混合机器学习框架预测空间可变c-φ土中环形基础承载力

《Scientific Reports》：Bearing capacity and safety factors of ring foundations in spatially variable soils: a hybrid FELA-machine learning approach

　　

摘要

与实心圆形基础相比，环形基础能以更少的混凝土用量高效支撑筒仓、储罐、烟囱和冷却塔等轴对称结构。其极限承载力受非对称荷载和土体性质空间变异性的强烈影响。本研究提出了一种混合机器学习框架，用于预测空间可变黏聚力 - 摩擦角 (c-φ) 土中环形基础的归一化承载力系数和安全系数。数据集通过 OptumG2 中的有限元极限分析 (FELA) 生成，其中纳入了有效黏聚力 (c')（对数正态，深度线性均值：μ_c’ = 10 kPa, k = 1 kPa/m, 变异系数 (COV) = 0.3）和摩擦角（φ’ 最高达 40°）的随机场建模。分析了四种加载工况（完整、内半、中半、外半）、0–0.9 的内外半径比、粗糙/光滑界面以及九种各向异性波动尺度情况（水平：10–60 米；垂直：2–8 米）。卷积神经网络处理随机场图像和参数，实现了 R2 > 0.95 和相对误差 < 3%。外半加载和完整加载提供了最高的承载力；内半加载使其降低了多达 40%。c’ 和 φ’ 的空间变异性使破坏包线收缩了 10–25%，突出了基于可靠度的设计的重要性。与传统的 FELA/蒙特卡洛方法相比，该框架在保持准确性的同时显著降低了计算成本，支持初步设计、优化和风险评估。