文摘
桩基础是广泛用于高层建筑建造在软弱地基。桩的承载力是一个重要的参数需要在设计和施工阶段的桩基础工程项目。在实践中,准确的预测桩承载力具有挑战性的是由于各种岩土工程因素之间复杂的相互作用包括桩特点和地面条件。本研究提出了一种数据驱动模型应对问题的兴趣,跟机器学习和metaheuristic方法。最小二乘支持向量回归(LSSVR)是用于分析的数据集包含桩测试的历史记录。基于这样的数据集,LSSVR能够概括一个多变量函数,桩承载力的估算值基于一组变量描述桩特点和地面条件。此外,反对微分花授粉(ODFP) metaheuristic提出优化LSSVR学习过程。实验结果支持的统计检验表明,该ODFP-optimized LSSVR可以达到良好的预测性能的均方根误差、平均绝对百分比误差平均绝对误差,并确定系数。这些结果证实ODFP-optimized LSSVR可能是一个潜在的替代协助土木工程师桩承载力估算的任务。
1。研究背景和动机
桩基础在高层建筑建设中起着至关重要的作用。这种类型的基础被广泛用于相当大的结构负载转移到固体土壤下面层高层建筑。在桩基工程中,桩承载力是一个重要的参数需要估计(1]。准确估计这个参数确保桩基础结构的安全与经济。在实践中,桩负载测试被广泛认为是最可靠和准确的方法获得桩的承载力。这是因为这种方法相似驱动桩的工作机理。然而,这种测试方法通常需要耗费时间的准备/计量流程,经验丰富的技术人员,和昂贵的操作。因此,只有大型项目桩负载测试是可行的。
对于小规模和低成本项目,基于原位测试方法的标准贯入试验(SPT)是一个可行的选择桩负载测试(2,3]。使用原位测试方法,一定程度的准确性在承载力估算可能妥协获得一个合理的实验成本。
各种研究都依赖SPT结果提出数据驱动的承载力预测(4,5]。传统的回归分析方法是用来配合现场试验数据,建立预测模型。上述方法的共同特点是,对于桩的力学性能数据,土壤属性层,和SPT击数的数量作为解释变量。他们的主要缺点是,他们依靠传统的数据拟合方法在非线性建模有一定的限制,复杂和多元数据。现有的模型也由数量有限的数据样本(6,7和适用于某些地面条件8,9]。因此,毫无意外,一个模型可能表现良好在一个建筑工地,但其他研究领域的预测不准确。
利用实验数据集大小的增加,大量的解释变量,基于机器学习的先进的数据驱动的方法和其他计算智能技术。吴作栋et al。10)提出了人工神经网络(ANN)模型用于确定摩擦驱动桩在粘土的能力。朋友和Deswal11采用支持向量机(svm)和广义回归神经网络模型桩承载力。寒(12)检查对桩承载力估算使用SVM回归。最小二乘支持向量机(LSSVM)被用于13)构建一个功能性映射能力估算桩承载力;然而,这项研究依赖于有限的数据库的50个测试用例。
基于数据集原位负载测试、摩et al。14和萨因15)开发的ANN模型用于预测打入桩承载力。为了提高神经网络的泛化模型用于预测感兴趣的变量使用遗传算法一直在报道[16]。Prayogo和Susanto [17)结合LSSVM和共生生物搜索预测摩擦驱动桩在粘性土壤能力;45历史情况下用于训练模型,和其他20例用于模型试验。罗和董18)提出了采用贝叶斯可靠性理论和马尔可夫链蒙特卡罗方法统计估计桩基础的承载力。
最近,范教授等。19]依赖大规模的打入桩静载荷测试来构建基于机器学习模型预测桩的轴向承载力;采用机器学习模型安和随机森林合奏。最近的一项研究利用的力量metaheuristic优化和深层神经网络建立桩承载力估算方法(20.];本研究得出结论:metaheuristic优化高效决定采用机器学习模型的结构。
研究,结合了模拟退火和遗传规划用于估计桩的极限承载力是在(21]。Kardani et al。22]预测变量的兴趣无黏性土的地面条件使用群intelligence-optimized机器学习方法;采用机器学习模型包括回归树,k最近的邻居,神经计算、支持向量机和回归树整体策略。粒子群优化的功能和遗传algorithm-optimized神经网络用于桩承载力估算研究(23]。
