一种基于自适应神经模糊推理系统(ANFIS)和多表达式编程(MEP)用于准确预测土壤加州承载比的混合人工智能框架
《Engineering Applications of Artificial Intelligence》:A hybrid artificial intelligence framework for accurate prediction of soil California bearing ratio using Adaptive Neuro Fuzzy Inference System and Multi Expression Programming
【字体:
大
中
小
】
时间:2026年08月30日
来源:Engineering Applications of Artificial Intelligence 9.0
编辑推荐:
# 摘要
浸水加州承载比(CBR)是路面工程中路基强度的关键指标;然而,常规测试耗时、耗力且成本高昂。本研究探讨了人工智能(AI)在岩土工程中的应用,采用了一种将自适应神经模糊推理系统(ANFIS)与多表达式规划(MEP)相结合的混合框架,并与常规回归模型一同用于预测浸水C
# 摘要
浸水加州承载比(CBR)是路面工程中路基强度的关键指标;然而,常规测试耗时、耗力且成本高昂。本研究探讨了人工智能(AI)在岩土工程中的应用,采用了一种将自适应神经模糊推理系统(ANFIS)与多表达式规划(MEP)相结合的混合框架,并与常规回归模型一同用于预测浸水CBR。研究使用了一个包含2535个土壤样本的综合数据库,这些数据来自已发表的研究文献,其中1205个样本在标准普罗克特压实条件下,1330个样本在修改普罗克特压实条件下。模型输入参数包括粒度分布、阿特伯格界限、最适含水量和最大干密度。所开发模型的预测性能通过决定系数、均方根误差、平均绝对误差和离散指数进行评估。在所考察的方法中,ANFIS取得了最高的预测精度,标准普罗克特和修改普罗克特条件下的测试决定系数分别为0.947和0.961,其次为MEP。敏感性分析确定最大干密度和最适含水量是控制浸水CBR行为的关键参数。研究结果表明,基于AI的建模为土壤强度预测、路基评估和数据驱动的路面工程应用提供了一种准确且高效的工具。
# 引言
近年来,先进的AI技术如自适应神经模糊推理系统(ANFIS)和多表达式规划(MEP)因其能够建模复杂非线性关系而在岩土工程中受到越来越多的关注。在路面工程中,浸水CBR受多种相互作用参数的影响,包括含水量、密度和土壤稠度界限。这些关系高度非线性,难以用常规回归模型捕捉。
CBR试验是岩土工程中一种广受认可的测试方法,最初由加利福尼亚州交通部(前加利福尼亚州公路局)开发,用于评估路基土壤的强度和承载能力。该试验测量压实土壤在标准荷载下抵抗穿透的能力,并将其与碎石的抵抗能力进行比较。它是道路、机场、大坝和铁路路面设计的基础。CBR试验可以在浸水或非浸水条件下进行,其中浸水版本通过完全饱和土壤样本来模拟极端潮湿条件。然而,传统的浸水CBR试验耗时、耗力且成本高昂,通常每个试样的完成需要长达七天,且每个试样需要5至6 kg的大型土壤样本(Bardhan等人,2023;Khatti和Grover,2023b,2024;Khasawneh等人,2024a;Khasawneh等人,2024b;Shukla和Iyer Murthy,2024)。尽管应用广泛,但在当代工程项目中,常规CBR试验存在多个操作性挑战。这些问题在大规模或快速开发地区尤为明显,在这些地区中,时间效率和成本效益至关重要(Sreelekshmypillai和Vinod,2019;Wu等人,2024)。该试验消耗大量时间和财政资源,需要专用设备和熟练技术人员,这使得其在快速项目或对实验室访问有限偏远地区的可行性降低(Wang,2023;Yabi等人,2024)。
