目的：边坡位移预测是实现滑坡灾害预报的有效手段，对降低滑坡灾害导致的损失具有重要意义。本文针对三峡库区广泛分布的“阶跃型”滑坡，采用三种不同的机器学习算法：长短期记忆（LSTM）神经网络、随机森林（RF）算法和门控递归单元（GRU），预测三个不同的三峡库区边坡位移，并对比三种算法的预测精度，从而选择适用于边坡位移预测的机器学习算法。
创新点：1. 建立了基于时间序列分解和机器学习算法的动态预测模型，并能够准确预测边坡位移。2. 对比了不同的机器学习算法预测边坡周期项位移的精度。
方法：1. 基于时间序列分解原理，将边坡累积位移分解为趋势项位移和周期项位移。2. 利用多项式拟合对边坡趋势项位移进行预测。3. 基于位移影响因素采用三种机器学习模型（LSTM、GRU 和RF）预测边坡周期项位移。
结论：1. 本文提出的基于时间序列分解和机器学习算法的动态预测模型可以准确预测三峡库区“阶跃型”边坡位移。2. LSTM 和GRU 算法可以充分利用滑坡历史信息，精确预测边坡位移的周期项。
目的：土体压缩模量是影响岩土体结构变形的重要参数之一。本文旨在通过机器学习的方法实现对压缩模量的预测，并通过构建一个机器学习模型，得到塑限、液限、塑性指数、液性指数、比贯入阻力以及埋深这6 个输入参数与压缩模量预测值之间的关系。
创新点：1. 构建一个机器学习算法框架以实现对土体压缩模量的预测；2. 此框架包括梯度提升回归树（GBRT）和遗传算法（GA），并采用GA 对GBRT超参数进行获取。
方法：1. 通过收集整理工程报告获取本次预测的数据集（样本211 个）；输入参数有6 个，分别为塑限、液限、塑性指数、液性指数、比贯入阻力以及埋深；输出参数为压缩模量。2. 采用GBRT 算法识别输入变量与目标响应之间的非线性规律，并采用GA 调整GBRT 模型的超参数。3. 模型训练完成后，对压缩模量进行预测。4. 将测试集上的预测结果和传统方法进行对比分析并应用到一维基础沉降中。
结论：1. 本文提出的GA-GBRT 模型可以较好地实现对土体压缩模量的预测；GA 可以对GBRT 算法的超参数进行有效标定。2. 训练后的GA-GBRT 模型在训练集和测试集上都表现良好；在训练集和测试集上的相关系数R 值分别为0.82 和0.91，说明模型可以对压缩模量进行准确预测。3. 对输入变量相对重要性的研究发现，液性指标是本研究中最重要的变量，其重要性得分为0.313（总数为1）；其他指标的重要性排序依次为：液限、塑限、塑性指数、比贯入阻力和埋深。4. 对于地基沉降的预测，本文提出的模型在相关系数R 值和Mann-Whitney 检验结果上均优于经验公式。5. 本文提出的GA-GBRT 模型可以更经济、更快速地预测土壤压缩模量。
创新点：1. 成功应用机器学习方法从CPTu结果中分类出高灵敏度黏土和快黏土，并将结果与不同地点的实际土层进行了比较。2. 通过对机器学习算法的多次训练确定了可以获得良好结果的最少CPTu个数。
方法：1. 基于对两个位置已知和土层确定的CPTu数据集的分析，使用3种机器学习图像分类方法（逻辑回归、朴素贝叶斯和隐藏马尔科夫模型）将CPTu数据用于样本分类。2. 将结果与实际土层进行比较，识别高灵敏度黏土和快黏土，并从计算性能度量方面比较3个方法的优缺点。
结论：仅采用4个CPTu训练样本便可获得基于逻辑回归、朴素贝叶斯和隐藏马尔科夫模型的识别高灵敏度黏土和快黏土的3个分类模型,且分类精度良好。
目的：在绿色岩土工程中，浅层土体特性通常受到当地气候和覆盖植被的影响。本文旨在探讨自然环境条件下不同植物和大气因素（与树的距离、空气湿度和距离地表的深度等）与土体基质吸力的关系，通过一种机器学习方法建立简化的统计模型，并对浅层根系土体中基质吸力的时空变化进行估算和预测。
