《ARABIAN JOURNAL FOR SCIENCE AND ENGINEERING》：A Prediction of Cohesive Soil Material Parameters, Situated in Heraklion, Crete-Greece, with the Implementation of Machine Learning Methods
编辑推荐：
摘要
土壤的力学表征及通过实验程序预测其材料参数在土木工程中具有重要意义。然而，这些实验程序通常成本高且操作复杂，而神经网络（Artificial Neural Network, ANN）框架为小样本数据集提供了材料参数预测的计算工具。本文利用在希腊克里特
摘要
土壤的力学表征及通过实验程序预测其材料参数在土木工程中具有重要意义。然而，这些实验程序通常成本高且操作复杂，而神经网络（Artificial Neural Network, ANN）框架为小样本数据集提供了材料参数预测的计算工具。本文利用在希腊克里特岛伊拉克利翁采集的原位数据，采用前馈神经网络（Feed-Forward Neural Network, FNN）预测土壤弹性参数（如杨氏模量）、剪切强度参数（摩擦角及内聚力）以及水力流动参数（固结系数 \(C_{v}\)）。输入参数包括孔隙比 e、土壤含水率 w 以及土体骨架比重 \(\gamma _{s}\)。超参数估计及监督学习收敛分析表明，约 10 个训练周期足够，其中相对均方根误差（Relative Root Mean Square Error, RRMSE）在除无侧限抗压强度外的所有模型中低于 \(10^{-7}\)，无侧限抗压强度模型 RRMSE 低于 \(10^{-2}\)。结果显示，随 \(\gamma _{s}\) 增大，多数输出变量行为呈非严格单调，存在增减交替趋势，最大预测偏差约达 150%。在现有场地特定数据集范围内，所提模型具有解释性和稳定预测性能，并可适应未来数据更新，但仅适用于特定研究场地。由于数据量有限，模型应视为概念验证框架，而非通用计算工具。模型预测结果通过与中等硬度与强度黏性土文献值比较进行了验证。
论文解读文章
本研究背景聚焦于土木工程领域中土壤力学特性表征及材料参数预测的重要性。在工程实践中，通过现场勘探获得的应力-应变数据通常用于分析土壤行为，但实验程序如标准贯入试验（SPT）、锥形贯入试验（CPT）、交叉孔与下孔测试及实验室样品分析不仅成本高昂且操作复杂。此外，现有土壤参数估计方法多依赖单一参数或较大数据集，难以同时对弹性、剪切强度及固结行为进行统一预测，这在小样本条件下尤为明显。因此，开展本研究旨在开发一种可在有限数据情况下实现多参数预测的计算方法。研究人员提出利用前馈神经网络（FNN）对希腊克里特岛伊拉克利翁场地的黏性土进行多参数预测，包括杨氏模量、摩擦角、内聚力、固结系数 \(C_{v}\)、初始加载系数 \(C_c\) 及固结模量 \(E_s\)，从而实现材料力学特性快速预测。论文发表在《ARABIAN JOURNAL FOR SCIENCE AND ENGINEERING》。
在研究方法方面，研究人员利用原位钻探数据获得土壤样本，并通过小范围线性扰动扩增数据，形成总计 50 个训练样本。采用前馈神经网络，网络架构为一隐藏层 10 个神经元，隐藏层激活函数为 sigmoid，输出层为线性函数。通过归一化处理，将输入数据映射至 [0,1] 范围，并采用相对均方根误差（RRMSE）作为损失函数进行监督学习，训练、验证及测试数据集划分为 70%、15% 和 15%。模型鲁棒性通过 k 折交叉验证（k=5）及额外 10 个独立样本验证，确认了训练收敛性及预测稳定性。
研究结果部分：
**神经网络训练与收敛分析**：RRMSE 对于除无侧限抗压强度外的模型均低于 \(10^{-7}\)，无侧限抗压强度模型 RRMSE 低于 \(10^{-2}\)，验证了模型预测可靠性及训练收敛性，误差近似呈高斯分布，均值接近零，无系统性偏差。
**土壤参数预测结果**：
- **内聚力 c**：随 \(\gamma _s\) 增加先增后减，随含水率 w 和孔隙比 e 增加而减小，最大变化约 80%。
- **摩擦角 \(\phi\)**：随 \(\gamma _s\) 变化呈先增后减再增趋势，随 w 和 e 增加而减小，最大增幅约 75°。
- **无侧限抗压强度 \(q_u\)**：随 \(\gamma _s\) 变化呈双局部极值，随 w 和 e 增加而下降，最大增幅约 102%。
- **初始加载系数 \(C_c\)**：随 w 和 e 增加而增大，随 \(\gamma _s\) 增加先减后增，最大增幅约 105%。
- **水力固结系数 \(C_v\)**：随 w 和 e 增加而增大，随 \(\gamma _s\) 增加先减后增，最大增幅约 146%。
- **固结模量 \(E_s\)**：随 w 和 e 增加而减小，随 \(\gamma _s\) 变化呈先减后增再减趋势，最大增幅约 143%。
**讨论与结论**：神经网络预测结果与土壤力学理论（如 Mohr–Coulomb 屈服准则及孔弹性理论）保持一致，显示所提 FNN 模型能捕捉土体力学的物理关系，计算成本低，适合小样本数据的快速评估。模型局限在于依赖特定场地条件，推广至其他地质环境需更大样本或重新训练。研究表明，土壤刚度与强度通常呈正相关，在特定 \(\gamma _s\) 范围存在非线性关系。该方法可为基础设计或边坡稳定性评估提供快速、经济且可靠的初步预测，尽管不能完全替代实验室测试。未来研究可引入更多变量、比较其他机器学习方法，并结合经验公式提升预测精度和泛化能力。
