考虑土壤空间变异性的地铁站抗震稳定性预测：一种堆叠集成机器学习方法

《TUNNELLING AND UNDERGROUND SPACE TECHNOLOGY》：Seismic stability prediction of metro stations considering soil spatial variability: A stacked ensemble machine learning approach

　　

宾然|叶一佩|杨晨|柯成|郝黄

摘要

土壤剪切波速度的空间变异性显著影响地铁站的地震响应，然而传统的三维（3D）数值模拟由于计算成本高和边界效应问题，通常不适用于概率评估。本研究提出了一种高效的地震稳定性预测框架，该框架将二维（2D）随机场建模与改进的堆叠集成机器学习方法相结合。首先开发了一个粘弹性-远场耦合数值模型，生成了500个具有平衡准确性和效率的训练样本。然后构建了一个由极端梯度提升（XGBoost）、分类提升（CatBoost）和随机森林（RF）基础学习器组成的双层异构集成模型，并通过贝叶斯优化和线性回归元模型进行优化，以减少信息泄露和过拟合。所提出的模型在测试数据集上的决定系数（R²）为0.951，与最佳单一模型相比，均方根误差（RMSE）降低了18.6%。基于Shapley加性解释（SHAP）的可解释性分析表明，隧道埋深以及剪切波速度的均值和变异系数（COV）是关键控制因素，揭示了在140.74 m/s和275.34 m/s处的非线性阈值效应。基于蒙特卡洛的概率评估（20,000次模拟）表明，具有高变异性和短相关长度的情景表现出超过0.05的响应变异系数以及明显的右偏分布。对于所研究的场地条件和测试的参数范围，所提出的替代模型将单次动态分析的计算时间从大约3.5小时缩短到了2.4毫秒，为具有相似几何和岩土特性的地铁站提供了计算效率高且可解释的概率地震评估工具。