基于人工神经网络的群智能算法预测膨胀土膨胀压力和无侧限抗压强度
ANN-based swarm intelligence for predicting expansive soil swell pressure and compression strength
摘要整理
本研究提出了一种鲁棒的人工神经网络（ANN）集成方法，用于预测膨胀土的膨胀压力和无侧限抗压强度（Ps-UCS-ES）。部署了四种新型ANN元启发式模型，分别为ANN-PSO（粒子群优化）、ANN-GWO（灰狼优化）、ANN-SMA（黏菌算法）和ANN-MPA（海洋捕食者算法），用于评估膨胀土的Ps-UCS-ES。模型采用影响Ps-UCS-ES的九个最关键参数进行训练，这些参数从145篇已发表文献中收集汇总。通过平均绝对误差（MAE）、Nash-Sutcliffe效率系数（NS）、性能指数ρ、决定系数（R²）、均方根误差（RMSE）、RMSE与实测值标准差比值（RSR）、方差解释率（VAF）、Willmott一致性指数（WI）和加权平均绝对百分比误差（WMAPE）等九项评价指标，对所有模型进行了效能评估。膨胀压力模型在整体数据集上的R值均显著大于0.8，其中ANN-MPA模型在训练集（TrD）、测试集（TsD）和验证集（VdD）上表现最优，MAE分别为5.63%、5.68%和5.48%。无侧限抗压强度模型在训练集上R值超过0.9，但在测试集和验证集上出现下降，ANN-MPA模型相比PSO、GWO和SMA分别获得更高的R值（0.89、0.93、0.94）和更低的MAE值（5.11%、5.67%、3.61%）。UCS模型存在过拟合问题，元启发式算法在测试集上的R值分别为0.62、0.56和0.58。所有ANN模型均通过a-20指标验证，最大误差点均在±20%范围内。敏感性和单调性分析结果与现有文献相符。研究表明，新型群智能ANN模型，特别是ANN-MPA，能够有效解决膨胀土Ps-UCS-ES预测中ANN超参数调优的复杂性问题，可在地环境工程实际应用中推广。