利用具有可解释性的机器学习技术预测和解释挤压式支桩的抗拔承载能力

《Engineering Applications of Artificial Intelligence》：Predicting and interpreting the uplift bearing capacity of squeezed branch piles utilizing machine learning with explainability

抗拔承载力预测；挤压分支桩；机器学习模型；SHAP解释性分析；有限元数据集

　　

黄石|孙婷婷

合肥工业大学科学研究研究院，中国安徽省合肥市包河区屯西路193号，邮编230009

摘要

挤压分支桩（SBP）因其承重板的作用而具有较高的抗拔能力。然而，准确预测其抗拔承载能力在桩基工程中仍然是一个重大挑战。为了实现对SBP抗拔承载能力的可靠预测，本研究采用了机器学习（ML）技术。通过将Python脚本与有限元方法（FEM）相结合，生成了一个包含随机参数的SBP抗拔模型综合数据集。随后，训练了三个单独的ML模型和三个集成ML模型，并通过交叉验证进行评估，使用树结构Parzen估计器（TPE）对超参数进行了优化。基于评估指标的比较性能分析表明，集成学习模型的表现优于单独模型，其中极值梯度提升（XGBoost）达到了最高的预测准确性。为了提高所开发模型在SBP设计中的适用性，应用了Shapley加性解释（SHAP）方法来量化参数的重要性。具有较高SHAP值的参数对预测结果的影响更大，因此在设计过程中应优先考虑这些参数。所提出的方法进一步扩展到了涉及多层土壤和不同数量承重板的SBP配置的各种应用场景，证实了ML在预测桩承载能力方面的可行性及其作为FEM替代方案的潜力。结果表明，基于XGBoost的集成学习在预测SBP抗拔能力方面具有更高的准确性，而SHAP分析为优化桩设计参数提供了实用的见解。该ML框架为桩基工程中的传统FEM仿真提供了一种高效可靠的替代方案。

引言

抗拔桩，也称为拉力桩或锚桩，旨在抵抗向上的力（Yu等人，2023a；Wang等人，2022；Vignesh和Muthukumar，2023；Zhang等人，2024a）。这些力可能来源于倾覆力矩、地震活动或浮力效应。大型结构如风力涡轮机塔、输电塔、码头和悬索桥锚固装置可能会受到此类力的作用，这些力以抗拔荷载的形式传递给基础。在极端情况下，抗拔力可能导致结构损坏甚至倒塌。因此，抗拔桩的工程设计对于确保结构安全至关重要。

挤压分支桩（SBP）于20世纪50年代被引入，作为一种具有比同等直径直桩更优抗拔承载能力的变截面桩型。SBP通过液压挤压或旋转切割建造，在土壤层中嵌入了支撑板。SBP的抗拔能力归因于桩-土摩擦力以及支撑板的贡献（Majumder和Chakraborty，2022a；Zhang等人，2018）。支撑板增强了土-桩相互作用，使其承载特性与传统桩型有显著不同。通常支撑板贡献了总抗拔能力的30%至80%（Xiong等人，2023），在无端承力抵抗的纯抗拔条件下尤为重要。尽管SBP具有独特特性，但它们与其他桩型（如多扩孔桩（George等人，2021）、结节桩（Le等人，2022）和钟形桩（Wang等人，2024；Sun等人，2022））有相似之处，这些桩型也都包含不同结构配置的板状组件。

目前，有两种主要的研究方法用于确定SBP的承载能力：实验测试和数值建模。Moayedi等人（Moayedi和Mosallanezhad，2017）对钟形桩和多钟形桩进行了抗拔测试，使用线性变位移传感器监测桩的位移。抗拔力通过电机驱动的加载电缆施加，测试在松散沙土中进行。分析了荷载-位移曲线和地面变形，并使用有限元建模（FEM）验证了结果。Honda等人（2011）利用离散元方法（DEM）研究了密集土壤中钟形桩的抗拔行为。Majumder等人（Majumder和Chakraborty，2022b）使用FEM研究了在不同侧向压力下扩孔桩的抗拔能力和失效机制。Gao等人（2007）在可塌陷黄土中对SBP进行了静态测试，分析了荷载传递、桩侧阻力分布和承载比成分。Ma等人（2020，2025）研究了SBP的荷载传递机制，并通过实验验证了所提出的理论方法。Wang等人（2023）设计了具有不同参数配置的SBP，并对其抗压能力、抗拔能力、最大水平位移和最大弯矩进行了全面分析。Yang等人（2023）开发了一个双曲荷载传递模型，发现较大的承重板和最佳板位置可以提高承载能力。Li等人（2022）使用FLAC3D建立了数值模型，并对SBP进行了现场测试，实验数据验证了桩荷载-位移曲线和承载能力的模拟准确性。Liu等人（2024）使用滑动块平衡法建立了计算公式，并通过案例研究进行了验证。他们的研究方法也适用于评估SBP的承载能力。例如，钟形桩的抗拔能力（Yang等人，2018；Li等人，2024a；Wang等人，2020a；Liu等人，2021）、根桩的侧向（Luo等人，2022；Zhou等人，2021）和垂直（Yu等人，2023b）承载能力、螺旋桩的抗压（Esmailzade和Eslami，2025；Zhang等人，2024b）和抗拔能力以及结节桩的垂直承载能力（Nguyen等人，2022；Zhang等人，2022）。虽然实验测试提供了现场数据，但受到参数变异性和后勤限制的影响。数值模拟软件在参数调整和建模效率方面具有灵活性。然而，非线性分析的计算量可能很大，从而限制了实时设计应用。