CBR是路面设计的重要参数,但实验确定该参数既昂贵又耗时。近期研究已采用机器学习(ML)模型预测CBR,特别是针对稳定化土壤。一项研究开发了多种ML模型用于水泥窑灰(CKD)稳定化土壤,确定梯度提升为最准确的模型,关键影响因素包括未处理土壤CBR、塑性指数、CKD含量和养护时间。土壤在反复荷载下的行为是回弹模量,它取决于密度、含水量和荷载条件等因素。实验结果表明,回弹模量随荷载力增大和循环次数增加而提高。此外,一个新的将可解释人工智能(XAI)与ML模型(如CatBoost、XGBoost)相结合的框架实现了高预测精度(R2高达0.98),同时利用SHAP和LIME增强了可解释性。这些分析确定了砂含量和塑限等参数为关键预测因子。总体而言,这些研究凸显了先进ML和XAI方法在提高岩土工程中CBR预测的准确性、可解释性和实用适用性方面的有效性(Sas等人,2015;Thapa和Ghani,2025;Ghavami等人,2026)。
鉴于操作限制,对不牺牲可靠性的更高效CBR值估计替代方法的需求日益增长。针对这些限制,近期研究探讨了基于容易获得的土壤特性(如粒度、阿特伯格界限和压实参数)来更高效估计CBR值的预测建模技术(Taskiran,2010;Erzin和Turkoz,2016;Rashed等人,2021;Alzabeebee等人,2022;Hassan等人,2022)。这些整合机器学习和回归方法的模型提供了一种比传统方法更快、更具成本效益的替代方案,通常能在样本采集后数小时内提供CBR估计值(Díaz和Spagnoli,2024)。尽管取得了这些进展,但由于其历史意义、与路面设计的直接相关性以及法规要求,CBR试验仍然不可或缺。随着全球基础设施开发加速,挑战在于平衡传统CBR试验的可靠性与新兴预测技术的效率和可扩展性。早期预测CBR值的尝试依赖于使用基本土壤指数(如液限LL、塑性指数PI和细颗粒含量F)的经验相关关系。虽然这些模型提供了有价值的见解,但由于无法在不同土壤类型和环境条件下泛化而受到限制(Stephens,1990)。随后,开发了多变量回归方法,整合了粒度分布、最适含水量(OMC)和最大干密度(MDD)等参数以提高预测精度(Nyemb Bayamack等人,2019)。然而,随着机器学习的兴起,研究人员开始利用这些技术来识别土壤变量之间的复杂非线性关系。人工神经网络(ANN)、支持向量机(SVM)和基因表达式规划(GEP)展示了优于传统回归模型的性能(Taskiran,2010;Tenpe和Patel,2020b),研究表明土壤组成,特别是砂(S)和粉土(G)的含量,对CBR预测有显著影响。使用遗传算法或粒子群优化优化的ANN等混合模型进一步提高了精度和收敛性(Bardhan等人,2023;Thapa和Ghani,2024)。
近期方法已整合集成学习和概率建模以进一步增强预测稳健性。随机森林(RF)、梯度提升机(GBM)和其他算法已被证明能有效处理异质性土壤数据集,而NGBoost引入了概率预测模型,提高了模型的可解释性(Ikeagwuani,2021;Trong等人,2021;Díaz和Spagnoli,2024)。其研究结果确认了F、G和OMC对浸水CBR影响的重要性。类似地,Wu等人(2024)和Verma等人(2023)利用高斯过程回归(GPR)结合元启发式优化,不仅产生了精确预测,还提供了不确定性估计,弥补了以往确定性模型的关键空白。此外,通过模拟退火等元启发式优化的深度学习方法,包括深度神经网络(DNN),在预测精度和泛化能力方面均超越了经典ML模型(Othman和Abdelwahab,2023;Polo-Mendoza等人,2024;Yabi等人,2024)。
