(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111478499.3 (22)申请日 2021.12.0 6 (71)申请人 南京工业大 学 地址 211816 江苏省南京市江北新区浦珠 南路30号 (72)发明人 刘昂　华宇　林文丽　张迁　 张尔康　何家兴　丁志涛　 (74)专利代理 机构 南京钟山专利代理有限公司 32252 代理人 牛婧 (51)Int.Cl. G06Q 10/04(2012.01) G06F 17/18(2006.01) G06N 3/04(2006.01) G06N 20/00(2019.01)G06N 20/10(2019.01) (54)发明名称 一种基于机器学习算法的地基承载力特征 值预测方法 (57)摘要 本发明公开了一种基于机器学习算法的地 基承载力特征值预测方法， 该方法首先基于SPSS 软件的多元回归分析功能创建了与地基承载力 特征值相关的物理力学参数的数据库； 然后基于 不同的机器学习算法分别建立了地基承载力特 征值的回归模 型， 通过比较不同机器学习算法回 归模型的决定系数R2并选择最佳的回归模型； 最 后将新的参数信息输入到最佳的机器学习算法 回归模型， 可 以快速、 准确地获取地基承载力特 征值。 与现有的地基承载力特征值获取手段(原 位测试、 理论公式计算和经验法)相比， 基于机器 学习算法的计算系统不再那么复杂， 只需通过室 内试验获取土样的基本物理力学参数， 具有广泛 的适用性。 权利要求书2页 说明书6页 附图2页 CN 114154725 A 2022.03.08 CN 114154725 A 1.一种基于机器学习算法的地基承载力特征值预测方法， 其特征在于， 具体包括以下 步骤： 步骤1： 获取某地若干地基土的物理力学参数信息组， 每组物理力学参数信息包括： 地 基承载力特征值Fa、 含水率、 比重、 湿密度、 干密度、 孔隙比、 饱和度、 液限、 塑 限、 塑性指数、 液性指数、 压缩系数、 压缩 模量、 粘聚力和内摩擦角； 步骤2： 基于SPSS软件的多元回归分析功能对地基土的每组物理力学参数信息进行相 关性分析， 将共线性统计的容差小于0.05的参数作为与地基承载力特征值相关的物理力学 参数并建立数据库； 步骤3： 基于不同的机器学习算法分别建立地基承载力特征值的回归模型， 将数据库中 的物理力学参数作为输入， 并给出每个回归模型的超参数， 以获取的地基承载力特征值Fa 作为标签， 预测的地基承载力特征值 作为输出， 训练回归模型， 直至回归模型的迭代次数 大于1万次或预测的准确率达到99.9％以上， 依据损失函数均方误差MS E分别计算训练完 毕 的地基承载力特征值回归模型的决定系数R2， 将决定系数R2最高的训练完毕的回归模型作 为最佳的地基承载力特 征值回归 模型； 步骤4： 获取该地的地基土物 理力学参数信 息， 输入到最佳的地基承载力特征值回归模 型中， 预测出 该地基土的地基承载力特 征值。 2.根据权利要求1所述基于机器学习算法的地基承载力特征值预测方法， 其特征在于， 步骤1中所述物理力学参数信息组存 储格式为CSV  UTF‑8。 3.根据权利要求1所述基于机器学习算法的地基承载力特征值预测方法， 其特征在于， 步骤2中与地基承载力特征值相关的物理力学参数为： 含水率、 湿密度、 干密度、 孔隙比、 液 限、 粘聚力和内摩擦角。 4.根据权利要求1所述基于机器学习算法的地基承载力特征值预测方法， 其特征在于， 步骤3中所述机器学习算法包括： 指数多项式回归算法、 支持向量机算法、 随机森林算法和 前馈神经网络算法。 5.根据权利要求4所述基于机器学习算法的地基承载力特征值预测方法， 其特征在于， 所述指数多项式回归算法的超参数为转换项的数量， 指数多项式回归算法用于预测地基承 载力特征值 的过程为： 其中， XT表示与地基承载力特征值相关的物 理力学参数组合成新的变换变量， E表示指 数矩阵， c表示与地基承载力特 征值相关的物理力学参数的数量。 6.根据权利要求4所述基于机器学习算法的地基承载力特征值预测方法， 其特征在于， 所述支持向量机算法的超参数为核系 数C值和正则化参数γ值， 支持向量机算法用于预测 地基承载力特 征值 的过程为： 其中， ω表示与地基承载力特征值相关的物 理力学参数的权向量， x表示相关的物 理力 学参数， b表示偏置量。 7.根据权利要求4所述基于机器学习算法的地基承载力特征值预测方法， 其特征在于，权　利　要　求　书 1/2 页 2 CN 114154725 A 2所述随机森林算法的超参数为决策树的数量和特征数的数量， 随机森林算法用于预测地基 承载力特 征值 的过程为： 其中， xi为地基承载力特征值相关的物理力学参数， D1、 D2分别为随机森林算法随机选 择的两组与地基承 载力特征值相关的物理力学参数的数据集， c1为D1的样本输出均值， c2为 D2的样本输出均值。 8.根据权利要求4所述基于机器学习算法的地基承载力特征值预测方法， 其特征在于， 所述前馈神经网络算法的超参数为隐藏层的层数和隐藏神经元的个数， 前馈神经网络算法 用于预测地基承载力特 征值 的过程为： 其中， l为总层数； Nl为第l层节点 数； 为第l‑1层第j个节点到第l层第i个节点的连接 权值； 为第l层第j个节点的输出值； 为第l层第i个节点的阈值。 9.根据权利要求1所述基于机器学习算法的地基承载力特征值预测方法， 其特征在于， 所述损失函数均方误差 MSE的函数表达式为： 其中， n表示 地基承载力特 征值回归 模型输入的物理力学参数的组数， i 为n的索引。 10.根据权利要求1所述的地基承 载力特征值预测方法， 其特征在于， 所述决定系数 R2的 函数表达式为： 其中， RSS为回归平方和， 表示机器学习算法中预测的地基承载力特征值 的差异程度， TSS为总离差平方和， 表示机器学习算法中地基承载力特 征值Fa的差异程度。权　利　要　求　书 2/2 页 3 CN 114154725 A 3