创新点：1. 通过一种机器学习方法（即遗传编程算法）建立土体基质吸力和五个选定的影响因素之间的关系；2. 根据建立的统计模型，有效地预测了根系土体内基质吸力的时空变化。
方法：1. 通过现场监测实验（图3 和4），量化土体基质吸力和不同影响参数随时间的变化（图5 和6）；2. 通过机器学习算法，构建土体基质吸力的时空变化与五个选定的影响参数之间的关系，得到一个简化的统计模型（公式(11)）；3. 通过误差分析，验证该简化统计模型在估算和预测土体基质吸力时空变化时的可靠性；4. 通过敏感性分析研究不同参数对土体基质吸力时空变化的影响（图9）；5. 通过案例研究，验证利用该方法对根系土体基质吸力时空变化进行预测的可行性（图11和12）。
结论：1. 遗传编程算法可以有效地建立土体基质吸力和不同影响参数之间的关系，并能给出相应的数学公式以对土体基质吸力的时空变化进行可靠的估算和预测；2. 基于方差的全局敏感性分析方法发现干循环时间和初始基质吸力对土体基质吸力的时空变化有重要影响，而且其他的植物和大气相关参数对土体基质吸力的时空变化也有不可忽视的影响；3. 案例研究结果表明，本文所提方法可用于预测土体基质吸力的时空变化。
目的：基于极限平衡理论和诸多简化原则的经验公式方法难以适用于复杂的复垦地层中灌注桩的侧摩阻力计算。本文旨在探讨复垦地层中灌注桩在静力加载条件下的侧摩阻力发展规律和特性，并应用深度学习方法，以提高灌注桩侧摩阻力的预测精度。
创新点：1. 设计现场试验，研究近海复垦地层中灌注桩的承载能力特性；2. 建立深度学习预测模型，高精度预测工作荷载下灌注桩的轴力和侧摩阻力。
方法：1. 通过实验分析，探明复垦地层中不同土层与桩体的相互作用和桩体侧摩阻力的发展规律；2. 通过理论计算，指出经验方法在复垦地层灌注桩承载力计算中的缺陷和不足；3. 通过序列化的人工智能方法建模，利用土体物理力学参数和桩身试验实测数据，对比验证深度学习方法的精度和计算效率。
结论：1. 灌注桩适用于复垦地层，能够为基础设施提供足够的承载力；2. 经验方法对灌注桩中部桩体的极限侧摩阻力估计良好，而对地层条件较差的桩身两端的估计则存在较大偏差；3. 深度学习方法能够综合考虑地层和桩体的相互作用，并且能精确预测在不同工作荷载和极限荷载下的侧摩阻力和桩身轴力，因而适用性更广。
目的：通过系列室内试验以及建立的人工神经网络 （ANN） 模型研究钢-聚乙烯醇 （PVA）混杂纤维混凝土的抗压力学性能，探究不同纤维含量和纤维混合比对钢-PVA混杂纤维混凝土抗压性能的影响。
创新点：1. 进行了不同纤维含量和纤维混合比的钢-PVA混杂纤维混凝土抗压试验，揭示了钢-PVA混杂纤维混凝土的抗压性能。2. 考虑 23 项输入参数，建立了 ANN 模型模拟钢-PVA混杂纤维混凝土的抗压性能，很好地再现了试验结果，并揭示了不同纤维含量和纤维混合比对钢-PVA混杂纤维混凝土抗压性能的影响规律。
方法：1. 通过抗压试验，分析不同纤维含量和纤维混合比对钢-PVA混杂纤维混凝土抗压性能的影响；将试验结果与既有文献数据结合，建立ANN模型的数据库。2. 考虑 23 项输入参数，建立 ANN 模型，并进行参数优化、训练和测试以及敏感性分析。3. 对比分析 ANN 模型和传统损伤模型，验证并论证 ANN 模型的正确性和优势。4. 通过参数敏感性分析，揭示纤维含量和纤维混合比对钢-PVA混杂纤维混凝土抗压性能的影响。
结论：1. 与损伤模型相比，ANN 模型能够更好地模拟钢-PVA混杂纤维混凝土的抗压性能， 包括抗压强度、峰值应变和应力-应变曲线. ANN 模型可以考虑 23 项混杂纤维混凝土组分的影响，包括纤维特征、混凝土组成成分和素混凝土力学性能。3. 抗压试验结果和 ANN 模拟结果都表明，钢纤维对混杂纤维混凝土的抗压性能影响大于 PVA 纤维。