摩et al。24依赖于高斯过程回归模型来处理手头的复杂性问题;296数据集包括桩基动负载测试从建筑工地已被用于构建预测模型。自适应神经模糊推理系统(简称ANFIS)杂化了萤火虫算法来建立数据驱动模型用于桩承载力预测(25]。Harandizadeh et al。26]扩展太阳的工作等。25)包括一组方法的数据处理成萤火虫algorithm-optimized自适应神经模糊推理系统。陈等人。27]构造新方法neuro-genetic、neuro-imperialism和遗传编程模型在预测桩的极限承载力;一个数据集包括50个样本用于模型训练和验证。
基于当前文学和最先进的评论(15,28),有增加趋势,应用机器学习方法在预测桩的承载力。可以看出个人神经计算和支持向量机模型的主要方法解决感兴趣的任务(13,14,24,29日,30.]。机器学习的一些研究调查杂交和metaheuristic算法用于桩承载力建模仍然是有限的。
虽然有前途的结果中观察到勇等人的研究。21),这项工作的主要限制是有限的培训和验证数据。模型的性能报告(22]可能通过增强就业的其他先进的基于群智能算法(31日- - - - - -37]。使用简称ANFIS的可行性与PSO优化桩承载力估算已经证明了Harandizadeh et al。26]。然而,这种混合模型是复杂和富有挑战性的建筑由于大量的(即调整参数。隶属度函数的参数和神经网络权重)简称ANFIS中找到。
此外,由于site-dependent性质的问题,机器学习模型,可以适合一个特定的研究区域可能不会在另一个实现所需的性能。因此,本研究旨在扩展当前的文献提出了一种新颖的机器学习和metaheuristic方法的集成。最小二乘支持向量回归(LSSVR) [38)用于近似功能性映射派生估计承载力基于一组解释变量描述桩和现场条件。此外,反对学习(还)39)是结合微分结构花授粉(DFP) [40)建立小说metaheuristic,表示反对DFP (ODFP),用于优化LSSVR用于桩承载力性能的预测。本文的后续部分组织如下:部分2包含研究资料和计算智能方法。提出了数据驱动模型用于预测桩承载力提出部分3。实验结果和讨论部分的报告研究成果4。结束语,总结本研究乃节5。
2。研究材料和使用计算智能方法
2.1。桩承载力估算实验的数据集
在这项研究中,数据集组成的数据驱动的钢筋混凝土桩的静载荷试验是用于构建数据驱动方法用于桩承载力的预测。数据集包含472条记录和报告(20.]。这个数据集包含一个相当大量的数据实例,可以适合训练混合机器学习模型。测量的目的,预制桩关闭提示已经被逼到土壤的层使用一个液压打桩机器。实验设置显示在图1。
此外,解释变量包括桩直径(X1),第一个土层厚度(X2),第二个土层厚度(X3),第三个土层厚度(X4),天然地面高程(X5)、桩顶标高(X6),桩顶高程的额外部分(X7)、深度的桩端(X8),沿桩身SPT击数的平均值(X9),平均值SPT击数桩端(X10)。预测变量(Y)是轴向桩承载力。桩结构,其几何变量,和土壤地层学是如图2。此外,在收集到的数据变量的直方图如图3。解释的因素和桩承载力的统计描述表进行了总结1。散点图用于解释变量之间的线性相关性的初步检查(X)和桩承载力(Y在图演示了)4。
2.2。微分花授粉(DFP)
DFP,提出了40),是两个人的结合metaheuristic算法,即差分进化(DE) (41(FPA)[]和花授粉算法42]。德是一个简单而高效的进化算法的变体包括关键进化操作包括突变和重组43,44]。同时,平安险是强大的搜索空间探索由于其就业税飞行操作(45- - - - - -49]。德的集成和FPA保护区DE的自适应变异和显著的优势促进收缩的有效性DE中间算术复合的性质(43]。因此,合并后的DFP算法具有良好的开发能力以及有一个逃避机制来抵御过早收敛。
基于人口的解决方案创建的随机候选人,DFP进行全局搜索和局部搜索操作。这两个搜索操作的频率取决于一个概率p根据以下规则: 在哪里r代表一个范围内的随机数的0和1。p通常是将根据(0.842]。