尽管SBP在建筑中得到广泛应用，但确定其抗拔承载能力的明确规范和标准化程序仍然缺乏。机器学习（ML）通过识别数据中的模式为预测这一能力提供了有前景的方法（Yousheng等人，2024；Karakas等人，2024；Ren和Sun，2023）。传统测试方法通常产生的数据集较小，可能导致欠拟合。因此，通过FEM参数建模生成大规模数据集对于提高抗拔行为的预测准确性至关重要。ML模型常被称为“黑箱”，其决策过程难以解释。提高模型可解释性是一个关键的研究目标，特别是在工程设计中，透明度和可靠性至关重要。许多现代ML模型，如随机森林（RF）、梯度提升机、支持向量机和神经网络，具有复杂的架构，阻碍了对其决策过程的直观理解。这些模型通常在生成预测时不提供明确的解释，从而限制了可解释性。为了克服这一限制，已经开发了事后可解释性方法来通过后续分析提高模型透明度（Jo和Raj，2023；Vij和Nanjundan，2021）。在基于ML的桩基设计抗拔能力预测中，纯数据驱动的结果可能缺乏物理可解释性，这降低了工程师的接受度。可解释性方法可以揭示输入参数（如桩长度、直径和土壤属性）对承载能力的影响，从而提高模型的可信度。因此，采用适当的可解释性技术（如SHAP、局部可解释模型不可知解释和部分依赖图）是必要的。

为了解决预测SBP抗拔承载能力的挑战，本研究提出了一个结合FEM、ML和Shapley加性解释（SHAP）方法的框架。使用Python脚本与ABAQUS结合生成了多个随机FEM模型，以构建ML数据集。随后，比较了三种单独的ML模型（线性回归（LR）、支持向量回归（SVR）和回归树（RT）以及三种集成ML模型（RF、XGBoost和堆叠）在预测SBP抗拔承载能力方面的性能。使用SHAP方法通过分析各种输入参数对结果的影响来提高模型可解释性。最后，将所提出的方法扩展到了包括不同土壤层和不同数量承重板在内的更广泛的应用场景。

章节片段

数值建模与验证

本研究的目的是开发一个ML模型来预测SBP的抗拔能力。为了创建一个综合数据集，使用FEM软件进行了由Python代码驱动的仿真计算。分析使用ABAQUS进行，ABAQUS在岩土工程分析中得到广泛应用，并具有内置的Python接口。此外，通过将仿真结果与静态拉力抗拔荷载进行比较来验证数值模型的可靠性

FEM随机建模的数据集

由于第2节中已经证明FEM结果与实验结果一致，本节以单层土壤中带有一个承重板的SBP为例，其中模型进行了参数化（图5）。由于实际现场条件下的桩与实验设置中的桩之间存在显著尺寸差异，因此开发了一个更大的FEM模型，在该模型中所有几何和材料参数都被表示为变量。为了生成一个综合数据集，使用Python

ML模型和可解释算法

本研究采用了三种单独的ML模型（LR、SVR、RT）和三种集成学习模型（RF、XGBoost、Stacking）。LR作为基线模型，用于验证输入特征与目标变量之间的非线性关系，而其他五个模型则基于它们在工程应用中的有效性被选中，例如SVR和RT在处理非线性映射问题方面的强大能力（Zhao等人，2024；Alrbai等人，2024），以及

ML模型的评估

超参数调整按照图12中概述的程序进行。经过200次迭代后，优化后的参数设置总结在表2中。虽然LR模型除了启用截距计算外不需要特定的参数调整，但SVR模型需要仔细选择核函数。径向基函数（rbf）通常用于非线性拟合。惩罚系数C控制模型复杂性，较大的值会导致

更多应用场景

在实际工程应用中，现场土壤条件和SBP配置具有较大的变异性。由于ML模型的预测能力与数据集的多样性密切相关，因此生成了涵盖不同现场条件的额外数据集。如图20所示，按照本研究的工作流程，建立了具有不同数量承重板和土壤层组合的SBP模型：单层土壤中带有一个承重板的SBP（SBP-OP-SSL）、双层土壤中带有一个承重板的SBP

图形用户界面

图形用户界面（GUI）设计具有广泛的适用性，如图22所示。用户可以选择不同的算法和模型，并上传准备好的数据集进行训练。通过输入与桩、土壤、桩-土界面和位移相关的参数，可以获得并记录预测结果，最终生成抗拔力-位移曲线。该程序使用Python语言开发，更多开发细节在补充材料中提供

讨论

本研究使用ML来预测SBP的抗拔承载能力。鉴于ML在SBP研究中的应用有限，本节回顾了类似桩基预测的研究，并将其与当前工作进行了比较。此外，还确定了可能直接从这项研究中受益的工程项目类型。

ML在桩基中的应用主要集中在预测垂直和侧向行为上，相关研究总结在表4中。

结论

本研究探讨了使用ML预测SBP抗拔能力的可行性，采用了六个ML模型，包括三个单独模型和三个集成模型。应用了可解释的ML算法来分析输入参数对结果的影响，为SBP设计提供了有价值的指导。整个方法框架扩展到了建筑实践中常见的多种场景。主要发现总结如下。

(1)

尽管

CRediT作者贡献声明

黄石：撰写——原始草稿、可视化、验证、软件、方法论、调查、正式分析、数据整理。孙婷婷：撰写——审稿与编辑、监督、资源管理、项目管理、资金获取。

利益冲突声明

作者声明他们没有已知的竞争性财务利益或个人关系可能会影响本文报告的工作。

致谢

本研究得到了江苏省“蓝绿工程”优秀青年骨干教师项目、江苏省高等职业学院专业领军高级学者计划（2025GRFX001）、南京交通职业技术学院的高层次人才研究启动项目（JG2505）、安徽省高等教育机构科学研究项目（2024AH051152）以及江苏省产业大学合作项目的支持