特殊地質地基承載力的智能預測方法研究

中圖分類號：TU475.9 文獻標志碼：A 文章編號：2095-2945（2025）23-0023-04

Abstract：Thebearingcapacityofrock foundationsunderspecialgeologicalconditionsisanimportantmechanicalparameter inthefieldofgeotechnicalenginering，whichisdirectlyrelatedtothesafetyandstabilityofgroundconstructionprojects.In ordertoovercometheshortcomingsof existingcalculationmethods，thispaperproposesacalculationmethodbasedonadeep neuralnetworkodel.Thismethodtakesmultiplekeyfactorsthatafectthebearingcapacityofthefoundationasmodelinputs， usestheadaptivemomentestimationalgorithmtocontinuouslyiterativelyupdatethenetworkconnectionweightsandofsets，and graduallyexploresthecomplexnonlinearrelationshipbetweentheinfluencingfactorsandthebearingcapacityofthefoundation. Thetestresultsshowthatthemodelcanquicklyandefectivelypredictthefoundationbearingcapacitybasedonthetestdata and has great application potential in engineering practice.

Keywords：specialgeology;foundationbearingcapacity；depneuralnetwork；adaptivemomentestimation；artificial intelligence

地基是建筑工程的核心基礎，對建筑結構的合理性、安全性及經濟性起著決定性作用。深人了解地層的承載特性，確保地基承載力的準確評估，不僅有助于降低地基沉降的風險，預防結構性損害，還能有效減少自然災害帶來的潛在威脅，為社會和經濟發展提供堅實可靠的基礎設施2-3。我國地域遼闊、地形地貌多變，多樣的地質條件賦予了不同地區巖體結構各異的固有強度。特別是軟土、黃土、鹽漬土、濕陷性黃土這類特殊地質地貌，普遍具備較大的孔隙率、較高的含水量及較弱的力學特性45。在劇烈震動的作用下，這些地質條件下的土層極易發生塌陷，增加了工程建設的復雜性和風險性。因此，如何精確且合理地評估這類特殊巖體的地基承載力，已經成為當前學術界研究的熱點議題，更是工程實踐中亟待攻克的技術難題。

結構和超參數進行合理調整，不斷挖掘輸入和輸出之間隱含的高維映射關系，能夠有效地分析和處理復雜度較高的問題，許多專家學者已將深度學習技術用于地基承載力預測領域中，并取得了較好的應用效果-0。因此，本文通過借助深度神經網絡對多維數據的優秀整合能力，解決現有方法存在的問題，充分利用實際資料中的已有信息，訓練出可以快速根據不同原位測試結果有效估計地基承載力的預測模型，為特殊地質地基承載力的準確計算提供一種人工智能解決方案。

1方法原理

1.1模型的網絡結構及優化算法

深度網絡模型是一種技術成熟且應用廣泛的前饋神經網絡，在處理復雜非線性問題方面具有卓越的性能。該模型通常由輸入層、若干個隱含層和輸出層構成，采用單向傳遞信息的方式將前一層神經元的輸出傳遞到下一深度學習技術通過結合一些先驗知識對模型層次層的神經元，通過調整連接權重來實現對輸入數據的學習和預測。典型的深度網絡模型結構如圖1所示。

圖1典型的深度網絡模型結構示意圖

傳統的深度網絡模型基于誤差反向傳播（ErrorBackPropagation，EBP）算法，實現了對網絡連接權重與偏置的動態調整，具有自適應、自學習、強擬合能力等優點。但EBP算法是一種基于誤差函數梯度信息的點對點搜索方法，其全局搜索能力較差，在多峰分布的搜索空間易搜索局部某個單峰的最優解，使得網絡無法擬合至最優狀態，從而造成模型的泛化能力不足。

因此，為了改進誤差反向傳播算法存在的問題，采用自適應矩估計（AdaptiveMomentEstimation，Adam）算法計算并修正每一時刻梯度的指數移動平均值（第一矩估計）和梯度平方的指數移動平均值（第二矩估計），動態調整每個參數的學習率，在每一次誤差傳播過程中持續迭代更新模型的參數，實現對神經網絡模型權重更新機制的改進[13]。