介绍了全局搜索和局部搜索操作如下:(我)FPA-based全球搜索算子给出了 在哪里表示当前一代。代表一个新创建的试验方案。l是一个数字产生的税收分布。(2)DE-based本地搜索操作符是由 在哪里r1,r2,r3表示随机整数。F是一个突变的比例因子。的参数F从高斯分布生成= 0.5均值和标准差= 0.15 (40]。 在哪里Cr代表了交叉概率通常设置为0.8。
它是指出参数l(所1)是一个随机数产生的税收分布。这个分布数学描述如下(50]: 在哪里 和U和V∼正常(0,1)。是标准的伽马分布 。
2.3。反对学习(还)
在进化优化,长方形的39)是一个重要的概念用于增强随机搜索过程的有效性,因此提高metaheuristic算法的收敛速度。OBL的主要想法同时考虑解决方案及其相应的反对派候选人(51]。实验研究表明,使用还可以改善的机会找到更好的解决方案(52- - - - - -55]。
反对党X人事处候选人的解决方案X计算如下(53]: 在哪里D是搜索变量的数量。磅,乌兰巴托的上下边界搜索变量,分别。
有人指出OBL已成功集成到标准DE结构(53]。在此,Rahnamayan et al。53]介绍行动反对人口的初始化和反对代跳提高搜索性能德。前者操作进行一次进化过程的开始。同时,后者操作执行后反复mutation-crossover过程概率小,在那里小代表一个跳跃率参数。
2.4。最小二乘支持向量回归(LSSVR)
LSSVR [38)是一种变异的标准支持向量机(svm)用于非线性函数近似。基于svm回归模型展示了他们优良的性能在不同的学习任务在土木工程(56- - - - - -61年]。这个机器学习方法特性显著的优势包括良好的泛化性能,建模多元数据的能力,有效的非线性函数映射,快速计算,和一些控制参数。类似于标准的支持向量机(62年],LSSVR学习过程是启发的结构风险最小化框架,经常导致健壮的数据驱动模型的建设。
此外,LSSVR模型的模型结构确定通过求解一个线性系统,而不是一个非线性系统所需的支持向量机(58,63年,64年]。因此,LSSVR可以是非常有效的在处理大规模数据集。应对数据非线性LSSVR依赖于概念的内核函数负责将数据从一个原始输入空间到高维特征空间,在一个超平面可以用来建立一个功能之间的映射组解释变量和预测变量(参考图5)。
LSSVR模型的一般形式用于桩承载力估算可以表示如下: 在哪里 和 表示一组解释变量和预测变量,分别。 代表了一种从一个原始输入空间映射到一个高维特征空间。
在(7),和bLSSVR模型参数需要估计从收集到的数据集。确定模型参数,有必要解决约束优化问题描述如下: 受到 , ,在哪里表示一组训练数据集N样本。 表示一组解释变量和预测变量。 变量是一个错误。 代表一个正则化系数。
是由对应的拉格朗日公式 在哪里代表一个拉格朗日乘子。
随后,最优的Karush-Kuhn-Tucker条件等价表示如下:
(10)可以转化为一个线性方程组如下: 在哪里 , ,和 。 是一个核函数;提出了其公式如下:
径向基函数(RBF)内核通常采用基于svm回归模型(65年,66年]。它是由数学描述 在哪里hyperparameter表示内核函数。
3所示。提出了桩承载力估算数据驱动模型使用反对DFP-Optimized LSSVR (ODFP-LSSVR)
在本节中,提出结构的杂交ODFP和LSSVR设计桩承载力估算。上一节中提到的,LSSVR的训练阶段需要确定两个关键hyperparameters正规化常数(γ)和核函数参数(σ)。前者hyperparameter影响刑罚的数量对数据样本偏离回归超平面。后者hyperparameter实际上是RBF的强烈影响的带宽的平滑近似函数。正规化常数(γ)和核函数参数(σ)影响泛化和LSSVR质量模型用于桩承载力估算。如果该值的γ非常大,非常容易过度拟合模型。另一方面,一个小的价值γ通常会导致一个underfitted模型为预测过程没有提供有用的信息。此外,选择一个适当的值σ也是必不可少的。如果σ很小,学习过程强烈受到局部噪声的影响。相反,一个较大的值σ导致这一事实考虑太多的数据点来确定桩承载力的预测价值;因此,预测结果可以很一般,收益率没有有用的信息。
|
