基于SSGCNN模型的废铸造砂地基几何优化设计提升圆形基础承载力研究

本研究针对天然骨料资源匮乏问题，探索废铸造砂(WFS)作为可持续填充材料的应用潜力。研究人员通过稀疏谱图卷积神经网络(SSGCNN)优化土工格栅几何参数，显著提升圆形基础在WFS地基中的承载力(u/B=0.25，D/B=3时最佳)。模型预测精度达R2=0.98，较传统EBS、DNN等方法提升显著，为可持续地基设计提供创新解决方案。

　　

这项突破性研究揭示了废铸造砂(Waste Foundry Sand, WFS)——铝铸件工业副产品在土木工程中的神奇变身。科研团队像"地基外科医生"般精准设计土工格栅(geogrid)的几何参数，采用前沿的稀疏谱图卷积神经网络(Sparse Spectra Graph Convolutional Neural Network, SSGCNN)作为"智能显微镜"，成功解码出最佳加固方案：当埋深比u/B=0.25、砂床厚度比D/B=3、竖向间距h/B=0.25、格栅长度l/B=0.3时，圆形基础的承载力如同"打了生长激素"般提升10%-13%。

实验数据与数值模拟的"双人舞"揭示了有趣差异，这源于模型对WFS颗粒"社交行为"的理想化假设。SSGCNN模型展现出惊人的预测天赋，其RMSE仅9.15kPa，R²高达0.98，将传统Escaping Bird Search (EBS)和深度神经网络(DNN)远远甩在身后。这项研究为建筑界的"绿色革命"提供了新武器，让工业废料化身地基工程的"超级英雄"。