1.2模型的工作流程

模型的工作流程可以概括為通過特定的訓練方法，利用學習樣本數據構建起由多個單層非線性網絡堆疊而成的復雜網絡結構的過程。具體訓練流程如圖2所示。

步驟1數據收集及預處理：收集相關領域的數據，這些數據可以是歷史數據、實時數據或通過實驗得到的數據，并結合工程問題，構建學習樣本集。對收集到的數據進行清洗和處理，包括去除噪聲、填補缺失值、歸一化或標準化、特征標注等。

步驟2數據集劃分：對處理后的樣本集進行隨機取樣，確保訓練集包含足夠的樣本以供模型學習，并留出足夠的樣本用于驗證和測試。

步驟3設計網絡結構：根據樣本集的數據特點，設計合理的網絡拓撲結構，包括確定層數、每層的神經元數量、激活函數和損失函數等。

步驟4訓練模型：使用訓練集數據對模型進行訓練，計算隱含層、輸出層各單元的輸出。通過優化算法（如EBP、Adam等）多次迭代更新模型參數以最小化損失函數，找到訓練集內最優的模型參數組合。

步驟5驗證模型：使用驗證集數據對模型性能進行驗證，根據預測結果對模型參數進行再次調整和優化，避免過擬合或欠擬合情況的發生，保證模型的泛化能力。

步驟6測試模型：使用獨立的測試集數據對最終模型進行測試，評估模型的預測精度和泛化能力。

圖2深度神經網絡模型學習訓練過程示意圖

2 應用驗證

2.1樣本數據及屬性參數的選取

由于地質條件的多樣性，不同巖體結構的固有強度存在顯著差異，這導致其承載載荷的能力也隨之變化。因此，根據前人的研究成果，考慮多種地質條件的相互作用情況，優選原位土層的內摩擦角、土層的厚度、土層的孔隙比和土層的壓縮模量等屬性參數作為模型的輸人[14-15]。經過模型隱藏層的傳遞和訓練，挖掘出地層巖土性質因素、水理性質因素、壓縮性質因素與地基承載力的內在聯系。

2.2樣本集及模型參數的設置

將采集到的原位土層內摩擦角、土層厚度、土層孔隙比、土層壓縮模量及標貫實驗得到的地基承載力150組數據作為學習樣本集，并對經過數據預處理后的樣本集進行隨機取樣劃分。其中，數據的 70% 劃分為訓練集，20% 為驗證集， 10% 為測試集。

預測模型由5層網絡組成，其中輸入層配置了4個節點便于接收特征數據。網絡依次設置4個、128個和64個節點，旨在逐步提取輸入數據的關鍵信息。同時為了增強網絡的泛化能力并抑制過擬合現象，特別將第二層隱含層設計為Dropout層，通過隨機地停用一部分神經元，促進模型進行更高效、魯棒的特征學習。此外，模型中的每一層均采用ReLU（RectifiedLinearUnit）函數作為激活函數，以提升模型對非線性關系的表達能力。

在采用Adam優化算法作為訓練策略時，迭代次數、初始權重、初始學習率和誤差函數等模型參數對模型的學習能力起著至關重要的作用。為了確保模型能夠經歷充分的訓練周期，將迭代次數設定為150輪。初始權重被賦予0到0.1之間的隨機值，利于模型在訓練開始時就能快速挖掘數據間的潛在聯系。初始學習率被調整為0.05，這一數值有助于平衡模型的訓練速度與穩定性。同時為了方便Adam算法利用梯度信息強化對較大誤差的懲罰力度，幫助模型快速收斂，選擇均方誤差（MeanSquaredError，MSE）函數作為損失函數。

2.3 模型性能的評估

將經過數據集劃分后的學習樣本分別送人搭建好的模型中進行訓練，模型在訓練集的性能表現如圖3所示。從圖3中可以看出，隨著迭代次數的增加，模型的學習誤差在開始階段迅速下降，僅經過50次迭代就迅速逼近了問題的最優解，后面則趨于平緩并最終穩定在預期的收斂水平。這一結果不僅證明了Adam算法在尋找最優解方面的高效性，也反映了模型在訓練過程中的穩健性和適應性。

