概要:岩土材料的复杂和不确定性致使传统理论在模拟和预测岩土工程问题经常显得无能为力. 近年来,随着人工智能和大数据技术的快速发展,人工智能技术在岩土工程领域有了广泛应用,例如岩土参数的优化智能识别和预测、边坡变形的长期预测、基坑开挖过程变形的实时监测和预测以及盾构隧道的变形和盾构机刀盘参数的预测和更新等. 为此,本专辑收集了在该研究领域具有代表性的研究成果,介绍了人工智能技术在岩土工程领域的进展和未来发展潜力,希望能帮助读者快速了解人工智能技术在岩土工程中的应用,以及推动岩土工程的智能化发展,为实现岩土工程智能化提供科学依据和技术支撑.

关键词组：人工智能; 岩土工程; 大数据

目的:边坡位移预测是实现滑坡灾害预报的有效手段,对降低滑坡灾害导致的损失具有重要意义. 本文针对三峡库区广泛分布的"阶跃型"滑坡,采用三种不同的机器学习算法:长短期记忆(LSTM)神经网络、随机森林(RF)算法和门控递归单元(GRU),预测三个不同的三峡库区边坡位移,并对比三种算法的预测精度,从而选择适用于边坡位移预测的机器学习算法.
创新点:1. 建立了基于时间序列分解和机器学习算法的动态预测模型,并能够准确预测边坡位移. 2. 对比了不同的机器学习算法预测边坡周期项位移的精度.
方法:1. 基于时间序列分解原理,将边坡累积位移分解为趋势项位移和周期项位移. 2. 利用多项式拟合对边坡趋势项位移进行预测. 3. 基于位移影响因素采用三种机器学习模型(LSTM、GRU和RF)预测边坡周期项位移.
结论:1. 本文提出的基于时间序列分解和机器学习算法的动态预测模型可以准确预测三峡库区"阶跃型"边坡位移. 2. LSTM和GRU算法可以充分利用滑坡历史信息,精确预测边坡位移的周期项.

关键词组：滑坡; 位移; 机器学习; 三峡库区

目的:土体压缩模量是影响岩土体结构变形的重要参数之一. 本文旨在通过机器学习的方法实现对压缩模量的预测,并通过构建一个机器学习模型,得到塑限、液限、塑性指数、液性指数、比贯入阻力以及埋深这6个输入参数与压缩模量预测值之间的关系.
创新点:1. 构建一个机器学习算法框架以实现对土体压缩模量的预测; 2. 此框架包括梯度提升回归树(GBRT)和遗传算法(GA),并采用GA对GBRT超参数进行获取.
方法:1. 通过收集整理工程报告获取本次预测的数据集(样本211个); 输入参数有6个,分别为塑限、液限、塑性指数、液性指数、比贯入阻力以及埋深; 输出参数为压缩模量. 2. 采用GBRT算法识别输入变量与目标响应之间的非线性规律,并采用GA调整GBRT模型的超参数. 3. 模型训练完成后,对压缩模量进行预测. 4. 将测试集上的预测结果和传统方法进行对比分析并应用到一维基础沉降中.
结论:1. 本文提出的GA-GBRT模型可以较好地实现对土体压缩模量的预测; GA可以对GBRT算法的超参数进行有效标定. 2. 训练后的GA-GBRT模型在训练集和测试集上都表现良好; 在训练集和测试集上的相关系数R值分别为0.82和0.91,说明模型可以对压缩模量进行准确预测. 3. 对输入变量相对重要性的研究发现,液性指标是本研究中最重要的变量,其重要性得分为0.313(总数为1); 其他指标的重要性排序依次为:液限、塑限、塑性指数、比贯入阻力和埋深. 4. 对于地基沉降的预测,本文提出的模型在相关系数R值和Mann-Whitney检验结果上均优于经验公式. 5. 本文提出的GA-GBRT模型可以更经济、更快速地预测土壤压缩模量.

关键词组：压缩模量预测; 机器学习; 梯度提升回归算法; 遗传算法(GA); 基础沉降

目的:研究机器学习技术在利用孔压静力触探测试(CPTu)识别高灵敏度黏土和快黏土的潜力.
创新点:1. 成功应用机器学习方法从CPTu结果中分类出高灵敏度黏土和快黏土,并将结果与不同地点的实际土层进行了比较. 2. 通过对机器学习算法的多次训练确定了可以获得良好结果的最少CPTu个数.
方法:1. 基于对两个位置已知和土层确定的CPTu数据集的分析,使用3种机器学习图像分类方法(逻辑回归、朴素贝叶斯和隐藏马尔科夫模型)将CPTu数据用于样本分类. 2. 将结果与实际土层进行比较,识别高灵敏度黏土和快黏土,并从计算性能度量方面比较3个方法的优缺点.
结论:仅采用4个CPTu训练样本便可获得基于逻辑回归、朴素贝叶斯和隐藏马尔科夫模型的识别高灵敏度黏土和快黏土的3个分类模型,且分类精度良好.

