动桩的变形进行了数值研究，旨在量化液化区的演变。Osinov等人在2016年的研究也进行了参数分析，以阐明影响液化区扩展的因素，包括桩位移振幅、土壤密度、有效应力和孔隙流体的压缩性。研究显示，强烈的振动，如振动打入桩产生的振动，可以显著降低正应力，从而导致土壤液化。Chrisopoulos等人（2016）研究了振动桩在饱和颗粒土中的影响，发现其在桩底部形成了液化区。他们最初假设土壤渗透性为零且无重力影响。在后续研究中，他们展示了即使存在渗透性和重力，由于孔隙压力的消散，液化区的形成仍然持续。Galavi等人（2017）利用材料点方法（MPM）模拟了海上单桩的安装，关注在冲击和振动打入技术中捕捉土壤行为，并展示了该方法在模拟桩安装中的有效性，参考了德国的现场测试。Lamens等人（2020）分析了荷兰海锁建设期间桩安装试验的现场测量数据，重点在于限制地面振动和过量孔隙压力以保持坡度稳定性。结果与已有的关系进行了比较，并用于评估过量孔隙压力对坡度稳定性的潜在影响。Zhan等人（2024）研究了高频率振动桩打入过程中的孔隙水压力响应，发现高频率打入会增加过量孔隙水压力，导致桩土界面的土壤准液化。

尽管已经进行了大量关于桩安装技术及其相关挑战的研究，但关于液化预测的机器学习方法也在不断涌现。例如，Onyelowe等人（2025）评估并优化了三种软计算模型，用于地震引起的土壤液化潜力分类，结果显示随机森林分类器在基于地震和土壤参数的预测性能方面表现出色。类似地，Kumar等人（2023）使用SPT数据集开发并比较了几种机器学习模型，识别出循环神经网络（RNN）是最准确和可靠的模型。Muftuoglu和Dehghanian（2025）应用了特征重要性方法到机器学习算法，强调了关键土壤参数，并通过减少特征集实现了准确的预测。最后，?ehmuso?lu等人（2025）评估了各种机器学习和深度学习模型，用于预测土壤液化易感性，其中门控循环单元（GRU）达到了最高精度，而双向长短期记忆网络（BiLSTM）在精确度方面表现出色，提供了强大的地震风险缓解工具。

在整合先前机器学习方法和土木工程研究（Phoon和Zhang，2023）的基础上，本研究进行了精确的振动桩打入过程的数值模拟，特别关注轴对称性和液化可能性。虽然之前的研究探讨了桩打入的各个方面，如桩变形和过量孔隙压力，但仍然需要一个综合的模型，能够考虑在振动条件下土壤行为和孔隙压力变化。事实上，早期的研究主要集中在地震和土壤参数或特定的机器学习模型上，而本研究将UBCSAND本构模型与机器学习方法结合，提供了更全面的振动桩打入下孔隙压力动态的分析。此外，符号回归模型提供了可解释的数学表达式，这是之前基于机器学习的研究中较少强调的。这种可解释性，结合实用的设计图表，使本研究区别于其他研究，通过理论建模与实际应用之间的桥梁，为实践提供了更清晰的指导。

本研究采用Midas GTS NX 2019（v 1.2）进行振动桩打入的数值模拟，这是本次研究中用于数值建模的有限元软件。为了研究振动打入对饱和砂土中液化现象的影响，使用了与桩施工和土壤行为相关的参数，这些参数列于表1中。振动器的频率和振幅参数是从商业规格中提取的。通过考虑UBCSAND本构模型，获得了2700个数据点。这些数据点用于分析桩打入过程中孔隙压力的演变和液化现象。为了确保模型的准确性和可靠性，研究还进行了广泛的敏感性分析，探讨了不同因素对孔隙压力和液化潜力的影响，包括振动脉冲次数、桩长径比和土壤特性。这些分析结果被用于训练人工神经网络和符号回归模型。模型的性能评估使用了一系列性能指标和ROC曲线。为了提高可解释性，符号回归模型提供了清晰的数学表达式，捕捉了关键特征与土壤液化之间的关系。此外，SHAP被用于提供关于特征重要性和模型决策过程的详细见解。设计图表也基于这些模型开发，为实践者提供实用指导。总体而言，本研究强调了将先进的数值模拟与机器学习技术相结合的有效性，展示了在饱和砂土中理解和预测桩打入行为和液化潜力方面的显著改进。

