《Applied Computing and Geosciences》：Stability prediction of excavations reinforced with different geosynthetics – An integrated numerical and machine learning approach
编辑推荐：
本研究针对砂土地层基坑工程中稳定性不足及变形控制困难的问题，研究人员结合三维有限差分数值模拟与五种机器学习预测模型，基于189组数据集，系统评估了无加固及采用土工布（geotextile）、土工格栅（geogrid）和土工格室（geocell）加固工况下的基坑
本研究针对砂土地层基坑工程中稳定性不足及变形控制困难的问题，研究人员结合三维有限差分数值模拟与五种机器学习预测模型，基于189组数据集，系统评估了无加固及采用土工布（geotextile）、土工格栅（geogrid）和土工格室（geocell）加固工况下的基坑稳定性。数值模拟结果表明，土工布在临界埋深处以70?cm层间距布置可获得最优性能，而土工格栅则在30–50?cm层间距条件下表现最佳。各类加固形式均显著延迟失稳发生、改善荷载传递机制，并有效抑制剪切应变与侧向变形的发展。机器学习分析显示，基于树的集成模型——随机森林（Random Forest，R2?=?0.897）与梯度提升（Gradient Boosting，R2?=?0.872）——在本数据集上具有最高预测可靠性与稳定性，预测结果无偏且一致，其中随机森林的残差分布最为理想。
研究背景与意义
随着城市地下空间开发规模不断扩大，基坑工程在砂土地层中面临低黏聚力导致的稳定性差、变形难以控制等问题。传统分析方法难以高效处理复杂的非线性关系，且在设计优化与实时决策方面存在局限。已有研究表明，土工合成材料可显著提升土体抗剪强度与整体稳定性，但不同类型与布置方式对基坑稳定性的定量影响仍缺乏系统性比较。因此，研究人员在《Applied Computing and Geosciences》发表论文，通过融合三维数值模拟与机器学习方法，对不同加固方案的稳定性进行预测与优化，旨在为城市砂土基坑的快速初步设计提供可靠工具。
关键技术方法
研究人员基于真实工程砂土参数，采用三维有限差分法（Finite Difference Method, FDM）建立10?m?×?10?m?×?10?m基坑模型，对无加固及三种土工合成材料（土工布、土工格栅、土工格室）在不同埋深与层间距条件下的稳定性进行模拟，共完成220组计算，筛选189组合格数据用于机器学习建模。采用分层随机抽样划分训练集（85%）与测试集（15%），构建并比较线性回归、随机森林、梯度提升、支持向量回归（SVR-RBF）与k近邻（KNN）五种模型的预测性能，并通过五折交叉验证与超参数网格搜索确保模型泛化能力。
研究结果
- 2.
数值模拟
2.1 纯砂基坑模拟
在无加固条件下，基坑临界稳定深度为80?cm，超过该深度安全系数（Factor of Safety, FOS）急剧下降并在90?cm时发生破坏。浅层（0–30?cm）FOS较高且稳定，深层则呈近似线性降低趋势。
2.2 土工布加固砂土基坑
土工布布置于表层下30?cm（Case I）或临界深度80?cm（Case II）。结果显示，70?cm层间距配合Case II可使基坑稳定深度延至260?cm，显著优于其他布置方式，并有效限制剪切带向深层发展。
2.3 土工格栅加固砂土基坑
土工格栅在30?cm或50?cm层间距下性能最佳，70?cm间距效果最差。Case II配置在各深度均优于Case I，表明合理的首层埋深对稳定性至关重要。
2.4 土工格室加固砂土基坑
土工格室在30?cm层间距下FOS最高，但随层间距增大性能下降。Case II配置在深层条件下FOS显著高于Case I，体现出优异的竖向约束与应变重分布能力。
- 3.
机器学习分析
3.1 模型开发与验证策略
随机森林与梯度提升在测试集上表现最佳，R2分别达0.897与0.872，残差分布集中且对称，预测偏差最小。
3.2 超参数调优方案
通过分层五折交叉验证对模型超参数进行网格搜索，确保最优配置来源于验证性能而非过拟合。
3.3 随机森林模型的实际应用
在实例设计中，随机森林模型可在数秒内完成FOS预测，辅助工程师快速优选加固方案。
3.4 适用范围与工程应用
模型适用于基坑深度10–260?cm、层间距30–70?cm、砂土摩擦角为38°的条件，超出范围需另行数值模拟。
3.5 推广性与研究局限
结论主要适用于干燥中密砂、静态加载的小型基坑，未考虑超载与地震作用，后者需进一步扩展数据集验证。
讨论与结论
三维数值模拟揭示，土工布主要通过延缓剪切应变发展提高稳定性，土工格栅依赖层间互锁与侧向约束，土工格室则显著提升表观黏聚力与竖向刚度。机器学习部分证实，树基集成模型在捕捉非线性关系与保证泛化能力方面优于传统回归与局部邻域方法。研究提出的随机森林代理模型在精度与效率上均满足工程快速设计需求，为砂土基坑稳定性分析与优化提供了可行途径。
