TPE-Optimized Neural Network Framework for Predicting Settlement of Nodular Pile Foundations

Dieses Kapitel untersucht die Anwendung eines hybriden Frameworks für maschinelles Lernen, das künstliche neuronale Netzwerke (ANN) mit dem Tree-Structured Parzen Estimator (TPE) kombiniert, um die Ansiedlung von Sphäroguss-Pfählen unter statischen Belastungsbedingungen vorherzusagen. Die Studie beginnt mit einer deskriptiven Analyse von Input- und Output-Variablen, einschließlich Pfahlgeometrie, angewandter Belastung und Bodenwiderstand, gemessen aus dem Standard Penetration Test (SPT). Die Methodik beinhaltet die bayesche Optimierung der ANN-Architektur mittels TPE, die nachweislich andere maschinelle Lernmodelle wie Random Forest, XGBoost, CatBoost und LightBoost übertrifft. Die Evaluierung des TPE-ANN-Modells zeigt eine hohe Vorhersagegenauigkeit und ein konsistentes Restverhalten über Datensplits hinweg. Die Ergebnisse deuten darauf hin, dass das TPE-ANN-Modell einen Test R ² von 0,939 und einen RMSE von 3,093 mm erreicht, was seine starke Vorhersagefähigkeit bestätigt. Das Kapitel schließt mit der Hervorhebung der Zuverlässigkeit und Robustheit des ANN-TPE-Modells bei der Vorhersage der Pfahlbildung, wodurch fundiertere Planungsentscheidungen für Sphärogulenpfähle unter verschiedenen Belastungs- und Bodenbedingungen unterstützt werden.