关键词组：机器学习; 分类; 快黏土; 高灵敏度黏土

目的:在绿色岩土工程中,浅层土体特性通常受到当地气候和覆盖植被的影响. 本文旨在探讨自然环境条件下不同植物和大气因素(与树的距离、空气湿度和距离地表的深度等)与土体基质吸力的关系,通过一种机器学习方法建立简化的统计模型,并对浅层根系土体中基质吸力的时空变化进行估算和预测.
创新点:1. 通过一种机器学习方法(即遗传编程算法)建立土体基质吸力和五个选定的影响因素之间的关系; 2. 根据建立的统计模型,有效地预测了根系土体内基质吸力的时空变化.
方法:1. 通过现场监测实验(图3和4),量化土体基质吸力和不同影响参数随时间的变化(图5和6); 2. 通过机器学习算法,构建土体基质吸力的时空变化与五个选定的影响参数之间的关系,得到一个简化的统计模型(公式(11)); 3. 通过误差分析,验证该简化统计模型在估算和预测土体基质吸力时空变化时的可靠性; 4. 通过敏感性分析研究不同参数对土体基质吸力时空变化的影响(图9); 5. 通过案例研究,验证利用该方法对根系土体基质吸力时空变化进行预测的可行性(图11和12).
结论:1. 遗传编程算法可以有效地建立土体基质吸力和不同影响参数之间的关系,并能给出相应的数学公式以对土体基质吸力的时空变化进行可靠的估算和预测; 2. 基于方差的全局敏感性分析方法发现干循环时间和初始基质吸力对土体基质吸力的时空变化有重要影响,而且其他的植物和大气相关参数对土体基质吸力的时空变化也有不可忽视的影响; 3. 案例研究结果表明,本文所提方法可用于预测土体基质吸力的时空变化.

关键词组：遗传编程; 简化的统计模型; 时空变化; 土体基质吸力

目的:由于现场勘察和室内土工试验数据的不足,因此土体空间变异性难以估计. 通过间接方法如反演分析方法进行估算是一个有效的途径,而土体参 数空间变异性概率反演估计的准确性受变异特性自身影响. 本文旨在通过算例研究和模型试验验证,明确影响土体空间变异性反演准确性的关键因素,以期为岩土勘察测试工程实践提供 参考.
创新点:1. 通过土坡空间变异性反演分析,揭示数据类型、变异系数、相关长度和协方差函数类型等对反演的影响; 2. 室内分层土模型试验验证表明,概率反演分析方法可有效地识别土体层厚和内摩擦角变异性.
方法:1. 通过边坡数值算例,研究位移监测数据类型、土体相关长度、弹性模量变异系数以及协方差函数对弹性模量空间变异性的位移反分析的影响(图5、6、9、11和12). 2. 开展室内模型试验,利用粒子图像测试技术获取位移监测数据,对分层土体内摩擦角的变异性进行识别,并研究软弱夹层位置与厚度对反分析的影响(图14).
结论:1. 水平位移比竖直位移更适合用于位移反分析. 2. 反分析精度在可接受范围内,且对于高变异性的情况(COV_E=1.5),误差不超过10%; 此外,反分析精度还受协方差函数类型和相关长度的影响. 3. 反分析可识别出模型试验的土体分层,并且对内摩擦角的估计误差小于10%.

关键词组：土体空间变异性; 概率估计; 位移; 相关长度; 模型试验

目的:基于极限平衡理论和诸多简化原则的经验公式方法难以适用于复杂的复垦地层中灌注桩的侧摩阻力计算. 本文旨在探讨复垦地层中灌注桩在静力加载条件下的侧摩阻力发展规律和特性,并应用深度学习方法,以提高灌注桩侧摩阻力的预测精度.
创新点:1. 设计现场试验,研究近海复垦地层中灌注桩的承载能力特性; 2. 建立深度学习预测模型,高精度预测工作荷载下灌注桩的轴力和侧摩阻力.
方法:1. 通过实验分析,探明复垦地层中不同土层与桩体的相互作用和桩体侧摩阻力的发展规律; 2. 通过理论计算,指出经验方法在复垦地层灌注桩承载力计算中的缺陷和不足; 3. 通过序列化的人工智能方法建模,利用土体物理力学参数和桩身试验实测数据,对比验证深度学习方法的精度和计算效率.
结论:1. 灌注桩适用于复垦地层,能够为基础设施提供足够的承载力; 2. 经验方法对灌注桩中部桩体的极限侧摩阻力估计良好,而对地层条件较差的桩身两端的估计则存在较大偏差; 3. 深度学习方法能够综合考虑地层和桩体的相互作用,并且能精确预测在不同工作荷载和极限荷载下的侧摩阻力和桩身轴力,因而适用性更广.

关键词组：深度学习方法; 灌注桩; 侧摩阻力; 现场试验; 复垦地层