基于深度长短期记忆自动编码器的时空生成网络，用于手部骨骼数据序列的重建与识别

《Engineering Applications of Artificial Intelligence》：Spatial-temporal generative network based on deep long short-term memory autoencoder for hand skeleton data sequences reconstruction and recognition

土壤-岩石混合物峰值偏应力预测采用加权平均集成模型，基于585组三轴试验数据，通过XGBoost和随机森林模型优化及超参数贝叶斯调整，实现R2达0.990，RMSE和MAE分别为220.0 kPa和118.4 kPa，并完成鲁棒性验证与SHAP可解释性分析。

　　土壤-岩石混合物（Soil-Rock Mixtures, SRM）是一种广泛存在于自然界中的复合材料，尤其在地质灾害多发区域，如边坡失稳和洞室坍塌等，其存在尤为显著。SRM的形成通常是由不同比例的土壤和岩石碎片随机混合而成，这种不均匀的成分分布以及颗粒排列的无序性，使得SRM表现出复杂的力学特性。这些特性不仅包括土壤的塑性行为，还包含岩石块的高刚度和抗压强度。在外部荷载作用下，SRM的力学性能呈现出显著的非线性特征。在自然条件下，SRM的力学性能直接关系到边坡的稳定性、洞室围岩的稳定性以及大型水利工程的安全性，因此，对SRM力学特性的研究在地质灾害防治和岩土工程设计中具有重要意义。

传统的实验方法是确定SRM力学性能的主要手段，其中三轴试验因其在实验室中的广泛应用而成为主流方法之一。在三轴试验中，峰值偏应力（Peak Deviatoric Stress, q_f）作为关键参数，能够有效表征SRM在不同围压下的强度极限。研究q_f的演变过程不仅有助于揭示SRM的破坏机制，还为实际工程应用提供了必要的参数支持。通常情况下，当SRM的材料组成和级配固定时，在一定范围内，q_f会随着围压的增加而近似线性增长。然而，在高围压条件下，这种增长趋势会表现出非线性特征。在恒定围压下，不同的材料级配会导致q_f值产生显著差异。此外，孔隙率对偏应力也有显著影响，这种影响可以通过控制试样的干密度在实验中体现出来。综上所述，SRM的峰值偏应力是多种因素共同作用的结果。

尽管通过实验获取SRM的峰值偏应力被认为是更为准确的方法，但这一过程往往存在一定的局限性。首先，实验通常需要复杂的设备和严格的操作规范，不仅耗费大量时间，还要求大量的人力和运输成本。其次，实验还涉及复杂的试样制备过程，对于颗粒分布不均的SRM，这一问题尤为突出，因为其制备过程比均匀材料更为复杂。更重要的是，SRM中土壤和岩石的组成分布及其相互关系具有高度的随机性，这种随机性使得实验结果对试样制备和加载方法的变化非常敏感，从而导致较大的不确定性。这些限制使得通过实验室实验进行大规模的SRM峰值偏应力研究成为一项挑战性且资源密集的任务。

近年来，人工智能（Artificial Intelligence, AI）技术的快速发展使得集成学习成为提高预测准确性、稳定性和可解释性的首选方法。通过使用加权平均或堆叠等方法协调和整合多个基础学习器，集成方法能够显著降低单一模型的方差或偏差，并在样本量小、数据不平衡或噪声水平高的场景中表现出更高的鲁棒性。集成模型已被成功应用于糖尿病的早期预测、农业水中病原体监测、足球运动员的位置定位和战术分析，以及无线传感器网络部署的参数估计，展示了其跨学科的高效性和可迁移性。在岩土工程领域，机器学习（Machine Learning, ML）技术已被广泛应用于预测力学、强度和变形参数。近期研究进一步表明，在预测如地质聚合物稳定黏土的无侧限抗压强度等复杂指标时，集成模型的性能优于传统单一模型。然而，对于SRM而言，由于其峰值偏应力受到高度异质的颗粒组成和多种相互关联的物理因素的影响，目前关于集成学习在该类混合物中的研究仍然较少。这一研究空白为当前的研究提供了科学和工程上的动机。

基于现有数据，本研究整理了一个涵盖不同条件的三轴SRM试验数据库，并对主流模型如极端梯度提升（Extreme Gradient Boosting, XGBoost）、随机森林（Random Forest, RF）、高斯过程（Gaussian Process, GP）、卷积神经网络（Convolutional Neural Network, CNN）和人工神经网络（Artificial Neural Network, ANN）的性能进行了系统评估。同时，利用贝叶斯方法对这些模型的超参数进行了优化。在这些五种模型中，性能最佳的两个模型——XGBoost和RF——通过加权平均的方式结合，形成了一个混合的集成模型。这一方法不仅提高了预测的可靠性，还增强了模型的泛化能力。此外，该模型所捕捉的参数模式也进行了系统分析。同时，使用SHapley Additive exPlanations（SHAP）框架来量化每个输入变量对预测峰值偏应力的贡献。为了明确研究目标，本研究在结果与讨论部分提出了三个研究问题，并进行了详细阐述：

研究问题1：在不同的围压和颗粒分布条件下，这种集成模型在预测SRM的峰值偏应力方面能够达到怎样的预测精度和鲁棒性？

研究问题2：基于可解释性分析，各种因素对预测峰值偏应力的影响模式是什么？各个因素对预测结果的贡献程度又是怎样的？

研究问题3：与其他相关研究相比，本研究的优势和局限性有哪些？

通过回答这些问题，本研究不仅展示了集成学习在SRM强度评估中的优势，还为地质灾害防治和岩土工程设计提供了一种清晰、可重复使用的数据驱动工具。此外，本研究的结果有助于更深入地理解SRM的力学行为，并为实际工程中的参数预测和设计优化提供理论依据。