因此,本研究提出应用metaheuristic优化LSSVR模型用于桩承载力估算。此外,提高优化能力,本研究提出将长方形的进入DFP结构制定反对DFP (ODFP)。的操作流ODFP metaheuristic总结了算法1。LSSVR已经逼近非线性的作用和多元桩承载力及其影响因素之间的关系。同时,ODFP利用自动优化LSSVR模型建设。,还与DFP实现集成,以提高其搜索能力(52,55,67年,68年]。自LSSVR估计非线性函数的有效性土木工程已被证实在先前的研究69年- - - - - -73年),这个机器学习方法和ODFP的杂交可能帮助产生良好的桩承载力预测的预测。
优化过程开始之前,一组参数包括目标函数(CF)、人口规模(PS),搜索空间边界(磅和乌兰巴托),函数调用的最大数量(MNFC)和概率的人口跳(小)是需要指定。小决定执行反对人口跳的频率提高优化性能(74年]。在此,基于以前的研究的建议(40,42,53,75年)和一些试验,ODFO的参数设置如下:PS = 20磅=[0.01],乌兰巴托=[10]1000年,MNFC = 1000,小= 0.2。
当这些参数设置,优化过程可以开始逐步引导一个人口普查的初步探索和利用的搜索空间,并找出更好的候选解决方案集的hyperparameters LSSVR模型。类似于原始的DFP metaheuristic, ODFP也执行利维flight-based全球搜索和DE mutation-crossover-based本地搜索40,76年]。每一代结束时,一个反对人口跳操作(53)是概率执行通过OBL提高人口质量。
由于人口成员直接影响LSSVR模型训练过程和最终的质量桩承载力预测,目标成本函数必须考虑LSSVR模型的预测性能与收集到的数据集训练。本研究采用10倍交叉验证来计算ODFP所使用的目标成本函数。,数据集分为10个互斥数据折叠。LSSVR的培训和验证过程从而进行10次,其中一个褶皱作为验证数据,另9折用于模型建设。因此,ODFP的客观成本函数的平均均方根误差(RMSE)计算从10倍交叉验证过程。这个成本函数描述如下: 在RMSEk通过比较计算桩承载力的实际值与预测值的吗kth褶皱。
RMSE指数是由 在哪里Y一个和YP表示实际的桩承载力的预测价值。NK代表数据实例的数量在每个数据褶皱。
指定的操作流ODFP,整个ODFP-optimized LSSVR(表示ODFP-LSSVR)用于预测桩承载力可以完全显示在图中6。有人指出该模型开发了作者在Visual Studio和Visual c# . net 4.7.2编码环境。ODFP扮演一个重要角色在决定适当的组γ和σ这档节目的特点就是一个公平的平衡建模泛化和预测精度。随后,本研究采用随机数据采样过程获得强劲的评估ODFP-LSSVR性能。,收集到的数据集随机地分为训练集(90%)和一组测试(10%)。第一组用于模型建设;第二组是预留给模型测试。基于这两个集合,LSSVR模型可以进行训练和预测。这些操作需要最佳的解决方案(X最好的),存储LSSVR模型hyperparameters;这个ODFP最佳解决方案已被确定的优化过程。
此外,采用变量应该标准化,以避免一个变量的情况下有大大小主宰其他变量有小大小。本研究利用Z分方程数据标准化;这个方程表示如下: 在哪里XN和XO分别表示归一化和原始变量。米X和年代X平均值和标准偏差的解释变量,分别。
LSSVR用于建立一个映射函数,推导出轴向桩承载力基于一组解释变量包括桩直径(X1),第一个土层厚度(X2),第二个土层厚度(X3),第三个土层厚度(X4),天然地面高程(X5)、桩顶标高(X6),桩顶高程的额外部分(X7)、深度的桩端(X8),沿桩身SPT击数的平均值(X9),平均值SPT击数桩端(X10)。当ODFP-LSSVR模型的预测阶段完成后,桩承载力的预测价值为小说输入模式可以获得和记录。
4所示。实验结果和讨论
4.1。拟议中的ODFP-LSSVR模型的预测结果
这部分的文章报道新开发的ODFP-LSSVR模型的实验结果用于桩承载力估算。模型训练和验证能力,原始数据集组成的472个样本被分为训练集(90%)和一组测试(10%)。计算过程用于获得实验结果实现与华硕FX705GE-EW165T(酷睿i7 8750 h和8 GB RAM)。
