基于具有注意力机制的双通道特征聚合网络的风力涡轮机故障诊断

《Engineering Applications of Artificial Intelligence》：Fault diagnosis of wind turbine based on dual-channel feature aggregation network with attentional mechanism

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CD三轴试验数据，通过XGBoost和随机森林模型优化及贝叶斯超参数调整，实现R2达0.990，RMSE 220.0 kPa，MAE 118.4 kPa的高精度预测，并验证模型鲁棒性、参数贡献及可解释性。

　　土壤-岩石混合物（Soil-Rock Mixture, SRM）作为一种广泛存在于自然环境中的地质材料，其在工程领域的应用具有重要意义。尤其是在地质灾害防治、边坡稳定性评估、隧道支护设计以及大型土石坝建设等场景中，SRM的力学性能直接关系到工程的安全性和稳定性。其中，峰值偏应力（Peak Deviatoric Stress, q_f）是衡量SRM强度的重要指标之一，它反映了在不同围压条件下材料的极限承载能力。然而，传统方法通过实验室试验来获取这一参数，不仅耗时耗力，还存在一定的局限性。因此，开发一种高效、准确的预测模型，以减少对实验的依赖，成为当前研究的重要方向。

本研究提出了一种基于加权平均的集成模型，用于预测SRM的峰值偏应力。该模型利用了585组经过排水固结三轴试验获得的数据集，通过系统评估不同输入参数组合对模型精度的影响，最终确定了最优的输入变量。同时，研究还采用五种人工智能模型（包括极端梯度提升、随机森林、高斯过程、卷积神经网络和人工神经网络）对数据集进行了训练，并使用贝叶斯优化方法对模型的超参数进行了调整。基于预测结果，研究选择了表现优异的两个基础模型（XGBoost和随机森林），并构建了一个新的加权平均集成模型。该模型在所有数据集上的预测性能表现出色，其决定系数（R²）达到0.990，均方根误差（RMSE）为220.0 kPa，平均绝对误差（MAE）为118.4 kPa，显示出其在预测SRM峰值偏应力方面的强大潜力。

为了进一步验证该模型的鲁棒性，研究还进行了噪声干扰下的实验测试。实验结果显示，该集成模型在不同高斯噪声水平下仍能保持较高的预测稳定性，说明其在实际应用中具备较强的抗干扰能力。此外，通过SHAP（SHapley Additive exPlanations）分析，研究还揭示了各个输入变量对预测结果的具体影响程度。这一分析不仅有助于理解模型的内部机制，也为实际工程中的参数优化提供了科学依据。

与现有研究相比，本研究填补了在SRM峰值偏应力预测方面的空白。目前，关于SRM的研究多集中于细粒土的应力-应变响应预测，而对SRM中复杂的颗粒组成和物理因素之间的相互作用缺乏系统性的分析。本研究通过构建一个包含多种实验条件的三轴试验数据集，并对主流模型进行系统评估，展示了集成学习在预测复杂地质材料力学性能方面的优势。此外，本研究提出的加权平均集成模型不仅提高了预测的准确性，还增强了模型的泛化能力，使其在面对未知数据时表现出更好的适应性。

在实际工程应用中，土壤-岩石混合物的颗粒组成和分布具有高度的随机性，这使得实验结果容易受到样品制备和加载方式的影响，从而带来较大的不确定性。因此，开发一种能够有效处理这种随机性和不确定性的预测模型，对于提升工程设计的科学性和安全性具有重要意义。本研究通过引入人工智能技术，构建了一个数据驱动的预测工具，能够在较短时间内完成对SRM关键力学参数的分析，为地质灾害的防治和工程设计提供了有力支持。

本研究的创新点在于，不仅考虑了传统的物理参数（如围压、干密度、样品尺寸等），还对颗粒级配曲线进行了深入分析。通过将这些参数作为输入变量，研究构建了一个能够全面反映SRM复杂力学特性的模型。此外，通过加权平均集成的方法，研究有效整合了多个基础模型的优势，提高了整体预测的可靠性。这一方法在应对数据不平衡、样本量较小或噪声水平较高的场景中表现尤为突出，说明其在实际工程应用中具有较高的适应性。

在模型开发过程中，研究首先通过XGBoost方法对不同输入参数组合的影响进行了系统评估。实验结果表明，虽然仅使用围压作为输入变量时，模型的R²值已达到0.897，但随着更多相关参数的引入，模型的预测性能得到了显著提升。这一发现进一步验证了多参数输入在提高预测精度方面的有效性。此外，研究还通过对比分析，展示了本研究与现有文献在预测方法和模型性能上的差异。与其他研究相比，本研究的模型在预测准确性和鲁棒性方面表现出更优的性能，特别是在处理高围压条件下的非线性响应时。

为了进一步提高模型的可解释性，研究引入了SHAP分析框架。通过该方法，研究能够量化每个输入变量对预测结果的具体贡献，从而揭示SRM峰值偏应力变化的主要驱动因素。这一分析不仅有助于理解模型的内部机制，也为工程实践中的参数优化提供了科学依据。例如，研究发现，干密度和围压是影响SRM峰值偏应力的两个关键因素，而颗粒级配和样品尺寸则在一定程度上对预测结果产生影响。这一发现对于指导实际工程中的材料选择和参数调整具有重要意义。

本研究提出的加权平均集成模型，不仅在预测精度上表现出色，还具备较强的泛化能力和稳定性。通过对比实验，研究发现该模型在不同围压条件下均能保持较高的预测一致性，说明其在实际应用中具有较强的适应性。此外，该模型在面对数据噪声和样本分布不均时，也表现出良好的鲁棒性，说明其在复杂环境下的可靠性较高。这一成果为地质工程领域的研究提供了新的思路，同时也为人工智能技术在工程实践中的应用拓展了可能性。

综上所述，本研究通过构建一个全面的数据集，系统评估了多种人工智能模型的性能，并开发了一个基于加权平均的集成模型，用于预测SRM的峰值偏应力。该模型在预测准确性和鲁棒性方面表现出色，能够有效应对实际工程中的不确定性问题。此外，通过SHAP分析，研究还揭示了各个输入变量对预测结果的具体影响，为工程实践中的参数优化提供了科学依据。本研究的成果不仅有助于提升SRM力学性能预测的效率，也为地质灾害的防治和工程设计提供了重要的技术支撑。