本研究采用了Midas GTS NX 2019（v 1.2）有限元软件对振动桩打入过程进行数值模拟。为了研究振动打入对饱和砂土中液化现象的影响，使用了表1中列出的桩施工和土壤行为参数。振动器的频率和振幅参数是从商业规格中提取的。通过考虑UBCSAND本构模型，获得了2700个数据点。这些数据点用于分析桩打入过程中孔隙压力的演变和液化现象。为了确保模型的准确性和可靠性，研究还进行了广泛的敏感性分析，探讨了不同因素对孔隙压力和液化潜力的影响，包括振动脉冲次数、桩长径比和土壤特性。这些分析结果被用于训练人工神经网络和符号回归模型。模型的性能评估使用了一系列性能指标和ROC曲线。为了提高可解释性，符号回归模型提供了清晰的数学表达式，捕捉了关键特征与土壤液化之间的关系。此外，SHAP被用于提供关于特征重要性和模型决策过程的详细见解。设计图表也基于这些模型开发，为实践者提供实用指导。总体而言，本研究强调了将先进的数值模拟与机器学习技术相结合的有效性，展示了在饱和砂土中理解和预测桩打入行为和液化潜力方面的显著改进。

研究采用了Midas GTS NX 2019（v 1.2）有限元软件对振动桩打入过程进行数值模拟。为了研究振动打入对饱和砂土中液化现象的影响，使用了表1中列出的桩施工和土壤行为参数。振动器的频率和振幅参数是从商业规格中提取的。通过考虑UBCSAND本构模型，获得了2700个数据点。这些数据点用于分析桩打入过程中孔隙压力的演变和液化现象。为了确保模型的准确性和可靠性，研究还进行了广泛的敏感性分析，探讨了不同因素对孔隙压力和液化潜力的影响，包括振动脉冲次数、桩长径比和土壤特性。这些分析结果被用于训练人工神经网络和符号回归模型。模型的性能评估使用了一系列性能指标和ROC曲线。为了提高可解释性，符号回归模型提供了清晰的数学表达式，捕捉了关键特征与土壤液化之间的关系。此外，SHAP被用于提供关于特征重要性和模型决策过程的详细见解。设计图表也基于这些模型开发，为实践者提供实用指导。总体而言，本研究强调了将先进的数值模拟与机器学习技术相结合的有效性，展示了在饱和砂土中理解和预测桩打入行为和液化潜力方面的显著改进。

本研究的数值模拟采用了轴对称模型，以确保在模拟过程中能够准确捕捉土壤行为。在进行桩打入模拟时，模型的边界条件和网格离散化对结果的准确性至关重要。研究采用了基于UBCSAND本构模型的轴对称模型，该模型能够有效模拟饱和砂土在单调和循环载荷下的行为。通过敏感性分析，研究探讨了不同参数对孔隙压力和液化潜力的影响。这些分析结果被用于训练人工神经网络和符号回归模型。模型的性能评估使用了一系列性能指标和ROC曲线。为了增强可解释性，符号回归模型提供了清晰的数学表达式，描述了关键特征与土壤液化之间的关系。此外，SHAP被用于提供关于特征重要性和模型决策过程的详细见解。设计图表也基于这些模型开发，为实践者提供实用指导。总体而言，本研究强调了将先进的数值模拟与机器学习技术相结合的有效性，展示了在饱和砂土中理解和预测桩打入行为和液化潜力方面的显著进步。

研究通过敏感性分析探讨了振动打入对孔隙压力和液化潜力的影响，涵盖了振动脉冲次数、桩长径比和土壤性质等参数。研究发现，振动频率和深度对孔隙压力系数具有显著影响。高频率振动导致孔隙压力系数增加，而随着深度增加，孔隙压力系数减少。这些结果表明，振动频率和深度是影响液化风险的重要因素。通过符号回归模型，研究提供了可解释的数学表达式，描述了关键特征与土壤液化之间的关系。这些模型的性能评估使用了一系列性能指标和ROC曲线，以确保其在不同条件下的准确性和可靠性。研究还讨论了如何通过特征重要性分析和设计图表，为工程实践提供指导。

