原文链接：https://www.mdpi.com/2673-7094/6/2/50

论文标题：Data-Driven Evaluation of Bearing Capacity for In-Service Pile Foundations Using Dynamic Stiffness and Machine Learning

期刊名：Geotechnics

期刊主页：https://www.mdpi.com/journal/geotechnics

研究背景

桩基础作为桥梁、高层建筑与港口工程等重大基础设施的核心承载单元，其服役性能直接关系到结构安全与运营可靠性。伴随全球交通基础设施的大规模老化，尤其在重载铁路与高荷载公路条件下，服役期桩基长期受动力荷载与地质环境影响而出现承载能力衰减，使在役桩基的快速评估成为保障桥梁安全运营的关键。然而，传统承载力评价方法严重依赖静载试验（SLT）与高应变测试（HSDPT），前者成本高、场地要求严格且具有破坏性，难以在运营桥梁上实施；后者虽提高效率，但易对桩身造成冲击损伤，信号处理高度依赖经验且与 SLT 偏差可达 ±20%，并在桩帽与上部结构整体约束条件下难以应用。因此，非破坏性的动力方法成为替代性选择，其中瞬态响应法（TRM）得到的动态刚度指标 Kd 理论上可反映桩–土体系的静承载特性，并已获多项研究验证其潜力。然而，动态刚度法在工程化应用中仍受到两大瓶颈制约：其一，测得的 Kd 易受激振能量、传感器耦合与频带选择等人为因素影响；其二，动—静转换系数 η 受土层条件、桩型尺寸与桩–土非线性交互影响显著，传统做法依赖区域经验确定 η，使结果不确定性较大。与此同时，机器学习（ML）在岩土工程中的应用快速发展，众多研究已证实利用 ANN、SVM、XGBoost 等算法可高精度预测 CPT/SPT 驱动的桩承载力，但这些方法均依赖破坏性或钻孔勘察数据，难以直接用于缺乏原位数据的在役桥梁中。相比之下，结构健康监测领域的数据驱动方法（如 SVM+小波、时–频特征诊断、基于动态刚度识别下部结构损伤等）展示了直接从非破坏性动力特征构建工程判别模型的可行性。基于此，Geotechnics发表的这篇文章提出了一种结合动态刚度指标与机器学习的在役桩基承载力判定方法，不再追求精确求解高度复杂且不确定的 η，而是利用非破坏性动态刚度及桩几何与荷载信息构建从特征集 X 到工程决策 Y（是否满足承载力要求）的统计映射，旨在绕开传统方法的不确定环节，挖掘 Kd 与承载性能之间更深层的统计关联，为在役桥梁桩基的快速筛查与状态评估提供一种高效、可靠的数据驱动路径。

研究内容

本研究基于瞬态响应法（TRM）构建服役桥桩的非破坏性动态刚度测试体系，并结合现场实测数据与机器学习方法建立承载力达标性判别模型。动态刚度 Kd 源于桩–土体系在低频（<50 Hz）范围的线弹性响应，能够反映小应变条件下体系的整体刚度，对桩基承载性能具有理论相关性。鉴于摩擦桩与端承桩的受力模式差异，以及桩体缺陷对系统刚度的削弱效应，本研究将桩型与结构条件显式纳入模型特征中，以确保模型能够区分不同桩土力学行为。为获取可靠的动力信号，本研究采用自动落锤激振系统提供低频冲击，速度传感器布置于承台顶面捕获体系响应，力传感器同步记录冲击力。速度信号经指数衰减窗处理后进行频域转换，再依据低频段速度–力比的线性区间提取 10–30 Hz 平均动态刚度作为竖向动力指标，避开高频局部影响并与激振系统特性保持一致。

图1. 三种桥墩截面类型（单位：mm）。A 型： (a) 示意图，(b) 实物照片；B 型： (c) 示意图，(d) 实物照片；C 型： (e) 示意图，(f) 实物照片。

研究所用数据来自某高速公路沿线特大型桥群的 680 根服役桩基检测工程。由于桥梁服役已久，部分桩基存在不同程度的缺陷与劣化，因此数据集中包含大量不达标样本，具有代表性与工程价值，可为机器学习模型的构建与验证提供真实、丰富的判别样本。对于每根桩，完整记录了桩径、桩长、设计荷载、测试所得动态刚度 Kd、墩柱截面类型（A/B/C 三类）以及桩的受力模式（摩擦桩/嵌岩桩）等关键特征；同时也记录了基于现行规范的承载力计算值，作为验证参考但不作为模型输入特征。传统承载力估算方法高度依赖经验系数，受地质条件、桩型与施工质量影响显著，易产生较大不确定性。而 TRM 所得到的动态刚度能够有效反映桥梁下部结构的真实竖向刚度状况，具备更直观的物理基础。基于此，本研究通过构建从特征集 X 到工程决策 Y（承载力是否达标）的统计映射，绕开传统方法对经验转换系数的依赖，探索动态刚度与承载性能之间的深层耦合关系，并为服役桥桩的快速、无损筛查提供数据驱动的新路径。

研究总结

图2. 基于 GBDT 的特征重要性排序

基于 680 根在役桥梁桩基的现场测试数据，本研究将动态刚度指标、桩基几何参数与设计荷载特征统一纳入机器学习框架，构建了用于快速判别桩基承载力达标性的模型，并系统评估不同算法表现及特征重要性。研究表明，将传统的四级承载力评价转化为直接服务工程判别的二分类任务，是实现高可靠性预测的关键步骤，这一转化有效规避了传统方法中动态—静态换算系数 η 的不确定性，使端到端建模成为可能；特征贡献度分析进一步揭示动态刚度是影响承载力判别的主导因素，其权重远高于桩长、桩型等静态几何信息，从数据驱动角度印证了动态刚度与承载性能之间的物理关联：较低的动态刚度对应桩–土体系的整体刚度不足，直接反映潜在的承载安全隐患。本研究的判别模型仅提供当前承载能力的瞬时评估；对于因季节变化（如高寒区冻融循环）或极端事件（如洪水）导致的承载力衰减趋势，未来可结合动态刚度长期监测与 LSTM 等时序深度模型实现趋势预测。本研究所建立的框架为此类扩展奠定了数据与方法基础。工程应用结果显示，三种二分类模型在测试集上的准确率均超过 95%，其中 GBDT 最优（准确率 96.3%，F1 值 0.96），漏判率最低，完全满足在役桥梁桩基快速无损筛查的精度需求，展现出在公路与铁路养护监测体系中规模化应用的潜力。

Geotechnics 期刊介绍

Geotechnics（ISSN 2673-7094）是一本国际性、跨学科、同行评审开放获取期刊。创刊于2021年，作者群体覆盖全球多个国家和地区，编委会由来自13个国家的43位资深学者组成，负责把控所发表文章的质量以及期刊的整体发展方向。目前，Geotechnics期刊已被Scopus、ESCI（Web of Science）、DOAJ等数据库收录，并持续提升其学术影响力。

期刊旨在发表与地学信息领域各方面相关的最新研究成果与综述论文，主题包括且不限于：

地基与土–结构相互作用；土体性质、改良与修复；土力学与岩石力学；地震工程；岩土材料的力学、物理、水力和热学性质；滑坡与边坡稳定；地质灾害；地下结构；岩土工程中的数值模拟与数据分析；环境岩土工程；水文地质；废弃物与废弃物管理

主编：

Prof. Dr. George Mylonakis

University of Bristol, UK and Khalifa University, UAE

2025 Impact Factor：2.6

2025 CiteScore：3.8

Time to First Decision：20.6 Days

Acceptance to Publication：4.8 Days