《Applied Research》:Interpreting Non-Linear Compaction Mechanics of Expansive Soils Using Reliability Calibrated Framework
编辑推荐:
最大干密度(MDD)和最优含水率(OMC)是压实设计与施工的基本参数。现有数据驱动研究将这些参数视为确定性预测目标,并主要依据点估计精度选择模型,这限制了其在工程决策中的价值,因为不确定性和可靠性边界至关重要。本研究利用指标特性开发了一个估算膨胀土MDD和OM
最大干密度(MDD)和最优含水率(OMC)是压实设计与施工的基本参数。现有数据驱动研究将这些参数视为确定性预测目标,并主要依据点估计精度选择模型,这限制了其在工程决策中的价值,因为不确定性和可靠性边界至关重要。本研究利用指标特性开发了一个估算膨胀土MDD和OMC的可靠框架。高斯过程回归(Gaussian Process Regression)在MDD预测中取得最高精度,R2=0.838,均方根误差(RMSE)=60.84 kg/m3;而CatBoost在OMC预测中表现最佳,R2=0.603,RMSE=1.844%。结果表明,MDD与OMC的可预测性存在明显差异,表明干密度能较好地由常规指标特性表示,而含水率需求对矿物学控制因素更敏感,这些因素仅能通过液限(LL)和塑性指数(PI)捕获。Jackknife+和交叉共形预测产生了90%预测区间,观测覆盖率对于MDD约为89%,对于OMC约为87%,使得每个估计值都能附带实用的不确定性界限。因此,所提出的框架通过结合多模型可靠性筛选、MDD与OMC估计以及不确定性量化,将压实建模扩展到确定性精度比较之外,适用于初步设计和施工质量控制。
论文解读:基于可靠性校准框架的膨胀土非线性压实力学预测与不确定性量化
土壤压实是岩土工程中改善土体力学与水力特性的重要技术,最大干密度(Maximum Dry Density, MDD)和最优含水率(Optimum Moisture Content, OMC)是描述压实行为、指导现场施工质量控制的核心参数。传统实验室测定需进行标准或改进Proctor试验,劳动强度大、耗时长,且需要大量土样。近年来,机器学习被广泛用于基于土壤指数指标预测压实参数,但现有研究多将MDD和OMC视为确定性目标,仅以点估计精度评价模型,缺乏对预测不确定性的量化;同时,多数研究只对比少量算法,且将MDD和OMC独立处理,忽略了二者之间可能的联系;此外,黑箱模型的可解释性不足也限制了工程实际采纳。因此,本研究旨在建立一个可靠的框架,从常规指数指标出发估计膨胀土的MDD和OMC,探讨两者可预测性差异的内在原因,并通过共形预测区间提供不确定性信息,以支持风险感知的工程决策。
研究人员基于311个膨胀性黏土样本开展研究,每个样本包含5个原始指标:Ret_No4(%)、Pass_No200(%)、液限(LL,%)、塑性指数(PI,%)和比重(Gs),目标变量为MDD(kg/m
3)和OMC(%)。所有压实数据均依据标准Proctor试验规程(ASTM D698)。研究人员通过物理特征工程构建了6个衍生特征,并对偏度超过1.0的特征进行log1p变换,共形成17个输入特征。采用分层划分方式将数据分为训练(70%)、验证(15%)和测试(15%)三部分。利用Optuna进行贝叶斯超参数优化,对15种机器学习模型(包括随机森林、XGBoost、CatBoost、高斯过程回归、弹性网络、深度神经网络、双向长短期记忆网络、一维卷积神经网络等)进行多输出回归训练,同时预测MDD和OMC。可解释性分析采用SHAP(SHapley Additive exPlanations)、部分依赖图(Partial Dependence Plots, PDP)和个体条件期望(Individual Conditional Expectation, ICE)曲线。不确定性量化采用基于jackknife+的共形预测方法,目标覆盖率为90%。
在结果与讨论部分,论文首先通过探索性数据分析发现,PI与LL高度正相关(r=0.85),且均与OMC呈中等正相关,与MDD呈负相关;Shapiro-Wilk检验表明MDD近似正态分布,而OMC存在轻度正偏态,这解释了OMC整体预测精度偏低的现象。模型性能对比表明,高斯过程回归(Gaussian Process Regression, GPR)在MDD预测中表现最佳(R
2=0.8379,RMSE=60.84 kg/m
3),CatBoost在OMC预测中表现最佳(R
2=0.6028,RMSE=1.844%)。散点图发现,极端误差集中在极低塑性(PI<2%)和极高塑性(PI>18%)区域,反映了砂土主导与黏土主导压实机制之间的转换。泰勒图进一步确认GPR、弹性网络和随机森林在MDD上聚集于参考点附近,而SVR和KNN整体表现最弱。10折交叉验证箱线图显示XGBoost和GPR的跨折稳定性较高,而AdaBoost和KNN方差较大。SHAP全局重要性分析表明,Gs是MDD最强的正向驱动因素,Pass_No200和PI对MDD有负向贡献;对于OMC,PI和LL是主要的正向驱动因素,Gs则呈负向作用。PDP和ICE曲线揭示树模型在PI约5%–7%和14%–16%处产生阶跃式的阈值响应,而GPR和弹性网络则给出平滑的连续关系;ICE线还显示PI对OMC的影响依赖于Gs取值,即相同PI增量在低Gs土中需要更多附加水分。共形预测结果显示,GPR和弹性网络的经验覆盖率接近目标(MDD 89.4%,OMC 87.2%),而树模型(如XGBoost、随机森林)出现欠覆盖,KNN甚至产生宽度为零的预测区间,导致测试集覆盖率为0%,该现象源于KNN对训练数据的完美插值使校准残差趋近于零,揭示了仅凭R
2无法识别的安全性缺陷。
讨论部分指出,MDD与OMC的可预测性差异源于二者物理控制机制的不同:MDD主要受颗粒级配和比重影响,这些可由常规指数指标较好捕捉;而OMC对黏土矿物学、颗粒与水相互作用能及粒间电化学力更敏感,现有指标只能间接表征。正则化较强的模型(如GPR、弹性网络)在共形校准中提供了可靠且物理合理的置信区间,适合工程设计;而树集成模型因训练残差被压缩而低估测试不确定性,需谨慎使用。结论部分翻译如下:本研究提出了一个用于膨胀黏土最大干密度和最优含水率预测的综合框架,采用15种机器学习和深度学习模型,结合SHAP全局解释、部分依赖分析和共形预测区间进行不确定性量化。高斯过程回归对MDD达到最高预测精度(R
2=0.8379,RMSE=60.84 kg/m
3),CatBoost对OMC预测最佳(R
2=0.6028,RMSE=1.844%)。比重是MDD最强的正向驱动因素,而塑性指数和液限显著增强OMC预测。经验共形预测在90%置信水平下对MDD和OMC分别达到89.4%和87.2%的覆盖率,从而通过有保证的置信区间支持风险感知的施工决策。该框架使土木工程师能够基于标准指数指标估算压实参数,同时获得物理解释、有保证的置信区间以及跨算法的透明模型对比,弥补了制约机器学习在岩土实践中采纳的信任缺失。未来工作需将最佳流程转换为网页或桌面图形界面,并扩展至更广泛的土类和矿物学变化。