在本研究中，符号回归模型为土壤液化预测提供了可解释的数学表达式。这种模型能够揭示数据集中的数学关系，而不需要预定义的模型结构。通过分析不同参数对液化风险的影响，符号回归模型为研究提供了额外的视角。例如，研究发现，桩长径比（L/D）对液化风险具有重要影响。较高的桩长径比意味着桩更细长，这可能降低振动过程中孔隙水压力的积累，从而减少液化风险。这一发现与之前的研究结果一致，表明桩的尺寸和安装技术对土壤行为有重要影响。此外，研究还指出，振动频率是影响液化风险的关键因素，高频率振动会增加孔隙水压力，导致准液化现象。因此，桩的安装设计应考虑到振动频率和桩尺寸的影响，以减少液化风险。

研究通过分析不同参数对液化风险的影响，为工程实践提供了实用的指导。设计图表展示了如何根据关键特征的变化来评估液化风险，为工程师提供了直观的决策工具。例如，研究发现，较高的振动频率会导致广泛的液化现象，而较低的振动频率则主要在桩的中段区域引起液化。这表明，在振动桩打入过程中，频率是一个重要的参数，需要在设计和施工中加以考虑。此外，研究还指出，桩的长径比（L/D）对液化风险有显著影响。较高的长径比意味着桩更细长，这可能降低振动过程中孔隙水压力的积累，从而减少液化风险。这一发现与之前的研究结果一致，表明桩的尺寸和安装技术对土壤行为有重要影响。通过结合数值模拟和机器学习方法，本研究为工程实践提供了更加全面和准确的预测工具。

研究通过符号回归模型提供了一个可解释的数学表达式，用于预测土壤液化风险。这种模型能够揭示不同参数对液化风险的影响，为工程师提供直观的指导。例如，研究发现，桩的长径比（L/D）对液化风险有显著影响。较高的长径比意味着桩更细长，这可能降低振动过程中孔隙水压力的积累，从而减少液化风险。这一发现与之前的研究结果一致，表明桩的尺寸和安装技术对土壤行为有重要影响。此外，研究还指出，振动频率是影响液化风险的关键因素，高频率振动会增加孔隙水压力，导致准液化现象。因此，桩的安装设计应考虑到振动频率和桩尺寸的影响，以减少液化风险。

本研究通过数值模拟和机器学习方法的结合，为振动桩打入过程中的孔隙压力积累和液化风险预测提供了新的视角。研究展示了如何通过敏感性分析和符号回归模型，揭示不同参数对液化风险的影响。设计图表为工程实践提供了直观的指导，使工程师能够根据关键参数的变化评估液化风险。这些图表不仅考虑了振动频率和桩尺寸的影响，还探讨了土壤性质对液化风险的作用。研究结果表明，振动频率和桩尺寸是影响液化风险的关键因素，而土壤的物理特性，如密度和有效应力，也对液化潜力有重要影响。通过结合数值模拟和机器学习方法，本研究为振动桩打入过程中的液化风险预测提供了更加全面和准确的工具。

研究还讨论了如何通过SHAP值进行特征重要性分析，以揭示不同参数对液化风险的影响。SHAP值能够捕捉特征之间的非线性关系和相互作用，为工程师提供更深入的见解。通过符号回归模型，研究提供了一个清晰的数学表达式，用于预测土壤液化风险。这些模型的性能评估使用了一系列性能指标和ROC曲线，以确保其在不同条件下的准确性和可靠性。研究结果表明，振动频率和桩尺寸是影响液化风险的关键因素，而土壤的物理特性，如密度和有效应力，也对液化潜力有重要影响。通过结合数值模拟和机器学习方法，本研究为振动桩打入过程中的液化风险预测提供了更加全面和准确的工具。

本研究的结论表明，振动桩打入过程中的液化风险预测需要综合考虑多种因素，包括振动频率、桩尺寸和土壤特性。通过数值模拟和机器学习方法的结合，研究提供了更准确的预测模型，为工程实践提供了实用的指导。设计图表展示了如何根据关键参数的变化评估液化风险，使工程师能够更有效地进行桩的安装设计。此外，研究还指出，振动频率是影响液化风险的关键因素，而桩的长径比（L/D）对液化风险有显著影响。通过敏感性分析和符号回归模型，研究揭示了不同参数对液化风险的影响，为未来的工程实践提供了新的视角。这些结果不仅有助于优化桩的安装过程，还能为减少液化风险提供理论依据。