近期研究广泛探讨了各种软计算技术在预测CBR方面的应用,CBR是评估土壤强度和道路建设适用性的关键岩土参数。Rehman等人(2016)使用包含172个观测值的数据集进行了全面研究,数据集包含关键岩土参数如粒度分布(D60、D50、D30、D10)、级配系数(Cu、Cc)和压实特性(MDD和OMC)。这些参数被用于利用先进的软计算技术(包括GEP、MEP、SVM和多元线性回归MLR)开发预测模型。研究发现GEP模型性能最佳,复合GEP模型取得了极高精度的结果,训练集R2值为0.92,测试集为0.84。此外,复合GEP模型的均方根误差(RMSE)训练集为2.64,测试集为3.40。MEP模型虽表现良好但略低于GEP,训练集R2值为0.82,测试集为0.80,RMSE训练集为3.54,测试集为3.81。SVM模型表现出中等性能,训练集R2为0.81,测试集为0.79,而MLR模型结果最差,训练集R2为0.70,测试集为0.60,且RMSE值更高,表明其精度低于其他模型。在一项相关研究中,Menye等人(2025)使用LR Cramer方法通过45个土壤样本预测CBR值。这些样本的岩土参数特征包括细颗粒含量F百分比、PI和LL。LR Cramer方法取得了出色的R2值0.97,表明输入参数与CBR之间存在强相关性,平均绝对误差(MAE)为3.61。该研究强调了F含量在确定土壤压实和CBR中的重要作用,突出了其在道路建设和岩土评估中的重要性。此外,Gowda等人(2025)探讨了使用SVM模型预测浸水CBR值,并利用包含200个土壤样本的数据集评估了不同核配置的性能,包括线性、二次、三次和高斯核。研究发现三次SVM配合二次核提供了最准确的预测,R2值为0.916,RMSE为0.701。相比之下,较简单的线性SVM模型预测精度较低,R2值为0.582,RMSE为1.563。作者还强调了关键土壤特性如砂百分比S%、粉土百分比F%和液限LL的重要性,这些被确定为CBR的最重要预测因子。此外,该研究强调了整合可解释人工智能技术以增强SVM模型可解释性和透明度的潜力,使决策过程对岩土工程师更易理解。总体而言,这些研究强调了AI驱动模型在提高CBR预测准确性方面日益增长的重要性和有效性,为岩土工程师提供了优化土壤评估和道路建设设计的宝贵工具。
尽管取得了这些进展,一个关键挑战仍然存在:机器学习模型的可解释性。虽然这些模型提供了高预测能力,但它们通常作为"黑箱"运行,使得理解驱动预测的潜在机制变得困难。这种缺乏透明度限制了其在实际工程中的应用,因为在实际工程中,理解输入参数与CBR值之间的关系对明智决策至关重要。此外,许多现有模型具有地域局限性,限制了其在不同土壤类型或环境条件下区域的迁移能力。因此,迫切需要在多样化区域和土壤类型中可靠预测浸水CBR值、更具通用性和可解释性的模型(Gowda等人,2025)。
利用各种ML和回归技术预测CBR值在先前研究中已被广泛探索。表1总结了这些研究的关键发现,突出了不同的软计算方法。该表提供了关于输入变量、应用方法、数据点数量、R2值、压实功、土壤类型和每项研究确定的最佳模型的详细信息。所审查的模型整合了多样化的岩土参数和数据集。然而,这些研究的总观测数量相对有限,且大多数研究仅使用了一种压实方法(标准或修改普罗克特法),这可能限制了结果的泛化能力。