此外,在模型训练和预测阶段之前,它是有益的初步检查每个解释变量的预测能力在收集到的数据集。本研究依赖于ReliefF [77年)方法评价采用预测的重要性。选择此功能重要性评价在这项研究中,因为它有一个健壮的数学背景和有能力检测条件解释变量之间的依赖关系。ReliefF方法可以提供一个统一的视图在变量估计回归分析问题(78年]。初步因素评估结果呈现在图7。从这个图我们可以看到,第二个土层的厚度(X3)、深度的桩端(X8),沿桩身SPT击数的平均值(X9),平均值SPT击数桩端(X10)是非常重要的因素与ReliefF权重的高价值。第一个土层的厚度(X2),天然地面高程(X5)、桩顶标高(X6),和桩顶高程的额外部分(X7)有相当大的ReliefF权重。桩径(X1)和第三土层厚度(X4)有相对较小的特征权重。然而,所有的重量不是零。因此,10可用变量应该考虑预测桩的承载力。
此外,准确地评估ODFP-LSSVR模型的预测能力,RMSE的指数,平均绝对百分误差(日军),平均绝对误差(MAE),确定系数(R2)是利用。RMSE已经在前一节中描述。日军、美和R2是由(79年- - - - - -81年] 在哪里Y一个,我和YP,我分别是实际的和预测的承载力。N是数据实例的数量。
党卫军的指数yy和看到 在哪里Y,米均值的实际承载力。
如前所述,20的ODFP人口规模和函数调用的最大数量= 1000是用于优化LSSVR性能。优化过程ODFP成本函数和变量的边界在前一节演示了在图中指定8。发现最好的解决方案是正则化系数γ= 26.62和核函数参数σ= 1.35。测试数据实例的预测结果ODFP-LSSVR报道在表了2。图9说明了实际与预测桩的承载力结果见表2。此外,图10展示了从该方法获得的残余的柱状图。从这个图可以观察到,剩余产生的平均值ODFP-LSSVR接近0和剩余的标准差是77.19。
此外,获得可靠和准确的评估ODFP-LSSVR-based桩承载力估算、模型训练和测试阶段在本研究中被重复20次。每一次,10%的收集到的数据绘制成一组测试,其余数据用于模型的建设。的平均训练性能ODFP-LSSVR如下:RMSE = 76.99,日军= 6.12%,美= 57.22,R2= 0.95。的平均测试性能ODFP-LSSVR如下:RMSE = 92.19,日军= 7.38%,美= 68.97,R2= 0.93。培训R2= 0.95和测试R2= 0.93表明,使用ODFP-LSSVR模型训练数据方差的95%和93%的测试数据可以解释方差的解释变量。的价值R2培训阶段略高于测试阶段。这个事实是可以理解的,因为看不见的预测数据实例的测试组明显比预测更有挑战性的训练集的数据实例。此外,由于培训R2= 0.95和测试R2= 0.93都高(> 0.9)和相对接近对方,可以看出ODFP-LSSVR没有遭受underfitting或过度拟合问题。
4.2。实验结果和讨论
在本节中,确认新开发的预测能力ODFP-LSSVR用于桩承载力预测,其性能比其他机器能力上优于回归分析模型包括反向传播人工神经网络回归(BPANNR) [82年,83年),回归树(RTR) [84年,85年),相关向量机回归(RVMR) [86年,87年]。这些基准方法非常有能力模型用于函数逼近,他们已经使用了桩承载力估计(22,88年,89年]。BPANNR是由作者开发的微软Visual Studio 2019环境和使用c#。net编程语言;这个模型由mini-batch一直训练模式。RTR模型通过MATLAB建立的统计和机器学习的工具箱90年]。此外,RVMR构造通过内置函数提供的(91年]。
