为了提高对可液化地层中桩体屈曲承载能力的预测精度：整合了AutoML和SHAP的混合框架

《Soil Dynamics and Earthquake Engineering》：Toward explainable pile buckling capacity prediction in liquefiable strata: Integrating a hybrid framework of AutoML and SHAP

液化土层中桩抗屈曲能力预测研究提出AutoML-SHAP混合框架，基于FEM验证的800组数据训练8种模型，发现AutoML模型预测精度最优，并通过SHAP分析揭示细长比为关键影响因素，实现高效可解释的桩设计优化。

　　

王胜坤|吴泽雄|张晓宇|李学友

广州大学土木与交通学院，中国广州，510006

摘要

为克服现有解决方案中对经验假设的依赖和计算成本的问题，本研究提出了一种可解释的机器学习框架，用于预测可液化地层中桩的屈曲能力。利用通过经过充分验证的数值方法计算出的屈曲能力数据集（800个数据点）来训练和测试八个机器学习模型。输入特征不仅包括与桩-土-结构相关的参数，还包括与地面运动相关的强度指标。随后，使用六个评估指标对模型的预测性能进行了评估，并分析了模型的预测误差。结果表明，所使用的自动机器学习（AutoML）模型优于所有其他模型。之后，将Shapley加性解释（SHAP）技术集成到AutoML框架中，从全局和局部角度量化输入特征对模型预测的贡献。基于SHAP分析结果，发现细长比是影响可液化场地中桩屈曲能力的最重要特征。总体而言，该框架能够快速准确地预测桩的屈曲能力，并有助于实际工程中桩设计的优化。

引言

由于桩基础具有出色的承载能力[1,2]，它们被广泛应用于各种工程结构中。在地震可液化区域，桩的屈曲不稳定性被视为实际工程中需要避免的破坏模式，因为这可能导致上部结构的脆性失效，从而造成严重的经济损失和人员伤亡[3]。过去地震中因桩在液化地面发生屈曲而导致的桩支撑结构失效的典型案例包括1964年新潟地震[4]和1995年神户地震[5]。因此，为了确保桩基础在服役期间的稳定性和安全性，提出一种可靠且高效的方法来估计可液化地层中桩的屈曲能力具有重要的实际意义。

基于全面的文献回顾，已经提出了几种用于计算液化地面中桩屈曲能力的方法，主要分为解析方法和数值方法。具体来说，Shanker等人[6]采用解析方法来确定土壤液化条件下的桩屈曲能力。Kimura和Suzuki[7]推导出评估桩在液化土壤中弹性和非弹性屈曲行为的理论公式。然而，解析解的推导通常涉及多个经验假设，有时可能导致显著的分析误差。Tang等人[8]采用了API规范[9]推荐的p-y曲线，然后应用非线性Winkler基础上的梁（BNWF）方法来估计液化砂中桩的屈曲能力。Zhang等人[10]和Huded等人[11]使用Dash等人[12]开发的p-y曲线来模拟液化土-桩相互作用，随后使用BNWF方法确定液化土壤中桩的临界轴向载荷。然而，数值方法通常涉及复杂的建模和迭代过程，常常导致计算时间较长或收敛困难。这些限制了上述方法在工程实践中的适用性。

最近，机器学习（ML）解决方案在众多岩土工程挑战中的应用显著增加，同时人工智能（AI）技术的学术采用也越来越多[13]。例如，Zhang等人[14]和Tang等人[15]应用了六种ML回归算法来构建预测模型，以预测液化土壤中桩和土壤的最大位移以及桩的最大弯矩。Ozsagir等人[16]和Chou等人[17]利用ML解决方案来增强土壤液化风险的预测。Deng等人[18]使用核岭回归（KRR）和多层感知器（MLP）算法来构建盐沼地区桩在垂直和水平载荷下的承载能力预测模型。Arbi等人[19]提出了基于优化的ML的桩容量预测模型，使用随机搜索（RS）和网格搜索（GS）优化方法。Sun等人[20]采用极端梯度提升（XGBoost）模型来预测复合地层下的桩容量。Hu等人[21,22]使用人工神经网络（ANN）算法开发了结构构件的概率屈曲应力预测模型，考虑了几何和材料的不确定性。尽管取得了这些进展，但在地震可液化区域应用ML技术预测桩屈曲能力的研究仍然非常有限，显示出需要进一步研究的重要研究空白。

