本文是一篇土木工程论文，本文构建的ISSA-RF沉降预测模型预测结果相较于指数曲线法和Asaoka法有较大的提升，但由于数据库中包含卸载阶段的工程占比不足50%，导致沉降预测结果较双曲线法较低，后续可以在现有沉降预测数据库的基础上扩充包含卸载阶段的沉降数据库，以提高模型预测精度。
第1章 绪论
1.1 研究背景
随着经济建设的快速发展，世界各国之间的联系日益紧密，沿海城市经济凭借其优越的地理位置迅速发展，但也引发了沿海城市土地资源紧张的问题，通过吹填法填海造陆是目前解决这一问题的有效手段。吹填法是以滨海海岸沉积淤泥为原材料，通过水力疏浚的方式进行填海造陆的一种方式，由于原材料取用方便，而且可以减少疏浚淤泥的外抛量，降低工程造价，目前在填海造陆工程中应用广泛。但由于海岸沉积淤泥，具有含水量高、渗透性差、孔隙比大的特点，难以满足工程建设需求，因此需要对吹填软基进行加固处理，以提高其承载能力。
软基加固处理方法以复合地基法、注浆加固法和预压法为主[1]。复合地基法需要大量水泥、碎石等材料，造价高且对管理要求较高；注浆加固法由于造价较高且施工工艺复杂，一般用于加固常规方法难以处理的特殊工程，均不适用于吹填软基工程。而预压法是在建筑物开始建设之前，通过对软土地基施加一定量的预压荷载，让软土地基在预压荷载作用下，排出内部孔隙水，逐渐发生固结变形，减少其后续沉降，进而提高承载能力。预压法又被称作排水固结法，由排水系统和加压系统组成，根据加压系统的不同将分为堆载预压法[2]、真空预压法[3,4]和真空联合堆载预压法[5~7]。
通过预压法加固处理的吹填软基在其沉降稳定后需要卸载以推进后续施工，因此进行沉降预测，根据沉降预测结果确定合适的卸载时机是预压法处理软基过程中必不可少的一步。目前常见的软基沉降预测方法主要分为以经验公式为基础的曲线拟合法和数值模拟预测两种。但由于曲线拟合法对现场实测数据的要求较高，数值模拟法中本构模型和土体参数的选取存在不确定性，导致预测沉降值和实测沉降值存在偏差。
.........................
1.2 国内外研究现状
1.2.1 传统沉降预测研究现状
常用沉降预测方法是根据实测沉降发展趋势，选用符合沉降发展趋势的曲线对沉降进行拟合，进而达到沉降预测的目的。学者们基于土体固结理论提出了沉降曲线拟合方法，曾国熙[10]在砂井地基沉陷分析中基于Terzaghi一维固结理论提出孔隙水压力随时间变化呈指数曲线形式，进而推出线弹性土体的沉降变化趋势也符合指数曲线形式，这是最早的沉降指数曲线拟合方法。日本学者Asaoka[11]基于Mikasa一维体应变固结方程提出了Asaoka沉降预测法。
Sridharan等[12]提出，当固结度处于60%~90%的范围时，固结度和时间之间存在双曲线关系，随后Thiaxn-Soon等[13]基于此，并结合Terzaghi一维固结理论提出双曲线沉降预测方法，并将其应用于软粘土的大变形固结与沉降分析中，通过收集现场实测沉降数据来预测最终沉降。
但是曲线拟合法在沉降中的应用具有一定的局限性，只有当实测沉降趋势接近于待拟合曲线发展趋势时，预测沉降才会接近于实测沉降。潘林有等[14]比较指数曲线法、双曲线法和Asaoka法的基本原理和特点，提出根据实测沉降曲线的形状决定拟合曲线的选取，从而进行沉降预测。
...................
第2章 软基沉降监测与传统沉降预测
2.1 工程概况
某燃煤电站工程[61]所在地为热带海洋性季风气候，温热多雨，位于河流入海口形成的冲积平原，场地内分布有多条小型河流，原始地貌以水稻田、水系和零星民居为主。原始地面高程为1.28~1.46 m，场地南北长约1.8 km，东西宽约2.2 km，可利用面积约为370.7公顷。
2.1.1 工程地质条件
工程勘查揭露地层以第四系填土和第四系全新统冲积层为主，岩性分别为吹填土、粉质粘土、粉砂、粉土、粉细砂等，各土层物理力学参数信息如表2.1所示。
土木工程论文怎么写
...................................
2.2 传统沉降预测方法原理
在软基处理工程中，沉降预测的目的有两个，其一是预测全过程沉降，判断地基沉降发展趋势，避免发生工后差异性沉降，引发安全事故。其二是根据沉降预测结果选取合理的卸载时机。避免因堆载预压时间过短导致软基固结变形不充分，堆载预压时间过长导致工程造价增加。因此需要进行沉降预测，选取合理的卸载时机，传统的沉降预测方法有指数曲线法、双曲线法及Asaoka法等，原理分别如下所示。
2.2.1 指数曲线法
指数曲线法[8]是通过拟合实测沉降数据，进而进行沉降预测的一种方法，当实测沉降曲线呈现指数函数发展形势时，沉降预测结果和实测接近。在预测过程中，一般按照等时间间隔在沉降曲线上取3个点，第1点一般选取在载荷完成后，第3个点一般选取在沉降稳定后，第2点和第1点、第3点的时间间隔相同。
2.2.3 双曲线法
双曲线法[12]是假定沉降速率以双曲线形式变化的一种沉降预测方法，通过对沉降和时间变化方程求解，得到沉降变化曲线的斜率和截距，再根据加载完成后的初始沉降量预测后续沉降发展。
.................................