ODFP-LSSVR和其他基准方法的实验结果总结在表3。从结果可以观察到,新建模型的性能(RMSE = 92.19,日军= 7.38%,美= 68.97,和R2= 0.93)优于采用的基准模型。基于RMSE作为主要指标,RMMR是第二个最好的方法(RMSE = 102.59,日军= 7.89%,美= 73.02,和R2= 0.91),其次是BPANNR (RMSE = 103.09,日军= 8.56%,美= 80.45,和R2= 0.90)和RTR (RMSE = 105.52,日军= 7.89%,美= 73.92,和R2= 0.90)。值得注意的是,ODFP-LSSVR表现超过所有基准模型的性能度量指标。此外,模型的箱线图表现从重复获得模型评价20分是显示在图11。
为了更好的促进表现模型的比较,回归误差特性曲线(REC) (92年)从测试阶段获得的所有模型绘制在图12。一个矩形曲线基本情节上的绝对剩余x设在。的y设在显示数据样本的百分比有预测偏差小于相应的绝对剩余x设在。因此,一个矩形曲线能够估计误差的累积分布函数。矩形ODFP-LSSVR曲线和其他基准模型如图12。接受者操作特性曲线相似的概念用于模式分类、多重回归分析的相对性能模型可以评估通过检查矩形曲线的相对位置。一般来说,一个更大的曲线下的面积表示更好的回归分析模型。此外,它是指出,每个桩承载力预测模型收益率残留与不同的最大值。因此,实现一个公平的比较,最大残余范围必须标准化通过确定绝对剩余价值生产的所有的工作模型。这最大绝对剩余价值作为常见的值的范围x设在。因此,曲线下的面积(AUC)和相对的AUC值模型计算和报告在表4。可以看出的相对AUC ODFP-LSSVR(0.87)高于基准模型。因此,基于错误的累积分布函数分析,我们可以得出这样的结论:ODFP-LSSVR的预测能力是高于BPANNR, RTR, RVMR。
进一步确认的统计差异每一对桩承载力预测模型,在Wilcoxon符号秩检验(93年本研究中使用。这是一个非参数假设检验广泛应用于机器学习模型的比较(94年]。的显著性水平测试(值)设置为0.05。因此,一个值< 0.05表示拒绝零假设,表演的两桩承载力预测模型在统计上是无关紧要的。的Wilcoxon符号秩检验结果被发表在表5。与值< 0.05,它可以指出ODFP-LSSVR优于其他基准模型。
然而,该方法的一个局限是它依赖于ODFP-based优化LSSVR hyperparameters的。因此,LSSVR模型训练和预测阶段必须进行计算ODFP的目标函数。因此,这个集成框架的计算费用可以桩承载力的重要大型数据集建模。此外,当前模型依赖于十解释变量(桩直径、深度土壤的层,天然地面的高程,桩顶标高,海拔的额外部分桩,桩端深度,平均值的SPT击数沿着桩身和SPT击数的平均值桩头)。与感兴趣的问题的复杂性,其他解释变量应该考虑提高该机器学习方法的适用性。在这种情况下,先进的集成特征选择方法(33,52,95年,96年)的数据驱动的桩承载力预测可以帮助选择最丰富的解释变量。
5。结束语
桩承载力是一个重要的参数需要估计桩基础工程项目在设计阶段。本研究提出了一个数据驱动的工具,使用混合metaheuristic-machine学习预测桩承载力的方法。LSSVR机器学习方法用于捕获和推广一个非线性函数,得出桩承载力的估计价值给定一组解释变量。此外,ODFP metaheuristic方法用于优化LSSVR的训练过程。DFP ODFP算法本身是一种集成的和长方形的。ODFP-based优化阶段完成时,最合适的结构LSSVR模型可以识别和桩承载力的估算值用于新项目。组成的数据集472测试记录和解释变量包括桩直径、厚度的土层,第二个土层厚度,厚度的第三个土层,天然地面的高程,桩顶标高,海拔的额外部分桩,桩端深度,平均值的SPT击数沿着桩身和SPT击数的平均值桩头用于训练和测试提出了ODFP-LSSVR模型。
实验结果支持的矩形曲线分析和Wilcoxon符号秩检验指出ODFP-LSSVR最适合建模数据集。此外,研究未来的扩展可能包括以下:(我)其他先进的机器学习的调查和metaheuristic方法优化机器上优于桩承载力预测模型(2)其他高级特征选择算法的集成到模型结构(3)调查使用健壮的回归来提高机器学习模型的泛化用于桩承载力估算(iv)样本的收集更多的数据来提高基于机器学习的泛化桩承载力估算模型
数据可用性
数据集用于支持这项研究的结果提供了在桌子上6。
的利益冲突
作者宣称没有利益冲突。