基于随机森林的地基土未采样点CPT空间参数预测方法

景文 谭

摘要


机器学习技术已经作为一种辅助方法协助人们在多个领域中应用。随机森林是一种集成机器学习技术，与其它算法相比，具有处理高维数据方式灵活，较好表现性能的特点。本文针对土体性质评估难度高的问题，采用一种基于随机森林算法构建的模型来对未采样点的空间土性参数进行预测和评估，并选取了一个静力触探试验(CPT)的案例用于验证模型的正确性，最终利用已有的CPT数据在该模型中预测未取样点桩位的锥尖阻力(Qc)和侧摩阻力(Fs)。结果表明基于随机森林算法建立的机器学习模型具有预测准确度高，适用性强的特点，在工程中具备良好的应用前景。

关键词


机器学习；随机森林；静力触探试验

全文:

PDF

参考


田密，张帆，李丽华. 间接测量数据条件下岩土参数空间变异性定量分析方法对比研究[J]. 岩土力学，2018，39(12):4673-4680．

胡越，王宇. 静力触探识别场地土层分布的贝叶斯学习方法研究[J]. 工程地质学报，2020，28(05):966-972．

Lloret-Cabot M. Hicks M A, van den Eijnden, A P. Investigation of the reduction in uncertainty due to soil variability when conditioning a random field using Kriging. Géotechnique Letters, 2012, 2(3), 123-127.

Li Y J, Hicks M A, Vardon P J. Uncertainty reduction and sampling efficiency in slope designs using 3D conditional random fields. Computers and Geotechnics, 2016, 79, 159-172.

Cai Y M, Li J H, Li X Y, Li D Q, Zhang L M. Estimating soil resistance at unsampled locations based on limited CPT data. Bulletin of engineering geology and the environment. 2019, 78 (5), 3637-3648.

CHING J Y, PHOON K K, WU S H. Impact of statistical uncertainty on geotechnical reliability estimation[J]. Journal of Engineering Mechanics, 2016, 142(6): 04016027.

李镜培，舒翔，丁士君. 土性指标的自相关特征参数及其确定原则[J]. 同济大学学报(自然科学版)，2003，(03): 287-290．

L. Breiman. Random forests. Machine Learning. 2001. 45 (1), 5-32.

Bauer E, Kohavi R. An empirical comparison of voting classification algorithms: bagging, boosting, and variants. Machine Learning. 1999, 36, 105-139.




DOI: https://doi.org/10.12238/jpm.v4i8.6169

Refbacks

  • 当前没有refback。


Creative Commons License
此作品已接受知识共享署名-非商业性使用-禁止演绎 4.0国际许可协议的许可。