基于滑动窗口优化与多阶段预测的粗粒土振动压实变形智能预测方法

《Soil Biology and Biochemistry》：Vibration-induced deformation prediction of coarse-grained soils: A new method combining multi-stage prediction and sliding window optimization

本文针对粗粒土振动压实变形的非线性、多阶段演化特性，提出结合多阶段预测与滑动窗口优化的SW-XGBoost模型。该模型通过SHAP（SHapley Additive exPlanations）量化内外部因素影响权重，相较传统XGBoost模型显著提升预测精度（R2=0.992，MAE与RMSE分别降低32.12%和31.07），为离散岩土材料变形预测提供了新工具。

　　

Highlight

模型比较与评估

本节简要概述机器学习模型的原理与应用。采用贝叶斯优化对模型超参数进行调优，通过多种指标评估模型性能，并筛选出最优模型用于压实变形预测分析。

预测结果与多因素影响分析

通过对比五种机器学习模型对压实变形的预测表现，评估各模型精度并选定最优模型。基于优选模型，进一步利用SHAP（SHapley Additive exPlanations）方法解析各影响因素的贡献度。

优化预测模型的提出与验证

传统XGBoost模型未考虑压实变形的阶段性特征，导致预测密度与实测值存在偏差。为此，本研究提出SW-XGBoost模型——一种融合阶段划分与滑动窗口优化的XGBoost改进模型，能够捕捉压实变形的阶段跃迁特性，降低跨阶段预测误差，为压实质量实时控制提供关键技术支撑。

结论

结合多阶段预测与滑动窗口优化的压实变形预测方法，显著提升了多因素作用下粗粒土变形预测精度。主要结论如下：

（1）构建了包含颗粒形状、级配组成、初始密度及振动参数的多因素数据集。经贝叶斯优化的XGBoost（SW-XGBoost）模型预测精度优异，其R²高达0.992，MAE与RMSE较基础模型分别下降32.12%与31.07%。

（2）SHAP分析揭示振动次数（N）与初始密度（ρ₀）为压实变形的核心驱动因素，颗粒形状参数（球形度、凸度）通过调节接触状态间接影响变形进程。

（3）滑动窗口机制有效解决了多阶段数据不连续导致的预测波动，使模型能够精准跟踪压实全过程的非线性演化规律。