Интеграция нейросетевых и нечётких регуляторов (ANFIS/ML) при решении обратной задачи подбора эффективных размеров свай при заданной несущей способности

Статья посвящена задаче подбора геометрических параметров забивной сваи — длины L и размера поперечного сечения s — по заданной несущей способности 𝐹_{𝑑,𝑟𝑒𝑞}. Предложена постановка, прямо согласованная с требованиями СП 24.13330.2021, включая учёт глубины заложения ростверка и локальных ограничений технологии. Разработан инженерный алгоритм на базе дискретного монотонного поиска по длине L с шагом ΔL и ранжированием альтернативных сечений s, при котором условие 𝐹_𝑑 (𝐿, 𝑠) ⩾ 𝐹_{𝑑,𝑟𝑒𝑞}  достигается с контролируемым целевым запасом η. Для выбора рационального решения использованы многоцелевые критерии (стоимость/технологичность) и регламентирована трассируемость промежуточных проверок, что облегчает анализ расчётов. Показано, что алгоритм поддерживает анализ инженерно-геологических данных (физические характеристики грунтов, варьирование η, чувствительность к ΔL), а также допускает дальнейшее ускорение посредством ML-суррогатов или байесовских процедур робастной оптимизации. Представленная методика ориентирована на внедрение в проектную практику и обеспечивает воспроизводимый, экономически обоснованный подбор L и s «от требуемой несущей способности к решению». Развёрнутый анализ сходимости, чувствительности и сравнительные испытания с альтернативными процедурами будут представлены в последующей публикации.

1. Li S., Hai M., Zhang Q., Zhou B., Wang M., Zhao Z. Study on an interpretable prediction model for pile bearing capacity based on SHAP and BP neural networks // Scientific Reports. — 2025. — Vol. 15. — Art. 28134. — DOI: 10.1038/s41598-025-13616-w.

2. Свод правил СП 24.13330.2021. Свайные фундаменты. — М. : Российский институт стандартизации, 2022. — 82 с.

3. Системы искусственного интеллекта в строительстве / В. Б. Гущина, С. К. Попова, С. А. Раков [и др.] // Регулирование земельно-имущественных отношений в России: правовое и геопространственное обеспечение, оценка недвижимости, экология, технологические решения. – 2024. – № 1. – С. 177-182. – DOI 10.33764/2687-041X-2024-1-177-182. – EDN TJAXLJ.

4. Gu W., Liao J., Cheng S. Bearing capacity prediction of the concrete pile using tuned ANFIS system // Journal of Engineering and Applied Science. — 2024. — Vol. 71, No. 1. — DOI: 10.1186/s44147-024-00369-y.

5. Офрихтер, Я. В. Балансировка обучающей выборки при обучении искусственных нейронных сетей для решения геотехнических задач / Я. В. Офрихтер, А. Б. Пономарев // Construction and Geotechnics. – 2023. – Т. 14, № 2. – С. 144-153. – DOI 10.15593/2224-9826/2023.2.11. – EDN DYTGEV.

6. Офрихтер, Я. В. Оценка модуля деформации грунта по данным статического зондирования методами машинного обучения / Я. В. Офрихтер, А. Б. Пономарев // Основания, фундаменты и механика грунтов. – 2025. – № 1. – С. 22-28. – EDN VURUUJ.

7. Болдырев Г.Г. К вопросу использования информационных систем при изысканиях и проектировании оснований фундаментов зданий и сооружений [Электронный ресурс] // Геотехника и геотехнический мониторинг. - 2020. - URL: https://www.geoinfo.ru/product/boldyrev-gennadij-grigorevich/k-voprosu-ispolzovaniya-informacionnyh-sistem-pri-izyskaniyah-i-proektirovanii-osnovanij-fundamentov-zdanij-i-sooruzhenij-42530.shtml (дата обращения: 10.01.2023).

8. Болдырев, Г. Г. Информационные системы в строительстве / Г. Г. Болдырев, А. Ю. Кондратьев // Жилищное строительство. – 2019. – № 9. – С. 17-23. – DOI 10.31659/0044-4472-2019-9-17-23. – EDN MOFISO.

9. Rahman M. S., Wang J., Deng W., Carter J. P. A neural network model for the uplift capacity of suction caissons // Computers and Geotechnics, 2001, no. 4, pp. 269–287. DOI: 10.1016/S0266-352X(00)00033-1.

10. Yuan B., Choo C.S., Yeo L.Y., et al. Physics-informed machine learning in geotechnical engineering: a direction paper // Geomechanics and Geoengineering. — 2025. — Т. 20, № 5. — С. 1128–1159. — DOI: 10.1080/17486025.2025.2502029.

11. Geostru Editor. The observational method in geotechnical design // Geostru Blog. December 12, 2022. URL: https://blog.geostru.eu/en/the-observational-method-in-geotechnical-design

12. Vogel C. R. Computational Methods for Inverse Problems. — Philadelphia: SIAM, 2002. — DOI: 10.1137/1.9780898717570. URL: https://epubs.siam.org/doi/book/10.1137/1.9780898717570 (дата обращения: 18.10.2025).

13. Петряшев, С. О. Разработка и верификация комплексной модели системы «основание-водохранилище-плотина-здание станции» Саяно-Шушенской ГЭС, как основы для внедрения в систему мониторинга / С. О. Петряшев, А. М. Белостоцкий, Д. С. Дмитриев // Актуальные проблемы компьютерного моделирования конструкций и сооружений : Тезисы докладов VIII-го международного симпозиума, Тамбов, 17–21 мая 2023 года. – Тамбов: ИП Чеснокова А.В., 2023. – С. 248-250. – EDN CZZSFA.

14. Murlidhar B.R., Sinha R.K., Mohamad E.T., Sonkar R., Khorami M. (2020) The effects of particle swarm optimisation and genetic algorithm on ANN results in predicting pile bearing capacity. Int J Hydromechanics 3(1):69– 87

15. Moradi G., Hassankhani E., Halabian A.M. (2022) Experimental and numerical analyses of buried box culverts in trenches using geofoam. Proc Inst Civ Eng Eng 175:311–322

16. Benemaran R.S., Esmaeili-Falak M. (2023) Predicting the Young’s modulus of frozen sand using machine learning approaches: state-of-the-art review. Geomech Eng 34:507–527

17. Raja MNA, Shukla SK (2021) Predicting the settlement of geosynthetic-reinforced soil foundations using evolutionary artificial intelligence technique. Geotext Geomembranes 49:1280–1293

18. Применение методов машинного обучения и искусственных нейронных сетей при прогнозировании несущей способности забивных свай / А. Н. Николюкин, В. М. Антонов, П. В. Монастырев, В. А. Лисовский // Региональная архитектура и строительство. – 2025. – № 4(65). – С. 115-129. – EDN DHEWAS.

19. Прогнозирование несущей способности забивных свай на основе нейронных сетей / А. Н. Николюкин, В. М. Антонов, П. В. Монастырев [и др.] // Эксперт: теория и практика. – 2025. – № 4(31). – С. 86- 97. – DOI 10.51608/26867818_2025_4_86. – EDN JXHCIE.