用于预测岩石动态抗压强度的先进混合模型：探索多种输入情景并引入新型经验方法

《Results in Engineering》：Advanced Hybrid Models for Predicting Dynamic Compressive Strength of Rocks: Exploring Various Input Scenarios and Introducing Novel Empirical Approaches

动态抗压强度预测的混合建模方法研究，提出四场景整合经验模型与XGBoost/LightGBM机器学习模型，采用BBOA/PSO/SFOA元启发式优化，验证BBOA-XGBoost在 Scenario2表现最优（R2=0.962），SHAP分析显示应变率、静态抗压强度、波速为关键特征，相比传统随机森林模型在RMSE（降低12.38MPa）、MAE（降低9.28MPa）等指标上显著提升。

　　本研究探讨了岩石动态压缩强度预测的综合混合建模方法，旨在解决传统的Split-Hopkinson压力杆（SHPB）测试所带来的高成本和高时间消耗问题。SHPB测试是评估岩石动态力学性能的一种常见方法，但由于其数据采集难度、昂贵的实验费用以及繁琐的实验过程，应用受到一定限制。因此，研究者提出了一种结合经验模型和机器学习方法的解决方案，通过场景化框架设计，将多个影响因素整合起来，以提高预测的准确性和可解释性。

在研究中，定义了四个不同的场景，每个场景包含不同的输入参数组合。这些场景涵盖了从完整的参数集合（包括长度与直径比、密度、P波速、应变率和静态单轴压缩强度）到更简化的参数配置（仅包括应变率和静态单轴压缩强度）。研究者开发了六种经验模型，并在这些场景中进行了测试。其中，模型1表现出最佳的性能，其R2值达到了0.90，且所有参数的统计显著性（p < 0.01）均得到了验证。这表明模型1在不同场景中都能有效捕捉岩石动态压缩强度的变化，具备较高的可靠性。

为了进一步提升预测能力，研究者采用了三种元启发式算法：棕色熊优化算法（BBOA）、粒子群优化算法（PSO）和星鱼优化算法（SFOA），对XGBoost和LightGBM这两种机器学习算法进行优化。BBOA-XGBoost在所有场景中均表现出最优的性能，尤其是在场景2中，其测试精度（R2=0.962）和误差指标（RMSE=12.38 MPa，MAE=9.28 MPa）均优于之前基于随机森林（RF）的模型。通过关键差异分析，BBOA-XGBoost被确认为在多个评估场景中具有显著优势的配置。这种结合优化算法与机器学习模型的方法，使得预测模型在复杂场景下也能保持稳定和准确。

在特征重要性分析方面，研究者利用SHAP（SHapley Additive exPlanations）分析，揭示了不同场景下特征的重要性变化。在包含更多特征的场景（如场景1和3）中，应变率是影响预测结果的主要因素，而在更简化的特征配置（如场景2和4）中，静态压缩强度变得尤为重要。这表明，应变率和静态压缩强度在不同情况下对动态压缩强度的预测具有不同的影响权重，而其他因素如密度和P波速则在不同场景中表现出更为复杂的关系。

研究还强调了这些混合模型相较于传统方法的优势。传统方法通常依赖于经验公式或单一的机器学习算法，而缺乏对多重共线性、特征不稳定性和小数据集的系统性处理。相比之下，本文提出的框架不仅考虑了这些因素，还通过优化算法对模型进行了调整，以提升其在不同实验条件下的泛化能力和预测准确性。这种综合方法为实际工程中的动态岩石强度评估提供了更高效且准确的替代方案。

此外，研究还对六种模型在四个场景中的表现进行了详细比较。通过多种评估指标（如R2、RMSE、MAE、MAPE和RSR）对模型进行评估，结果显示BBOA-XGBoost在多数场景中表现最佳，特别是在场景2中，其测试性能达到了最高的R2值。而LightGBM模型则在场景4中表现突出，表明其在减少输入特征数量时仍能保持良好的预测效果。这种发现对于实际应用具有重要意义，因为某些工程场景可能仅能获取有限的输入数据。

研究的另一个重要发现是，随着输入特征数量的减少，模型的预测能力可能会受到影响。例如，在场景4中，仅使用应变率和静态压缩强度作为输入特征时，XGBoost模型的性能明显下降，而LightGBM模型则表现出更强的鲁棒性。这表明，在某些情况下，模型的结构和优化方法的选择对预测效果具有显著影响。因此，研究者建议在不同场景下根据实际可获取的数据选择合适的模型和优化方法，以最大化预测精度和效率。

通过综合分析，研究不仅验证了不同模型和优化方法在预测岩石动态压缩强度方面的有效性，还提供了有关特征重要性和模型性能的深入见解。这些结果为实际工程应用提供了有价值的指导，尤其是在需要快速和高效评估动态岩石强度的场景中。同时，研究也指出了未来研究的方向，包括引入更多输入参数（如约束压力、温度效应和矿物成分），以及探索新的机器学习架构（如基于注意力机制的模型和Kolmogorov-Arnold网络）来进一步提升模型的性能和可解释性。

综上所述，本研究通过结合经验模型和机器学习方法，构建了一种新型的动态岩石压缩强度预测框架。该框架不仅提高了预测的准确性，还增强了模型的稳定性和可解释性，为实际工程应用提供了可行的替代方案。此外，研究结果也为未来的岩石力学研究提供了新的思路，特别是在如何优化模型结构和选择合适的输入参数方面。