尽管在利用机器学习技术预测土壤强度参数如加州承载比(CBR)和无侧限抗压强度(UCS)方面取得了显著进展,但当前文献中仍存在若干局限性。以往研究主要关注传统回归方法或单一的AI模型,如人工神经网络(ANN)、支持向量机(SVM)和基因编程。虽然这些模型展示了改进的预测性能,但许多缺乏将传统和先进建模技术整合在单一分析中的全面比较框架。此外,许多研究依赖于有限数据集或关注特定土壤类型,从而限制了模型的普遍适用性。此外,混合和可解释模型,如自适应神经模糊推理系统(ANFIS)和多表达式规划(MEP),尚未与传统回归方法一起用于CBR预测进行充分考察。这造成了对这些技术在不同土壤和压实条件下的相对性能、稳健性和可用性的理解空白。
与以往研究不同,本研究提出了一种综合预测框架,将传统回归模型与先进的软计算技术(包括ANFIS和MEP)相结合,并在一个多样化且结构良好的数据集上进行评估。该研究不仅评估了模型精度,还系统地比较了各模型的预测性能、鲁棒性和可解释性。这种集成方法深化了对影响土壤强度行为的复杂非线性关系的理解,并为传统的实验室测试方法提供了更可靠、更高效的替代方案(Chen等,2023;Nguyen等,2022)。本研究旨在基于关键土壤参数——包括粒径分布、阿泰堡界限和压实参数——开发浸水CBR的通用预测模型,适用于标准普氏击实试验和修正普氏击实试验。研究使用了2135个土壤样本数据集,采用了机器学习模型和多变量数学方法,包括LwI、NLR、PQ、FQ、ANFIS和MEP。这些模型将捕捉所选土壤参数之间复杂的非线性关系,并准确预测浸水CBR值。本研究的主要目标是:(1)确定对浸水CBR值影响最显著的关键土壤参数;(2)开发基于机器学习的鲁棒模型,根据两种不同的击实能量预测浸水CBR,适用于各种土壤类型和地理区域。与以往仅关注传统回归技术或独立机器学习模型的研究不同,本研究引入了一个统一的预测框架,在单一比较平台上整合了两种方法。本研究探讨了使用本地可用且经济实惠的改良剂——包括熟石灰、大理石废料和砂——改良软弱黏性路基土(A-6)的效果,重点在于提高柔性路面应用的刚度。通过三轴试验确定回弹模量(MR),并通过克莱格冲击锤试验评估表面刚度。结果表明,石灰是最有效的稳定剂,相比其他改良剂显著提高了土壤刚度。此外,MR与关键测试变量(包括克莱格冲击值)之间建立了强统计关系,突出了可靠预测路基刚度的潜力(Jaffar等,2022)。本工作的创新性体现在三个关键方面:(i)使用大规模且多样化的数据集以增强模型的泛化能力;(ii)对传统模型和先进的AI模型(包括ANFIS和MEP)进行对比评估;(iii)结合土力学基本原理对模型预测进行解释。这种集成方法既提供了高精度的预测,又增强了物理可解释性,使本研究区别于现有文献。片段选取
研究意义:CBR仍然是评估路基土强度和承载能力最广泛使用的经验指标之一,尤其在路面设计中。传统的浸水CBR测定方法劳动密集、耗时且成本高昂,通常需要大量取样、压实试验和长时间浸泡。随着数据驱动技术和机器学习算法的出现,岩土工程领域增强CBR评估的机会日益增多。
方法论与数据库概述:本研究提出了一套系统化的方法,从数据获取开始,最终以严格的模型验证结束,以探索岩土土壤特性与浸水CBR之间的关系。通过广泛的文献综述,编制了一个综合数据集,包含2535条浸水CBR实测记录,涵盖在各种土壤类型下接受两种击实能量——标准普氏击实(CBR-SP)和修正普氏击实(CBR-MP)处理的试验记录。
软计算模型:本研究采用了多种建模技术来预测接受标准普氏击实和修正普氏击实处理的土壤的浸水CBR。所用模型包括传统统计方法LwI、NLR、PQ和FQ,以及先进的软计算技术ANFIS和MEP。
模型评估工具:通过多种统计指标对开发的软计算模型的有效性进行了定量评估,以确保稳健的性能评估。这些指标包括R2、RMSE、MAE、SI、VAF、MAPE、WMAPE和OBJ。每项指标从不同角度反映模型的精度、精确度和可靠性,相应的计算公式详细列于后续公式(11)、(12)、(13)、(14)、(15)、(16)、(17)、(18)中。这一全面的评估指标集合……
