编辑推荐：
随着城市化推进，对可靠深基础系统需求增加，传统方法预测预制钻孔桩（PPP）承载力存在不足。研究人员运用机器学习（ML）技术开展相关研究，结果显示 ML 模型尤其是深度神经网络（DNN）预测更精准，有助于提升施工质量控制水平。
在城市建设的热潮中，高楼大厦如雨后春笋般拔地而起。这些建筑能够稳稳地矗立在地面上，离不开坚实的基础支撑，而桩基础就是其中的关键角色。特别是在人口密集的大都市，对可靠的深基础系统需求日益增长。预制钻孔桩（PPP），尤其是由先张法预应力高强混凝土（PHC）制成的，凭借其出色的力学性能、施工效率和环保优势，备受青睐。
然而，在桩基础的设计和质量保证环节，准确预测和验证桩的承载力（PBC）一直是个难题。对于 PPP 来说，这个验证过程分为两个重要阶段：初始打桩结束（EOID）阶段，用于评估桩放置后的即时承载力；复打阶段，则是在灌浆固化后验证最终承载力。传统的评估方法，像静载测试（SLT）、动态荷载测试（DLT），以及希利（Hiley）、丹麦（Danish）、盖茨（Gates）等动态打桩公式，在预测 PPP 的 PBC 时存在诸多问题。传统方法要么过于简化桩、灌浆和周围土壤之间复杂的力学相互作用，要么在区分 EOID 和复打阶段时不够准确，这给 PPP 基础的设计优化和质量控制带来了很大阻碍。
为了解决这些问题，韩国土木工程和建筑技术研究所（KICT）的研究人员 Seunghwan Seo、Gunwoong Kim 等开展了一项关于利用机器学习（ML）技术估算 PPP 的 PBC 的研究。他们的研究成果发表在《Expert Systems with Applications》上。这项研究意义重大，它为桩基础承载力的预测提供了更精准、更实用的方法，有望改变现有的施工质量控制模式，提高建筑项目的效率和成本效益。
研究人员在这项研究中用到了几个关键技术方法。首先，收集了包含 217 个动态荷载测试的数据集，为模型的开发和验证提供数据支持。其次，运用了三种 ML 算法，分别是 K 近邻回归（KNR）、极端梯度提升（XGB）和深度神经网络（DNN）来预测 PBC。此外，还利用了 SHapley 可加解释（SHAP）方法，增强模型的可解释性。
数据描述
研究使用的动态荷载测试数据集包含 217 个条目。通过散点图和相关矩阵对初始选择的变量进行分析，变量名称后的 “EOID” 和 “Re” 分别表示初始打桩和复打阶段的值。从分析结果中可以初步了解各变量之间的相关性。
基于 AI 的预测模型性能比较
研究人员利用 KNR、XGB 和 DNN 三种模型对 PPP 在 EOID 和复打阶段的 PBC 进行预测。通过对比训练数据和测试数据中的测量值（CAPWAP）和预测值，评估模型性能。结果显示，在 EOID 阶段，尽管测量值存在一定差异，但所有模型都能进行预测；在复打阶段同样如此。其中，DNN 模型表现最为突出，其在 EOID 阶段的 R2值达到 0.960，复打阶段为 0.915，预测误差在不同场地条件下都极小。这表明 ML 模型，尤其是 DNN，在预测准确性和泛化能力上显著优于传统动态打桩公式。
利用 DRF 指标的预测模型效果
动态折减函数（DRF）由动态荷载测试的 CAPWAP 分析结果得出，代表测量值与预测值的比值，是评估预测准确性的关键指标。研究发现，在使用打桩公式估算承载力时，DRF 可用于协调预测值与实际值之间的差异。而基于 ML 的预测模型在考虑 DRF 指标时，同样展现出良好的性能，进一步证明了其可靠性。
研究结论和讨论
这项研究全面评估了基于 AI 的预测模型在估算 PPP 的 PBC 方面的能力，聚焦于 PPP 独特的两阶段施工过程。研究结果表明，ML 模型，特别是 DNN，在预测准确性和一致性上明显优于传统动态打桩公式。通过 SHAP 分析，还确定了桩径、夯锤重量等关键影响因素，为现场决策和打桩操作的自适应控制提供了有价值的见解。该研究验证了将 AI 集成到现有施工流程中的实际可行性，不仅提高了预测的可靠性，还简化了质量控制流程，减少了对经验判断的依赖，为更高效、更具成本效益的项目交付做出了贡献。它为岩土工程中桩基础评估带来了新的思路和方法，推动了行业的发展，有望在未来的建筑施工中得到广泛应用，提升建筑基础的稳定性和安全性。