目的：传统控制算法随着自适应结构空间与作动器数量的增加变得低效。本文旨在讨论适用于自适应交叉张弦结构等大空间多变量问题的主动控制算法，并提出自适应双向交叉张弦梁的主动控制模型，探究其在不同环境工况下的承载表现。
创新点：1. 以梯度算子改进传统遗传算法，改善其早熟与收敛速度慢的缺陷；2. 针对双向交叉张弦梁这一复杂空间结构提出控制方法，并建模验证。
方法：1. 在传统遗传算法的选择、交叉和变异算子后加入梯度搜索算子，增强其局部搜索能力与快速收敛能力；2. 以作动器作动量作为优化变量，上部梁最小内力工作系数作为目标函数，撑杆与下部索的许用应力作为约束条件，建立自适应双向张弦梁结构的静态主动控制方法；3. 通过2×2与3×3的两个算例进行建模控制，以结构内力与位移评价其三种工况下的控制效率，验证所提方法的可行性和有效性。
结论：1. 梯度遗传算法具有良好的局部搜索能力和全局优化能力，并且收敛速度快；2. 相对传统静态结构，在文中的三种设计工况下，自适应交叉张弦梁结构的承载能力显著提高；3. 对于张弦梁结构，风荷载有可能使拉索松弛，造成不利影响，而自适应张弦梁可以使拉索保持受拉状态，并使所有部件协同工作以达到更好的性能。
目的：由于使用的列车运行数据偏离系统应用的数据特征，现代智能交通系统部署的模型推理结果可能不可靠。本文旨在研究部署在系统中的模型使用的数据变化对模型性能的影响，通过研究衡量模型可信性方法，实现在现实场景中无需标注数据实时检测部署在系统中的模型可信性。
创新点：1.提出一种复杂完整性约束概念，在无标注数据的情况下，衡量模型使用数据的不安全程度。2.为实现现代智能交通系统实时检测模型的可信性，我们设计一种新颖的算法，利用位向量索引技术和规则推理系统，快速发现模型应用数据的复杂完整性约束。
方法：1.通过输入部署在现代智能交通系统模型中的训练数据，系统构建面向输入数据的索引向量从而避免对大规模数据进行多次。2.通过规则推理系统和支持度剪枝技术，将语意重复的冗余约束和一些无意义的约束忽略，得到有效的复杂完整性约束。3.利用完整性约束计算违反约束的数据在数据集中的比例从而衡量模型使用的数据不安全程度。4.通过使用真实的列车运行数据集测试，分析复杂完整性约束衡量的数据不安全程度和模型性能的关系，从而验证复杂完整性约束的可行性和有效性。
结论：1.模型使用的数据偏离模型训练数据特征会影响模型的性能。2.通过发现复杂完整性约束，衡量模型使用的数据不安全程度，可以快速检测部署的模型可信性。3.通过对模型可信性的研究，可以无需标注而快速发现不可信的模型，从而及时重新部署可信模型，提升现代智能交通系统的稳定性。
目的：对钻进效率进行精确预测是制定土方开挖进度计划的关键。但现有预测方法多采用单个机器学习模型，存在参数敏感性和过拟合等问题，且往往忽略了环境因素和人员操作因素的影响。针对这些问题，本文提出一种同时考虑多种因素综合影响的新的集成学习预测方法。创新点：1.建立一种基于Stacking集成学习的钻进效率预测模型；2.定量地考虑地质特性、人员操作、环境和机械特性等多种因素的综合影响；3.提出一种基于自适应步长策略的改进布谷鸟搜索优化方法，优化模型关键参数。方法：1.通过多次对比实验，最终选择极值梯度提升（XGBoost）、随机森林（RF）和反向传播神经网络（BPNN）三个模型作为基学习器，支持向量回归（SVR）作为元学习器进行集成。2.建立基于自适应步长策略的改进布谷鸟搜索优化算法，对集成模型的Max_depth等超参数进行优化。3.将钻进效率值及相关影响因素的样本数据输入到每个基学习器。