LwI模型:所开发的LwI模型通过回归浸水CBR的倒数与所选预测变量的倒数来应用逆变换,展现出强大的预测性能。具体而言,LwI模型方程见公式(19a)(CBR-SP)和(19b)(CBR-MP)。
CBR-SP = 1/(6.2 ? 1.93/G ? 0.07G ? 2.1/S + 2.37S ? 2.25/F + 0.19F ? 4.12/LL ? 94.64LL + 4.13/PL ? 66.22PL + 4.13/PI + 1.25PI + 0.21/OMC + 17.02OMC + 7.09/MDD + 1487.9MDD)
CBR-MP = 1/(0.76 + 0.43G + 0.21/G ? 0.05S ? 2.22/S ? …)
模型比较:通过R2值比较各模型预测浸水CBR-SP的性能,如图11a所示。六个模型——ANFIS、MEP、FQ、LwI、PQ和NLR——基于训练和测试阶段的预测能力进行评估。在各模型中,ANFIS始终表现最优,测试阶段R2值最高为0.947,训练阶段为0.915。这表明ANFIS比……更能有效地捕捉数据中的潜在模式。
得分分析:本研究系统地评估了六款针对浸水CBR-SP和CBR-MP条件的预测模型:LwI、NLR、PQ、FQ、ANFIS和MEP。采用基于排名的评分系统,通过多项统计指标——R2、RMSE、MAE、SI、VAF、MAPE、WMAPE和OBJ——在训练和测试阶段进行评估。每项指标对每个模型从1(最低)到6(最高)进行排名,累计得分汇总于表6(CBR-SP)和表7(CBR-MP),从而能够……
敏感性分析:为评估每个输入参数对ANFIS模型预测性能的相对影响,针对CBR-SP和CBR-MP两种击实条件分别进行了一次一变量敏感性分析。该方法系统性地逐一排除每个输入变量,同时保持其余变量不变,并重新训练模型以观察预测精度的变化。评估指标包括R2、RMSE、MAE以及基于预测退化程度的排名。
结论:尽管取得了这些令人鼓舞的结果,但必须承认存在若干局限性。首先,本研究使用的数据集编译自已发表的文献,可能引入区域偏差,并限制模型对不同土壤类型和环境条件的泛化能力。其次,缺乏直接现场验证限制了模型预测在现实环境中的实际验证。此外,依赖现有数据集可能无法完全捕捉……
未来工作建议:未来研究应通过以下方式改进所提出模型的鲁棒性和应用性。第一,建议通过与独立现场数据集和区域特定土壤的验证来评估模型在现实条件下的可迁移性。第二,扩展数据库以包含更多种类的问题土壤(如膨胀土、湿陷性土、有机土和盐渍土)将增强模型的泛化能力。第三,纳入更多具有影响力的参数……
CRediT作者贡献声明:Bashdar Omer:原稿撰写、方法论、数据整理、概念构思。Ahmed Salih Mohammed:审稿与编辑、监督、方法论、验证。
AI及AI辅助技术使用声明:在本文撰写过程中,作者仅使用ChatGPT进行语言润色和语法编辑,以提高清晰度和可读性。未使用任何人工智能工具进行研究设计、数据收集、数据分析、结果解释、科学内容生成或结论制定。所有AI辅助编辑均经作者仔细审阅、修订和批准。作者对内容的完整性、原创性……承担全部责任。
利益冲突声明:作者声明不存在任何已知的竞争性财务利益或个人关系可能影响本文所报告的工作。
Bashdar Omer | Ahmed Salih Mohammed
伊拉克拉帕林大学工程学院土木工程系,拉尼亚
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号