第3章 多特征沉降数据库建立及基础机器学习模型预测 ................ 25
3.1 搭建数据库 .................................. 25
3.1.1 数据来源 ..................................... 25
3.1.2 数据统计分析 ............................... 27
第4章 改进麻雀搜索算法 ......................... 43
4.1 传统智能优化算法 .................................... 43
4.1.1 粒子群优化算法 ............................. 43
4.1.2 蝴蝶优化算法 ..................................... 44
第5章 基于ISSA优化的软基沉降预测模型 ........................ 56
5.1 基于ISSA优化的软基沉降预测模型 ............................ 56
5.1.1 构建 ISSA-RF 模型 ........................... 56
5.1.2 构建 ISSA-SVM 模型 .............................. 58
第5章 基于ISSA优化的软基沉降预测模型
5.1 基于ISSA优化的软基沉降预测模型
5.1.1 构建ISSA-RF模型
土木工程论文参考
构建ISSA-RF预测模型的具体步骤如下所示：
（1）确定模型初始参数。RF模型中涉及多个超参数，本节选取对模型性能影响较大的n-estimators和max-depth作为待寻优参数，设定n-estimators的寻优区间为[1,200]，max-depth的寻优区间为[1,20]，设定麻雀种群规模为50，最大迭代数为300，维度为2，发现者比例为20%。
（2）初始化RF模型超参数种群。通过Logistic-tent混沌映射生成分布更均匀的初始化种群，对麻雀个体适应度进行计算，记 最优、次优和最差适应度个体的位置：Xb、Xt和Xw，以及对应的适应度值fb、ft和fw。
（3）更新麻雀位置。更新发现者、追随者以及预警者麻雀位置，并计算适应度值，若当前麻雀位置的最优适应度值优于最佳位置的适应度值，则用当前位置麻雀代替最佳位置麻雀，否则不发生变化。
（4）使用Levy飞行对种群进行扰动变异。计算惯性权重因子，根据轮盘概率随机选择麻雀进行扰动，比较扰动后麻雀适应度值和扰动前种群最优适应度值之间的关系，如果扰动后个体更优，则用Levy变异后的麻雀代替变异种群最优位置处麻雀，否则保持不变。
（5）判断算法是否终止。如果算法达到最大迭代次数或适应度值达到设定最优适应度值，则停止计算，输出全局最优解，将寻优得到的超参数传回RF预测模型，否则转至第（3）步重新计算直至满足停止条件。
..................................
第6章 结论和展望
6.1 结论
传统沉降预测方法虽然在公路软基沉降预测中应用广泛，但由于大面积超载预压工程沉降发展趋势的特殊性，导致指数曲线法等传统沉降预测方法在堆载预压软基沉降预测方面的适用性降低，而有限元模拟软件中常用的本构模型并不完全适用于吹填软土地基，而且由于土体扰动的原因，原状土体参数和试验所得参数存在差异，会导致数值模拟预测沉降和实测沉降存在较大的差距。
随着人工智能的发展，机器学习在盾构隧道沉降预测方面已经有了大量的研究，因此，本文基于大量软基处理工程，建立了一个软基沉降预测数据库，根据机器学习模型对数据库进行训练和学习。但由于根据经验取值的超参数并不适用于每一种数据库，导致模型泛化能力较差，因此引入改进麻雀搜索算法对机器学习模型进行寻优，并从中选取在数据库中表现最好的基于改进麻雀搜索算法优化的随机森林模型ISSA-RF作为沉降预测模型预测沉降，全文主要结论如下：
（1）传统沉降预测方法的预测性能较差。由于工程实测沉降发展趋势不接近于指数曲线，指数曲线法对本章大面积超载预压工程的适用性很低；Asaoka法只能预测最大沉降，无法进行全过程沉降预测和选取卸载时间；双曲线法全程沉降预测结果精度较高，但只能在堆载完成之后进行预测，无法进行全过程沉降预测。
（2）构建沉降预测数据库。数据库共包含105个沉降测点，893组沉降数据，对数据库进行统计分析可知，真空联合堆载预压在软基处理方式中占比较高，达到45%，排水方式以塑料排水板排水为主，占比高达75.3%，数据库沉降主要集中在2500 mm以下，占比达到89.14%。
（3）选取了BP神经网络、RF模型和3种核函数下的SVM模型对数据库进行训练和预测，在训练集中除线性SVM的R2小于0.80以外，其余模型均超过0.90，拟合效果较好，而且预测误差均能保持在±20%的范围里，但在测试集中，BP神经网络、随机森林和高斯SVM的R2均小于0.90，说明基础机器学习模型虽然在训练上表现良好，但模型泛化能力较差。
参考文献（略）