基于CatBoost机器学习的膨润土持水曲线预测模型与全局敏感性分析研究

为解决高放射性废物处置库中膨润土缓冲材料持水特性(SWRC)预测难题，Muntasir Shehab团队整合311组实验数据和920组合成数据，开发了基于CatBoost算法和人工大猩猩群优化器(AGTO)的物理信息机器学习模型。该研究通过Van Genuchten模型参数优化实现数据增强，首次实现同时考虑干湿路径(C/D)和约束状态(C/U)的SWRC精准预测(R2=0.947)，全局敏感性分析揭示基质势(ψ)、蒙脱石含量(Mt.c)和约束条件为关键影响因素，为核废料屏障系统性能评估提供创新工具。

　　

1234567897887654321

在核废料地质处置领域，膨润土因其独特的膨胀性和低渗透性被广泛用作工程屏障材料。然而，这种材料的土壤持水曲线(SWRC)预测长期面临三大挑战：蒙脱石矿物的强膨胀性导致显著滞回效应，约束与非约束状态下水力学行为差异巨大，传统Van Genuchten等经验模型难以准确描述其复杂孔隙结构。现有研究多局限于单一类型膨润土或特定实验条件，缺乏普适性预测方法。

为突破这些限制，TU Bergakademie Freiberg的Muntasir Shehab等人在《Applied Clay Science》发表研究，创新性地将物理模型与机器学习结合。团队首先系统收集46组SWRC实验数据(含311个数据点)，涵盖FEBEX、MX-80等主要膨润土类型，通过Levenberg-Marquardt算法优化Van Genuchten模型参数(θ_r, θ_s, α, n)，生成920个合成数据点构建增强数据集。采用CatBoost算法结合人工大猩猩群优化器(AGTO)进行双层超参数优化，开发出能同时处理约束/非约束条件(C/U)和干湿路径(W/D)的预测模型。

关键技术包括：1) 基于文献数据的多源SWRC数据集构建；2) Van Genuchten模型参数优化与数据增强；3) CatBoost机器学习框架结合AGTO优化器；4) Sobol指数全局敏感性分析。

研究结果揭示：

1. 1.

   模型性能：在测试集上达到R²=0.947，RMSE=0.020，标准化残差分析显示仅2%数据为异常值。对MX-80膨润土的预测显示，在10^-3 hPa低吸力区能稳定预测饱和含水率，克服传统模型在极端吸力下的发散问题。

2. 2.

   比较分析：相较于Van Genuchten模型需要负残余含水率(θ_r=-0.1)等非物理解保证拟合精度，ML模型仅需土壤基本参数即可实现物理合理的预测。对GMZ01膨润土的预测表明，ML模型能避免Van Genuchten模型在高吸力区(>500 hPa)的不合理波动。

3. 3.

   敏感性分析：Sobol指数显示基质势(ψ)贡献度最高(S₁=0.592)，其次为约束条件(S₁=0.099)和蒙脱石含量(S₁=0.083)。关键二阶交互作用包括Mt.c-ψ(S₂=0.0184)和Mt.c-塑性指数I_P(S₂=0.0177)，揭示矿物组成与力学状态的协同效应。

4. 4.

   简化模型：通过反向消除构建的简化模型表明，仅保留ψ、Mt.c和C/U参数的Model 7仍保持R^{2>0.74，为工程应用提供灵活性。}

这项研究的意义在于：首次实现整合物理模型与机器学习的膨润土SWRC预测框架，突破传统方法对极端吸力和滞回效应预测的局限。提出的数据增强策略为小样本土壤力学研究提供新思路，而敏感性分析结果直接指导核废料处置库的设计优化——例如确认蒙脱石含量>80%时需重点控制约束压力。未来研究可扩展至温度效应和化学-力学耦合作用预测，推动智能岩土工程的发展。