Performance characterisation of machine learning models for geotechnical axial pile load capacity estimation: an enhanced GPR-based approach
Notice bibliographique
Résumé
Traditional methods for predicting axial pile capacity often rely on simplified assumptions, leading to potential inaccuracies in diverse geotechnical conditions. This study investigates the key parameters influencing axial pile capacity through comprehensive statistical and machine learning analyses in Kano, Nigeria. Six models–Bayesian additive regression trees (BART), explainable boosting machine (EBM), gradient boosting machine (GBM), Gaussian process regression (GPR), improved GPR, and multivariate adaptive regression splines (MARS)–were evaluated using a dataset of 100 training and 25 testing samples from reinforced concrete piles. Statistical analysis revealed strong correlations between pile length and embedment depth (r=0.94) and moderate correlations between axial capacity and length (r=0.78). The improved GPR model demonstrated superior performance with the highest R2 (0.9873) and lowest MARE (0.0678) during training, maintaining robust performance during testing (R2=0.9812). Feature importance analysis identified the uncorrected number of blows at the pile tip (N) as the most influential parameter (35.2–42.3%), followed by embedment depth (17.97–32.8%). Partial dependence analysis revealed non-linear relationships between design parameters and axial capacity, with diminishing returns observed beyond certain thresholds. These findings provide valuable insights for optimising pile foundation design in geotechnical engineering applications.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».