酸侵蚀与干湿循环耦合作用下碱激发稳定软土无侧限抗压强度的多模型预测研究

《Materials》：Machine Learning Prediction and Interpretability Analysis of the Unconfined Compressive Strength of Alkali-Activated Stabilized Soft Soil Under Coupled Wetting–Drying Cycles and Acid Attack

　　

摘要

在酸侵蚀与干湿循环耦合作用下，预测碱激发稳定软土的无侧限抗压强度需要结合相关联的实验室观测进行评估。本研究分析了来自53组完整配比的689条记录，包含七个材料和环境输入变量，采用四种机器学习模型（DT、RF、SVM和XGBoost）以及四种神经网络模型（PINN、BPNN、CNN和LSTM）。对先前未见配比的泛化能力通过五折外层GroupKFold结合三折混合分组调参进行评估。每条原始记录贡献一次折外预测。合并的分组交叉验证R2值在0.5043至0.7605之间，RMSE在0.3579–0.5148 MPa之间。XGBoost获得了最高的点估计（R2；RMSE = 0.3579 MPa），其次是SVM（R2；RMSE = 0.3756 MPa）。PINN及其架构匹配的BPNN产生了相同的分组交叉验证预测，且未显示出增量效益。前瞻性罚函数激活诊断证实，软罚函数可能会影响训练轨迹，但未能重建归档的模型选择运行结果。另一项单独调参的、五步的、结构匹配的消融研究发现，CNN和LSTM中来自先前设计协变量的预测增益没有提升。历史固定配置随机交叉验证比较已移除，因为无法验证原始超参数选择的来源。SHAP和部分依赖分析描述了模型学习到的关联，SEM则提供定性的形貌背景。这些模型为所测试的材料和因子水平提供初步筛选辅助工具，而非工程设计工具；独立的批次和田间验证仍然是必要的。