Settlement Prediction of Nodular Piles: A Machine Learning Perspective

Dieses Kapitel vertieft die Herausforderungen bei der Vorhersage der Spaltpfahlbildung unter statischen Lasten und beleuchtet die Grenzen traditioneller Methoden. Es stellt ein Hybridmodell vor, das künstliche neuronale Netzwerke (ANNs) mit dem CMA-ES-Optimierungsalgorithmus kombiniert und mit einem R ² von 0,954 und einem RMSE von 2,661 mm überlegene Leistung zeigt. Die Studie analysiert verschiedene Eingabeparameter, einschließlich geometrischer, geotechnischer und Belastungsfaktoren, und identifiziert die einflussreichsten Variablen anhand von SHAP-Werten. Die Ergebnisse zeigen, dass die angewandte Last, der zylindrische Durchmesser und die Bodensteifigkeit entlang des zylindrischen Teils den größten Einfluss auf die Siedlungsprognose haben. Das Kapitel schließt mit der Diskussion des Potenzials für zukünftige Forschung, einschließlich dynamischer Belastungsbedingungen und der Quantifizierung von Unsicherheiten, was es zu einer wertvollen Ressource für Fachleute macht, die ihr Verständnis des Pfahlverhaltens und der Konstruktionsprozesse verbessern wollen.