圖3訓練集的學習誤差迭代曲線圖

采用可決系數作為衡量模型預測能力的指標，圖4展示了模型在訓練集和驗證集的預測結果分布散點圖。從圖4中可以看出，各個樣本的實際值和預測值的坐標點基本上都分布在直線 y=x 的兩側，模型在訓練集和測試集可決系數分別為0.9315和0.9437，體現了模型優

秀的預測性能。

圖5展示了不同方法在測試集上預測效果的對比。通過對比分析，相較于EBP網絡、RBF網絡等經典模型，本文提出的方法相對誤差維持在 10.5% 左右的水平，在預測精度上具有明顯優勢，并且表現出極高的穩定性，驗證了其出色的泛化能力。

圖4深度神經網絡模型學習訓練過程示意圖

圖5測試集的預測誤差結果對比圖

3結論

針對現有計算地基承載力方法存在的問題，本文采用深度神經網絡模型對特殊地質條件下的地基承載力進行預測。該模型綜合考慮了影響地基承載力的關鍵因素及其相互之間的復雜關系，能夠基于測試數據迅速預測地基承載力，其預測誤差的收斂性、穩定性均能夠滿足相關強度準則的指標要求，具有較大的應用潛力。此外，模型的穩健性和適應性能確保在多變的地質條件下依然提供可靠的預測結果，輔助地質工程師在設計和施工階段做出更加科學和精確的決策。

參考文獻：

[1]劉晨旸，孔令明，齊吉琳.地基承載力深度解析[J]北京建筑大學學報，2023，39（6）：41-49.

[2]周曉軍.巖石力學課中軟巖地基極限承載力計算方法的推演與教學設計[J].高教學刊，2023，9（27）：117-120，125.

[3]雷勇，鄧加政，劉一新.下伏空洞巖石地基極限承載力計算方法研究[J]地下空間與工程學報，2020，16（3）：820-826，834.

[4]張紅衛.溶洞上方樁基極限承載力計算[J].地下空間與工程學報，2024，20（4）：1266-1274.

[5]丁陽波，王偉，徐炎兵，等.地基土換填對基樁水平承載性能的影響[J]勘察科學技術，2024（5）：24-28.

[6]李鑫，茍強.復雜地質條件下巖石地基承載力預測[J].能源與環保，2023，45（4）：39-44.

[7]宋二祥，陳星屹，林世杰.關于偏心荷載下地基承載力的驗算方法[J]巖土力學，2022，43（7）：1925-1932.

[8]羅錦華，蔣杰.基于人工智能的地基承載力確定方法[J]土工基礎，2021，35（3）：371-374，384.

[9]周靈剛，胡奕挺，陳欣蔚，等.基于神經網絡的板墻組合式固化土地基承載力計算方法與優化設計[J].地質科技通報，2024，43（6）：102-113.

[10]王錫琴，錢珂江，向清廉，等.基于深度學習的CFG樁復合地基承載力預測[J].成都大學學報（自然科學版），2020，39（3）：335-338.

[11]周游，張廣智，張圣澤，等基于層次專家委員會機器模型的致密儲層裂縫開度預測方法[J].石油地球物理勘探，2022，57（2）：287-296，242.

[12]渠建偉，蔡鵬.BP神經網絡在振沖碎石樁復合地基承載力預測中的應用[J].路基工程，2017（4）：200-203.

[13]韓旭東，張廣智，劉飛，等.基于虛擬樣本生成的致密砂巖儲層參數預測[J].礦產與地質，2024，38（1）：195-204.

[14]陳華，沈軍輝.條形基礎下成層砂土地基破壞機理及承載力計算[J]人民長江，2022，53（8）：179-185.

[15]宋二祥，付浩，李賢杰.地基承載力機理及新計算方法[J巖土工程學報，2022，44（1）：37-44.