在建筑领域，“地基决定建筑的坚固程度”这一理念深入人心，强调了稳固地基对于建筑结构安全的关键作用。其中，持力层深度作为影响地基设计和铺设的重要因素，直接关系到土壤液化风险及土壤相关灾害的防控。准确估计持力层深度，对于设计坚固地基、降低灾害风险具有重要意义。

传统评估持力层深度的方法，如标准贯入试验(SPT)，虽可靠但耗时费力且成本高昂。为寻求经济有效的替代方案，日本芝浦工业大学(SIT)的科学家将目光投向了机器学习(ML)。由SIT工程学院Shinya Inazumi教授领衔的研究团队，利用东京都地区的942条地质调查记录和SPT数据，采用随机森林(RF)、人工神经网络(ANN)和支持向量机(SVM)三种ML算法，对承重层深度进行预测。

研究结果显示，在对比评估中，RF模型在深度预测精度(案例2平均绝对误差0.86米，案例1平均绝对误差1.26米)和对噪声数据的鲁棒性方面表现优异。此外，纳入地层分类数据作为解释变量后，所有模型的预测精度均显著提升。研究还发现，空间数据密度的增加有助于提高预测精度，表明密集数据集对准确预测承重层深度至关重要。Inazumi教授表示：“我们的研究旨在为城市规划人员和工程师提供高效工具，通过机器学习模型优化韧性智慧城市和基础设施项目选址，实现可持续发展，降低成本并增强安全性。”

该团队的研究表明，机器学习，尤其是RF模型，为区域灾害风险评估提供了传统方法的替代方案。与SPT相比，机器学习模型经济高效，有望彻底改变地震活跃地区的基础设施规划，减少对昂贵本地化测试的依赖，同时提高安全性和效率。

更多信息： Yuxin Cong 等，《利用机器学习算法预测承载层深度及其性能评估》，《机器学习与知识提取》(2025)。