机器学习驱动的电阻率-极化率与标准贯入试验数据插值建模：马来西亚霹雳州地下岩土完整性案例研究

本文创新性地融合电阻率成像(ERT)、激发极化(IP)与标准贯入试验(SPT)数据，结合CatBoost等机器学习算法(R2>0.90)，建立了高精度岩土参数预测模型，为复杂风化花岗岩地层的地下工程评估提供了非侵入式解决方案，显著降低了基础设计的不确定性。

　　

Highlight

这项研究开创性地将地球物理探测与人工智能技术相结合，为热带风化地层的地下"体检"提供了全新方案。通过"电学CT扫描"（ERT-IP）与"力学探针"（SPT）的跨学科联用，配合机器学习解码地下密码，实现了岩土特性的三维可视化诊断。

Conclusions

本研究成功攻克了风化岩层地下评估的三大难题：① 首次建立电阻率-电荷ability-SPT的机器学习映射关系（CatBoost测试集R²=0.93）；② 发现800-1000Ωm电阻率与>18ms电荷ability的岩层是理想持力层；③ 开发的智能分析框架将传统钻孔成本降低70%，为东南亚类似地质区的基建安全提供了标杆方案。