基于集成方法与神经网络模型的加州承载比预测：来自土耳其的案例研究

加州承载比（CBR）是评估次级土壤承载能力的关键地理力学指标，尤其在交通基础设施和基础设施设计中应用广泛。传统的CBR确定方法依赖于实验渗透测试。尽管这些测试精度较高，但往往耗时且昂贵，在大规模或多样化土壤剖面的情况下往往不可行。近年来，人工智能，特别是机器学习（ML）的进展，使数据驱动的土壤行为建模方法能够以更快的速度和更高的精度。本研究提出了一个针对来自土耳其多个地理气候区域收集的382个土壤样本的数据集的CBR预测的全面机器学习框架。该数据集包含与承载能力相关的物理化学土壤属性，允许在监督学习环境中进行多维特征表示。测试了12种机器学习算法，包括决策树、随机森林、极端树、梯度提升、xgboost、k近邻、支持向量回归、多层感知机、adaboost、bagging、投票和堆叠回归器。每个模型都经过训练、验证和评估，以评估其概化能力和鲁棒性。在所有模型中，随机森林回归器表现最佳，分别在训练、验证和测试集上获得了0.95、0.76和0.83的R2分数。这些结果突显了该模型强大的非线性映射能力，使其成为预测地理力学任务的有前景的工具。该研究支持在地理力学工程中集成智能、数据驱动模型，为传统方法提供了有效的替代方案，推动基础设施分析和设计中的数字化转型。