群体智能优化技术与可解释数据驱动方法在锯齿状节理岩体抗剪强度预测中的应用

《International Journal of Geo-Engineering》：Application of swarm intelligence optimization techniques and explainable data-driven methods in predicting the shear strength of serrated jointed rock masses

　　

具有特定抗剪强度的岩体是保障地质灾害防治岩土工程项目安全与稳定的基础。然而，锯齿状节理岩体具有复杂的几何形态和非线性力学特性，使其抗剪强度的准确预测面临挑战。为此，研究人员提出了一种创新的基于机器学习的预测框架，将群体智能优化技术与可解释数据驱动方法相结合，以提高预测精度并降低成本。该研究利用锯齿状节理岩体的实验数据，涵盖内摩擦角、节理法向应力、法向应力与完整岩石抗拉强度之比、节理倾角及抗剪强度等关键参数。基于此，构建了支持向量回归（Support Vector Regression, SVR）、反向传播神经网络（Backpropagation Neural Network, BPNN）、随机森林（Random Forest, RF）和极端梯度提升（Extreme Gradient Boosting, XGBoost）等多种模型。此外，采用麻雀搜索算法（Sparrow Search Algorithm, SSA）、变色龙优化算法（Chameleon Optimization Algorithm, CSA）、蛇优化算法（Snake Optimization Algorithm, SO）和开普勒优化算法（Kepler Optimization Algorithm, KOA）对模型进行优化。统计性能指标结果显示，KOA-XGBoost模型在训练集和测试集预测中表现最优（R²为0.992，RMSE分别为0.197和0.239），显著优于其他对比模型（R²为0.895至0.988，RMSE为0.248至0.808）。TreeSHAP分析揭示，节理法向应力和节理倾角（累积重要性得分超过0.6）是影响抗剪强度的最关键因素。研究结果为涉及锯齿状节理岩体的岩土工程项目的安全与稳定提供了有效解决方案。

岩体的抗剪强度是保障岩土工程结构安全与稳定的基础。在自然灾害易发区域，节理岩体的力学行为常控制着边坡与地基的稳定性，其中锯齿状节理岩体因其不规则的互锁几何形态而表现出显著的非线性剪切响应，对滑坡和地震的启动具有关键影响。准确估算其抗剪强度对于工程可靠设计和灾害预防至关重要。

早期分析研究提出了若干经典抗剪强度模型。Patton的双线性模型首次基于莫尔-库仑准则引入了粗糙度效应；Barton和Choubey随后发展了JRC-JCS模型以量化节理粗糙度和抗压强度的影响；Grasselli和Egger则将该分析拓展至三维表面形态。尽管这些模型具有重要理论意义，但其依赖简化假设，无法完整表征天然节理岩体的复杂力学行为。与此同时，人工智能（Artificial Intelligence, AI）已成为模拟非线性和多变量岩石行为的强有力工具。数据驱动建模方法，特别是机器学习技术，在处理复杂非线性问题和揭示潜在规律方面显示出巨大潜力。然而，现有研究仍面临高精度和强泛化性难以兼顾的困境：传统经验模型往往无法捕捉锯齿状节理的复杂相互作用和非线性行为，而许多基于AI的方法因缺乏可解释性而难以在工程实践中 confidently 应用。此外，以往研究多依赖单一机器学习算法，可能因参数设置欠佳或数据内潜在关系挖掘不足而限制模型性能。

为应对上述局限，研究人员提出了一项综合性预测框架，将群体智能优化算法与可解释数据驱动模型相融合。该研究采用了四种机器学习算法——支持向量回归（SVR）、反向传播神经网络（BPNN）、随机森林（RF）和极端梯度提升（XGBoost），并运用四种元启发式算法进行优化：麻雀搜索算法（SSA）、变色龙优化算法（CSA）、蛇优化算法（SO）和开普勒优化算法（KOA）。为增强可解释性，研究还进行了TreeSHAP分析以识别并量化关键输入参数的贡献。

该研究的数据集来源于Li等人及Shen等人提供的50组锯齿状 exhaust 节理岩体直剪试验数据。由于锯齿状节理岩样极难从原位工程中获取且其变异条件难以控制，上述研究采用水泥-砂-石膏混合料（重量比1:1:0.5）制作人工岩样以再现天然节理岩体的力学特性。试样的基本摩擦角设计范围为36.1°至42°，节理倾角设置为10°至40°，这些配置与天然岩体中的常见范围一致，能够有效捕捉锯齿状节理岩体的剪切变形与破坏特征。选用的变量包括基本摩擦角（φ_b）、节理倾角（i）、节理法向应力（σ_n）、法向应力与完整岩石抗拉强度之比（σ_n/σ_t）以及抗剪强度（τ），这些参数被广泛认可为控制岩体节理剪切行为的关键力学参数。数据集按80%训练集和20%测试集进行划分。