在实际应用中，输入数据往往受到各种形式的噪声干扰，这可能会降低预测的稳定性。因此，评估模型在噪声干扰下的鲁棒性对于确保其在部署过程中的可靠性至关重要。为此，本研究进行了一系列控制噪声的鲁棒性实验，以测试模型在不同噪声水平下的表现。这些实验不仅有助于识别模型对噪声的敏感性，还为在实际工程中应用该模型提供了必要的验证。

此外，本研究还对其他相关研究进行了比较分析。目前，尚未发现已发表的研究专门针对预测SRM的峰值偏应力或应力-应变行为。在岩土工程中，关于应力-应变响应预测的研究主要集中在细粒土上。为了进行比较分析，本研究选择了几项具有代表性的研究（例如，Zhang et al., 2021; Qu et al., 2021; Li et al., 2023; Zhang et al., 2023），如表5所示。这些研究提供了不同方法在预测SRM力学性能方面的参考，有助于评估本研究模型的优劣。

本研究的模型在预测精度、稳定性、可解释性等方面表现出色，为SRM的峰值偏应力预测提供了一种高效且可靠的方法。同时，通过SHAP分析，可以更直观地理解各个输入变量对预测结果的贡献，这有助于在实际工程中进行参数优化和决策支持。此外，模型的鲁棒性测试表明，即使在存在噪声的情况下，该模型仍然能够保持较高的预测精度，这为其在复杂环境中的应用提供了保障。

在岩土工程实践中，SRM的力学特性直接影响到工程结构的安全性和稳定性。因此，准确预测其峰值偏应力对于工程设计和灾害防治具有重要意义。传统的实验方法虽然能够提供较为准确的数据，但其成本高、耗时长，难以满足快速分析的需求。而本研究提出的集成模型能够在较短时间内完成预测，且预测结果具有较高的准确性和稳定性，为工程实践提供了一种可行的替代方案。

此外，本研究的模型还能够处理数据不平衡和噪声干扰的问题，这在实际工程中尤为重要。数据的不平衡性可能导致模型在某些条件下的预测能力下降，而噪声干扰则可能影响模型的稳定性。因此，通过贝叶斯优化对模型的超参数进行调整，有助于提高模型的适应性和鲁棒性。同时，加权平均的集成方法能够有效降低单一模型的方差或偏差，提高预测的整体性能。

本研究的成果不仅适用于SRM的力学参数快速分析，还对岩土工程设计和灾害防治具有重要的参考价值。通过本研究，可以更有效地评估SRM的力学性能，并为实际工程中的设计优化提供理论支持。此外，模型的可解释性分析有助于理解各个因素对预测结果的影响，这为工程决策提供了更清晰的依据。

在模型开发过程中，本研究对不同输入参数组合的影响进行了系统分析，以确定最优的输入参数。这一过程不仅提高了模型的准确性，还为后续的模型优化提供了基础。通过实验数据的验证，可以更直观地评估模型的性能，并为模型的改进提供方向。此外，本研究还对模型的鲁棒性进行了测试，以确保其在实际应用中的可靠性。

本研究的模型在预测精度、稳定性、可解释性等方面均表现出色，为SRM的峰值偏应力预测提供了一种高效且可靠的方法。同时，通过SHAP分析，可以更直观地理解各个输入变量对预测结果的贡献，这为工程决策提供了更清晰的依据。此外，模型的鲁棒性测试表明，即使在存在噪声的情况下，该模型仍然能够保持较高的预测精度，这为其在复杂环境中的应用提供了保障。

在实际工程中，快速准确地预测SRM的力学参数对于提高设计效率和安全性至关重要。传统的实验方法虽然能够提供准确的数据，但其成本高、耗时长，难以满足快速分析的需求。而本研究提出的集成模型能够在较短时间内完成预测，且预测结果具有较高的准确性和稳定性，为工程实践提供了一种可行的替代方案。此外，模型的可解释性分析有助于理解各个因素对预测结果的影响，这为工程决策提供了更清晰的依据。

本研究的成果不仅适用于SRM的力学参数快速分析，还对岩土工程设计和灾害防治具有重要的参考价值。通过本研究，可以更有效地评估SRM的力学性能，并为实际工程中的设计优化提供理论支持。此外，模型的可解释性分析有助于理解各个因素对预测结果的影响，这为工程决策提供了更清晰的依据。

在模型开发过程中，本研究对不同输入参数组合的影响进行了系统分析，以确定最优的输入参数。这一过程不仅提高了模型的准确性，还为后续的模型优化提供了基础。通过实验数据的验证，可以更直观地评估模型的性能，并为模型的改进提供方向。此外，本研究还对模型的鲁棒性进行了测试，以确保其在实际应用中的可靠性。

综上所述，本研究提出的集成模型在预测SRM的峰值偏应力方面表现出色，为岩土工程设计和灾害防治提供了重要的技术支持。同时，该模型的可解释性分析有助于理解各个因素对预测结果的影响，这为工程决策提供了更清晰的依据。此外，模型的鲁棒性测试表明，即使在存在噪声的情况下，该模型仍然能够保持较高的预测精度，这为其在复杂环境中的应用提供了保障。本研究的成果不仅适用于SRM的力学参数快速分析，还对岩土工程设计和灾害防治具有重要的参考价值。通过本研究，可以更有效地评估SRM的力学性能，并为实际工程中的设计优化提供理论支持。