1. 引言 (Introduction)
- 背景：讨论了桩基施工过程中引起的地面振动问题，强调了预测这些振动的重要性，以减少或防止施工过程中对附近建筑物的损害。桩基施工的振动预测复杂，受多种因素影响，因此需要更准确的预测模型。
- 研究目的：研究旨在整合机器学习技术，特别是极端梯度提升（XGBoost）和人工神经网络（ANNs），用于实时预测桩基施工引起的振动。文章通过建立有效的机器学习模型，旨在提高振动预测的准确性和效率。
2. 方法 (Methodology)
- 学习数据库的开发：使用由先前验证的数值模型生成的学习数据库，模型包括桩-土系统的轴对称有限元模型和动态锤设备的模拟。研究中采用了完美匹配层（PML）来处理边界效应，以避免波的反射。
- 特征选择：分析了多个影响振动的参数，包括剪切波速、阻尼因子、土壤几何特征、锤落高度等。通过参数研究，确定了对振动影响显著的参数，并排除了对最终振动响应影响较小的参数，以简化模型。
3. 模型开发 (Model Development)
- 机器学习模型的训练：使用MATLAB和Python分别对ANNs和XGBoost算法进行训练。通过超参数调优来优化模型性能，使用均方根误差（RMSE）和决定系数（R²）评估模型的表现。
- 模型架构：ANNs模型采用了多层结构，经过多次迭代确定了节点数和层数，以避免过拟合。XGBoost则通过自调节的方式优化参数。
4. 结果与讨论 （Results and Discussion)
- 模型性能比较：对比了ANNs和XGBoost在预测桩基施工引起的振动方面的表现。XGBoost在处理复杂现象方面表现更优，能够更准确地预测非线性区域的振动。
- 实验验证：通过实际施工数据验证了模型的有效性，结果显示XGBoost模型与实验数据的吻合度较高，而ANNs模型在近源区域的预测存在过度估计的情况。
- 影响因素分析：讨论了不同参数对振动预测的影响，强调了模型在不同土壤条件下的适用性和局限性。
5. 结论 (Conclusions)
- 研究发现：本研究成功整合了机器学习技术，提供了对桩基施工引起的地面振动的有效预测工具。XGBoost模型在预测准确性和实时性方面优于ANNs模型。
- 模型应用：研究结果为实际桩基施工提供了理论支持，强调了机器学习在地面振动预测中的潜力，尤其是在复杂的地质条件下。
- 未来工作：建议未来的研究可以进一步探索其他机器学习算法的应用，并考虑更多的环境变量，以提高模型的泛化能力和适用性。
文章通过整合机器学习技术，提供了对桩基施工引起的地面振动的深入理解，为相关领域的研究和实践提供了重要的参考。
参考文献
Abouelmaty, A. M., Colaço, A., Fares, A. A., Ramos, A., & Costa, P. A. (2024). Integrating machine learning techniques for predicting ground vibration in pile driving activities. Computers and Geotechnics, 176, 106784.
