
-
生物通官微
陪你抓住生命科技
跳动的脉搏
基于岩土参数和可解释人工智能的土体抗剪强度预测机器学习模型
《Scientific Reports》:Machine learning models for predicting soil shear strength using geotechnical parameters and explainable artificial intelligence
【字体: 大 中 小 】 时间:2026年08月28日 来源:Scientific Reports 4.9
编辑推荐:
摘要准确预测土壤抗剪强度对于岩土结构的设计与稳定性评估至关重要。本研究采用机器学习(ML)技术,利用七个岩土参数预测土壤抗剪强度:粘聚力、内摩擦角、液限(LL)、塑限(PL)、塑性指数(PI)、最大干密度(MDD)和最优含水率(OMC)。一个包含 229 条通过直剪试验获得实
准确预测土壤抗剪强度对于岩土结构的设计与稳定性评估至关重要。本研究采用机器学习(ML)技术,利用七个岩土参数预测土壤抗剪强度:粘聚力、内摩擦角、液限(LL)、塑限(PL)、塑性指数(PI)、最大干密度(MDD)和最优含水率(OMC)。一个包含 229 条通过直剪试验获得实验测量抗剪强度的实验室记录数据集被分为 80% 的训练集和 20% 的测试集。开发了四个机器学习模型,即线性回归(LR)、决策树(DT)、随机森林(RF)和 XGBoost(XGB),并使用多种性能指标和重复交叉验证进行评估。在独立测试数据集上,RF 提供了最佳的整体性能,实现了 R2 为 0.7812,调整后的 R2 为 0.7408,RMSE 为 22.7080,MAPE 为 0.1523。XGB 显示出相当的性能,而 DT 表现出最弱的泛化能力。SHAP、FAST 和 PAWN 分析表明,粘聚力是 LR、DT 和 RF 的主导模型输入,而 OMC 对 XGB 显示出最高的敏感性。目标抗剪强度值是通过直剪试验实验获得的,而不是根据粘聚力和内摩擦角计算得出的。然而,观察到的粘聚力与抗剪强度之间的强依赖性,连同几个输入变量之间的相关性,限制了将模型解释为完全独立的预测器。总体而言,结果证明了可解释的机器学习模型在表示研究条件下基于实验室的抗剪强度关系方面的有用性,但在更广泛应用之前,需要使用独立数据集和更广泛的应力条件进行进一步验证。