机器学习预测淋滤作用下石膏质土的岩土力学行为：数据驱动的新范式

针对石膏质土在淋滤作用下易发生塌陷的工程难题，研究人员采用Oedometer-Permeability Leaching Test（OPLT）和Modified Permeability Leaching Test（MPLT）模拟现场条件，结合MATLAB生成1000组合成数据，通过Random Forest（RF）、Support Vector Machine（SVM）和Gaussian Process Regression（GPR）模型预测淋滤应变。结果表明RF模型预测精度最高（训练集R=0.91），揭示了石膏含量（Gc）、淋滤时间（Tm）和总溶解固体（TDS）是关键影响因素，为石膏质土地区的工程风险评估提供了新工具。

　　

在干旱和半干旱地区，石膏质土（Gypseous soils）因富含石膏（Gypsum）而成为工程建设的“隐形杀手”。当这种土壤遇水时，石膏会溶解（即淋滤效应，Leaching Effect），导致土壤孔隙率骤增、强度骤降，引发地面塌陷和建筑损毁。传统岩土模型难以捕捉这种复杂的非线性行为，而现有机器学习研究又缺乏针对淋滤效应的系统性分析。面对这一挑战，来自伊拉克和马来西亚的研究团队在《Franklin Open》发表了一项创新研究，通过实验室模拟与数据建模的深度融合，为预测石膏质土的“水敏性”行为提供了智能解决方案。

研究团队采用三大关键技术：1）实验室制备20%-60%石膏含量的土壤样本，进行OPLT和MPLT双重淋滤测试；2）利用MATLAB的normrnd()函数生成1000组符合正态分布的合成数据；3）对比RF、SVM和GPR三种机器学习模型的预测性能，通过RMSE、MAE和R值评估效果。

【实验室合成的石膏质土与测试】
通过控制石膏含量（20%、40%、60%）和干密度（14-16 kN/m³
），团队发现石膏含量增加会导致最大干密度（MDD）下降（17.5→16.6 kN/m³
），而最优含水率（OMC）上升（16%→18%），证实石膏显著改变土壤物理性质。

【淋滤测试程序】
OPLT测试显示，60%石膏样本的渗透系数（K）达12.5×10^-5
cm/s，比MPLT结果高54%，说明小尺寸试样会高估淋滤风险。MPLT因其更接近现场条件，被推荐为评估淋滤行为的金标准。

【合成数据生成与模型训练】
通过特征重要性分析，石膏含量（Gc）以41%的贡献度成为预测淋滤应变（Ls）的最关键变量，其次是淋滤时间（Tm）和TDS。RF模型凭借决策树集成策略，在测试集保持最低误差（RMSE=0.125），远优于SVM和GPR。

【讨论与意义】
该研究首次将统计合成数据与机器学习结合应用于石膏质土淋滤分析，其RF模型的预测精度（R=0.63）超越传统经验公式。尽管存在人工样本代表性不足的局限，但提出的框架为沙特、伊拉克等石膏富集区的基建安全提供了决策工具。未来研究可探索RF与物联网传感器的联动，实现塌陷风险的实时预警。

（注：全文数据与结论均源自原文，专业术语如Random Forest（RF）首次出现时标注英文，上标/sub标签已按规范处理）