《Frontiers in Earth Science》:Feature attention model for soil-geocomposite interface strength
编辑推荐:
在岩土工程中,超孔隙水压力是导致结构失稳的主要原因之一。它极大地降低了土体的有效应力,并可能引发管涌等问题。目前,土工复合材料排水层(GDL)被广泛用作有效的排水材料。然而,准确预测土体与土工复合材料排水层界面的峰值抗剪强度仍然困难。主要原因是众多因素相互作用
在岩土工程中,超孔隙水压力是导致结构失稳的主要原因之一。它极大地降低了土体的有效应力,并可能引发管涌等问题。目前,土工复合材料排水层(GDL)被广泛用作有效的排水材料。然而,准确预测土体与土工复合材料排水层界面的峰值抗剪强度仍然困难。主要原因是众多因素相互作用,使得整个问题非常复杂。本文提出了一种基于特征注意力的深度学习模型来预测界面峰值抗剪强度。该模型利用残差连接使深层特征更好地传递,并利用特征注意力机制自动选择并聚焦重要信息。研究人员使用209组大型直剪试验数据对模型进行了验证。结果表明,Attention-DNN模型在处理样本量小、离散程度大的岩土数据时具有更好的预测效果。在测试集上,该模型的R2为0.958,均方根误差(RMSE)为3.38 kPa,明显优于传统DNN模型。为使研究更具工程实用性,研究人员还采用岭回归(Ridge regression)和双阈值筛选方法获得了经验公式。研究人员用25个典型的大型直剪试验实例对该公式进行了验证。该公式的平均绝对百分比误差(MAPE)为17.18%,表现出良好的稳定性,便于工程技术人员应用。本研究构建了一套完整可靠的技术体系,可为岩土工程中复合排水系统的界面设计及安全评价提供科学支撑。
论文解读
一、研究背景与意义
在岩土工程中,超孔隙水压力是引发结构失稳的关键因素之一,它会显著削弱土体的有效应力和整体强度。对于采用砂土及砂性混合料等颗粒材料的工程项目而言,这一问题更易诱发管涌、砂沸等病害,进而威胁基础设施的稳定性并导致结构变形。因此,有效降低孔隙水压力、控制渗流效应是维持岩土结构稳定的关键。
在物理排水加固方法中,土工复合材料排水层(GDL)因其性能稳定、适用面广而成为具有重要工程价值的技术手段。该材料具有优异的排水性能,可直接替代传统级配砂砾石满足土体排水需求,同时还兼具土体隔离和结构加固等多种工程特性,能够快速降低源孔隙水压力,有效解决各类工程危害。在实际岩土布置中,GDL通常铺设于覆盖土层下方,其与土体之间的界面抗剪强度对工程系统的长期稳定至关重要。在边坡排水系统、填埋场覆盖及衬垫系统、加筋回填体以及覆盖土下方排水层等工程场景中,若高估界面抗剪强度,可能导致抗滑阻力不足,引发边坡失稳、覆盖土过度变形或填埋场衬垫系统性能退化。
然而,GDL的广泛应用也带来了诸多亟待解决的挑战。通过单一试验或短期测量难以准确预测长期使用过程中界面的力学响应,从而影响工程长期安全。传统试验方法成本高、耗时长,难以适应大规模应用需求。以往研究表明,传统预测模型通常依赖线性或简单非线性结构,不足以捕捉多变量、多条件场景下复杂的耦合关系。固定特征权重以及对冗余信息的敏感性,使其难以准确区分土体类型、法向应力等核心因素的差异化影响,预测精度和泛化能力在实际工程应用中受限。因此,关键特征提取成为核心研究热点。
二、研究内容与结论
针对上述问题,本研究开发了一种名为Attention-DNN的优化深度神经网络模型,该模型集成了残差连接和特征注意力机制,并采用K折策略预测土体-GDL界面的峰值抗剪强度。研究采用209组大型直剪试验数据建立数据库,包含9个关键输入参数(土体类型T、土体密度D、含水饱和度W、法向应力、剪切面F、排水芯厚度TH、土工复合材料排水层类型TY、土工布规格GE、固结条件C)和1个输出参数(峰值抗剪强度τ)。为降低过拟合风险,研究采用了五折交叉验证、Dropout、AdamW权重衰减和早停策略。
研究结果表明,Attention-DNN模型在训练集上R2达到0.976,RMSE降至2.78 kPa,MAE为1.96 kPa;在测试集上R2为0.958,RMSE为3.38 kPa,MAE为2.48 kPa,各项指标均明显优于传统DNN模型(测试集R2为0.931,RMSE为3.90 kPa,MAE为2.95 kPa)。残差分析显示,Attention-DNN模型的残差更接近零,显著离群值更少,系统偏差不明显,预测性能更稳定可靠。五折交叉验证中Attention-DNN的R2均值为95.19%±3.86%,标准差仅为0.0636,验证了模型的稳定性和一致性。
为进一步提升工程实用性,研究采用岭回归和双阈值筛选方法,将复杂的Attention-DNN模型转化为透明经验公式。该公式直接使用原始未标准化测量值,无需额外归一化预处理,便于现场工程技术人员快速手工计算。经验公式在25个典型试验案例上验证,MAPE为17.18%,表现出良好的稳定性。虽然经验公式的R2为0.8349,低于深度学习模型的0.958,但成功将复杂黑箱算法转化为数学透明的工具。
