利用混合灰狼优化器人工神经网络模型预测埃塞俄比亚粘性土上浅基础的最大承载力

《Scientific Reports》：Predicting the ultimate bearing capacity of shallow foundations on ethiopian cohesive soils using a hybrid grey wolf optimizer artificial neural network model

　　

摘要

在岩土工程中，准确估算粘性土上浅基础的抗压承载力仍是一项重大挑战，尤其是在那些存在膨胀性、非均质粘土沉积的地区。在埃塞俄比亚，由于当地土壤的特性较为复杂，直接应用传统的抗压承载力理论往往会导致设计结果不可靠。本研究构建并验证了一种混合灰狼优化器人工神经网络（GWO-ANN）模型，用于预测埃塞俄比亚粘性土上浅基础的抗压承载力。研究通过34组土壤样本的实验室试验以及基础几何参数的不同组合，建立了包含408条记录的数据库。这些数据涵盖了粘聚力（15–65千帕）、内摩擦角（5–25度）、天然含水率（18–42%）、孔隙率（0.35–0.52）、基础宽度（1.0–2.5米）、埋深（0.5–1.5米）以及长宽比（1.0–2.0）等参数。该模型在独立测试集上的预测精度很高（R平方值=0.981，均方根误差为28.1千帕，平均绝对误差为21.8千帕），其性能优于传统的机器学习模型和经典方法。通过来自不同国家、涵盖小型和大型项目的6项经过同行评审的研究中的150条独立数据进行的外部验证显示，该模型的R平方值为0.935，均方根误差为31.6千帕，平均绝对误差为25.1千帕，这证明了该模型在各种不同的粘性土条件下的通用性。敏感性分析表明，粘聚力、基础宽度以及内摩擦角是影响预测结果的主要参数，而孔隙率和天然含水率也具有显著的影响作用。研究结果表明，考虑土壤状态参数能够显著提升预测精度，为膨胀性粘土地区的基础设计提供了一种可靠且基于数据的工具。尽管所提出的模型在埃塞俄比亚的膨胀性粘性土上表现出出色的预测性能，并且在研究范围内的参数条件下外部验证结果也较为满意，但若将其应用于地质、矿物学或环境条件不同的土壤，可能还需要通过特定区域的数据集进行进一步验证。这种混合GWO-ANN框架提供了一种新颖的、针对特定区域的机器学习解决方案，能够有效捕捉非饱和膨胀粘土中复杂的土基相互作用。