研究采用"输入预处理—预测—优化—评估"的框架体系。首先对所有输入变量进行min-max归一化处理，将各特征映射至[0,1]范围，以消除量纲和数量级差异。随后，以SVR、BPNN、RF和XGBoost作为基学习器建立预测模型，并分别采用SSA、CSA、SO和KOA四种群体智能优化算法对模型超参数进行全局寻优。优化过程中，以均方根误差（RMSE）作为适应度函数，当RMSE低于预设阈值0.5且连续500次迭代无显著改善时终止优化。各模型的超参数搜索空间均有明确设定，如XGBoost的学习率范围为0.01–0.40、最大树深度为3–20、树的数量为50–200。

在预测结果与指标对比方面，研究构建了八种预测模型：BPNN、SVR、RF、XGBoost、SSA-XGB、CSA-XGB、SO-XGB和KOA-XGB。通过散点图分析发现，所有模型的预测结果总体均匀分布于理想预测线（y=x）附近，表明所提出的模型能够捕捉锯齿状节理岩体的非线性抗剪强度特征。其中，KOA-XGBoost模型的预测点与理想预测线的偏离最小，表现出最优的预测性能。从代表性评估指标来看，在训练集中，KOA-XGB模型达到最高的R²（0.992）、最低的RMSE（0.197）和MAE（0.153），Adj.R²为0.991，VAF为99.20%；在测试集中，KOA-XGB模型同样表现最优，R²为0.992，Adj.R²为0.991，RMSE为0.239，MAE为0.205，VAF为99.146%。三角形雷达图进一步可视化证实了KOA-XGB模型在R²、RMSE和MAE三项指标上的综合优势。不确定性分析基于预测误差的均值和标准差，采用Wilson评分法估计预测值的置信区间，结果表明KOA-XGB模型具有可靠的预测稳健性。

基于TreeSHAP的特征重要性分析显示，节理法向应力（σ_n）的重要性最高（0.360），其次是节理倾角（i）（0.255）和σ_n/σ_t（0.240），而基本摩擦角（φ_b）贡献最低（0.145）。σ_n与i的累积贡献超过0.6，表明这两个变量是控制节理剪切行为的主导因素。从力学机理而言，σ_n的高重要性与莫尔-库仑抗剪强度准则一致，较大的法向应力增强了粗糙度互锁和摩擦阻力；i决定了剪切面相对于施加应力方向的取向，控制着有效正应力和剪应力的分量；σ_n/σ_t反映了正应力相对于拉伸承载力的相对贡献，影响拉伸开裂的发生和从滑移向混合破坏模式的转变。φ_b的重要性较低可能归因于其在天然节理岩体中的变化范围较窄（30°–40°），其影响已通过莫尔-库仑准则中的摩擦项隐含体现。

在讨论部分，研究人员提出了KOA-XGBoost模型的工程应用实践流程，形成"预测—验证—优化"的迭代循环：通过现场测绘或实验室测试获取目标节理岩体的输入参数；利用训练好的KOA-XGBoost模型快速预测抗剪强度；开展针对性实验室测试或有限原位测试进行验证；将实测数据纳入数据库并定期重新训练或微调模型；将预测结果整合入边坡稳定性分析、开挖设计、支护设计或风险评估工作流程。该模型的创新之处在于：方法论上建立了KOA与XGBoost耦合的集成预测-优化框架，实现了超参数的全局搜索，有效避免了过拟合，并引入TreeSHAP可解释性分析弥合了经验机器学习方法与基础岩土力学认知之间的鸿沟；工程应用上，该模型能够基于少量易获取参数快速提供数据驱动的抗剪强度估计，支持复杂地质条件下的及时工程决策。

该研究也存在一定局限性：数据集规模相对较小且来源于实验室制作试样，尚未进行独立数据集的外部验证，且缺乏复杂现场条件下的物理实验验证。未来研究方向包括：开展更多直剪和三轴试验验证AI预测结果；纳入更多样化的地质材料、应力条件和节理几何形态以扩展数据集；开发结合物理本构原理与机器学习算法的混合建模框架；将模型应用于边坡稳定性分析和地下开挖等大型工程项目以评估其实际预测可靠性。

结论部分，研究人员总结了以下主要发现：收集了50组锯齿状节理岩体实验数据，构建包含五项关键参数的数据库，Pearson相关分析揭示了参数间的强非线性关系；构建了四种基于不同算法的预测模型并与群体智能优化算法相结合，其中KOA-XGBoost模型达到了最高预测精度（R²=0.992），SO-XGBoost模型次之（R²=0.988），证实了基于群体智能的优化在提升学习与泛化性能方面的有效性；TreeSHAP分析识别出法向应力和节理倾角为影响抗剪强度的主导因素，累积重要性得分超过0.6，为岩土工程设计和灾害防治中关键力学参数的优先级确定提供了实践指导。