三、关键技术方法
本研究采用的主要技术方法包括:一是构建了基于残差连接和特征注意力机制的优化深度神经网络(Attention-DNN),残差连接通过特征变换和捷径连接缓解梯度消失和网络退化问题,特征注意力机制通过自适应特征权重分配强化关键特征贡献并抑制冗余信息干扰;二是采用K折交叉验证策略降低小样本数据集的随机性,结合早停策略防止过拟合;三是采用随机搜索结合理论推理的超参数调优方法,确定了学习率0.0003、Dropout率0.20、AdamW权重衰减5e-5等关键超参数;四是采用Winsorization处理(基于IQR准则)减少极端值影响,并采用面向回归的SMOTE策略平衡目标变量分布;五是通过岭回归和双阈值筛选方法将深度学习模型转化为经验公式。数据来源为Chao(Chao et al., 2021)和Othman(Othman, 2016; Othman et al., 2018)开展的316组大型直剪试验,其中209组为有效样本。
四、研究结果分析
模型训练与测试:研究采用AdamW优化器训练两种模型,Attention-DNN初始学习率设为0.0003,Dropout率设为0.20。两种模型最大训练1,200个epoch,采用早停策略监控验证集CombinedLoss,耐心值为200个epoch。DNN在第913个epoch达到最小验证损失并于第1,113个epoch停止,Attention-DNN在第407个epoch达到最小验证损失并于第607个epoch停止。训练和验证损失曲线未出现持续发散,表明两种模型均稳定收敛。
预测性能对比:通过对比DNN和Attention-DNN在训练集和测试集上的预测表现,Attention-DNN在描述土体密度、法向应力等输入特征与峰值抗剪强度之间的复杂非线性关系方面具有明显优势。在训练集上,Attention-DNN的R2为0.976,高于DNN的0.9472;RMSE和MAE分别降至2.78 kPa和1.96 kPa,而DNN分别为3.60 kPa和2.55 kPa。在测试集上,Attention-DNN仍表现出更好的泛化能力,R2为0.958,RMSE为3.38 kPa,MAE为2.48 kPa,对应DNN分别为0.931、3.90 kPa和2.95 kPa。a20指数(预测值与实测值相对偏差在±20%以内的样本比例)进一步直观评估了模型在工程实践中的可靠性和预测稳定性,Attention-DNN明显优于其他方法。
经验公式构建:研究构建了包含线性项、二次项和两两交互项的经验公式来近似Attention-DNN模型的预测行为。公式中引入了交互系数Cij以捕捉不同输入特征之间的耦合效应。其中C48=19.2000和C24=8.1435分别反映排水芯厚度与固结条件之间、土体密度与排水芯厚度之间的交互作用,对界面峰值抗剪强度产生显著正向贡献;而C12=?6.0498和C16=?4.9659分别反映土体类型与土体密度之间、土体类型与土工复合材料排水层之间的负向交互效应。常数项d0=21.7950作为基线偏移量,即使特征参数处于中等水平也能提供合理的初始强度参考。
实验验证:研究选取25个典型试验案例,使用详细试验参数通过经验公式进行预测,并与原始大型直剪试验的实测数据进行比较。经验公式的MAPE为17.18%,表现出良好的稳定性和工程适用性。
五、讨论与结论
研究讨论指出,Attention-DNN模型通过残差连接有效解决了深度网络中常见的梯度消失问题,确保复杂特征的高效传递。从数据特征角度看,土体密度和法向应力的相关系数分别为0.50和0.40,在小样本岩土工程场景中,该模型通过自适应过滤冗余信息,能够更准确地识别土体特性和试验条件对峰值抗剪强度的耦合效应。注意力权重可视为模型对不同特征表征自适应强调的内部度量,土体密度、法向应力、含水饱和度、排水芯厚度和固结条件等变量获得较大重要性,与其在土体压实、界面摩擦、颗粒互锁和耦合界面行为中的物理作用一致。但需注意,这些注意力权重代表基于模型的特征强调,而非直接因果重要性,更系统的可解释性分析(如SHAP评估和全局特征重要性排序)将在未来工作中考虑。
研究结论表明,Attention-DNN模型在小样本条件下能够提供更可靠的预测,得益于其出色的复杂非线性关联建模能力和良好的泛化能力。该研究验证了残差连接和注意力机制在岩土深度学习研究中的有效性,进一步凸显了机制增强模型在解决非线性和多因素耦合问题中的价值,同时建立了可复用于类似预测任务的技术框架。经验公式将复杂深度学习模型转化为透明数学工具,直接使用原始工程测量值,无需归一化预处理,为复合排水层的界面设计、施工参数优化和长期结构安全评估提供了可直接应用的技术指导。