尽管AI取得了持续进展，但在构建高性能ML模型时仍存在两个关键问题：模型选择和超参数调整[23]。模型选择通常涉及使用多种机器学习算法为给定数据集构建预测模型，然后从性能最佳的模型中选择最终模型。超参数优化通常需要考虑许多可能的超参数组合以实现最佳模型性能。上述过程可能涉及手动干预，且耗时较长。自动机器学习（AutoML）模型的出现简化了为特定数据集开发高性能ML模型和超参数调整的过程，减少了手动工作量，同时提高了模型开发效率[24]。一些研究表明，AutoML模型已成功应用于评估土壤液化潜力[25]和滑坡易发性[23]。然而，AutoML模型尚未应用于预测可液化地层中的桩屈曲能力。同时，尽管AutoML模型具有显著的优势，但它被称为“黑箱”模型。因此，利用ML可解释性方法来阐明“黑箱”模型的预测机制至关重要。

鉴于这一问题的重要性，本研究的主要工作如下：首先，通过有限元方法（FEM）建立了液化地面中桩的屈曲能力数据库。此外，还验证了屈曲能力计算方法的有效性。其次，采用了八种机器学习算法来预测可液化场地中桩的屈曲能力。此外，还分析了这些模型的预测性能和预测误差。最后，将评估出的最佳模型与Shapley加性解释（SHAP）技术相结合。具体来说，构建了AutoML和SHAP的混合框架，以实现地震可液化区域中桩屈曲能力的自动化和可解释预测。本研究的结果通过AutoML-SHAP框架突出了模型的透明度和可解释性，提供了对全局和局部决策过程的更深入见解。至关重要的是，这种可解释的预测有助于实际工程中桩的屈曲控制和设计优化。

本研究的新贡献总结如下：（1）基于经过充分验证的有限元方法，建立了液化土壤中桩的全面屈曲能力数据库，考虑了桩几何形状、土壤特性、上部结构载荷和地震激励的耦合效应，从而为数据驱动建模提供了可靠的基础；（2）开发了一种基于AutoML的预测模型，有效估计了可液化地层中桩的屈曲能力，有效解决了手动模型选择和超参数调整的挑战，同时与传统机器学习模型相比实现了更高的预测精度；（3）通过将基于SHAP的可解释性集成到最优AutoML模型中，所提出的框架定量揭示了输入特征在模型预测中的重要性和贡献，增强了数据驱动屈曲能力预测的物理可解释性和工程可靠性。图1展示了所提出方法的关键实施步骤。

章节摘录

基于FEM的屈曲能力计算方法

本研究以新潟地震[4]期间发生屈曲破坏的昭和桥钢管桩作为研究对象。在开源非线性有限元分析平台OpenSees[26]中执行了计算液化地层中桩屈曲能力的整个过程。

基于ML的屈曲能力预测方法

在基于FEM进行屈曲能力计算时，分析过程需要重复且耗时的模拟，使得数值解决方案的计算成本非常高昂。针对这一问题，开发了一种基于机器学习的替代解决方案来预测桩的屈曲能力。在本节中，利用大量计算出的屈曲能力数据来训练ML模型，以预测桩的屈曲能力

基于AutoML-SHAP框架的预测解释

尽管AutoML模型实现了更优越和更准确的预测结果，但它被视为一个可解释性有限的“黑箱”模型。为了解决这个问题，本研究提出了一种结合AutoML模型和SHAP技术的混合框架，以解释模型背后的预测逻辑和原理。

结论与未来工作

本研究开发了一个用于地震可液化区域中受侧向载荷和轴向载荷共同作用影响的桩的屈曲能力预测框架，利用了OpenSees有限元分析平台和AutoML-SHAP策略。该框架可以自动预测不同条件下的液化地层中桩的屈曲能力，并为模型预测提供深入的解释。主要结论及其适用范围总结如下

CRediT作者贡献声明

王胜坤：撰写——原始草案、软件、方法论、概念化。吴泽雄：撰写——审稿与编辑、方法论、调查。张晓宇：撰写——审稿与编辑、监督、资金获取。李学友：撰写——审稿与编辑、监督、资金获取。

利益冲突声明

作者声明他们没有已知的可能会影响本文报告工作的竞争性财务利益或个人关系。

致谢

本研究的研究得到了国家自然科学基金（52378331和52279122）和广东省基础与应用基础研究基金（2024A1515011485、2024B1515040017和2022B1515250002）的财政支持。