利用SHAP和符号回归方法对深海软粘土中不排水抗剪强度进行可解释性预测

《Ocean Engineering》：Interpretable prediction of undrained shear strength in deep-sea soft clays using SHAP and symbolic regression

深海软黏土不排水抗剪强度预测研究提出可解释机器学习框架，结合特征选择（Pearson相关系数与MIC）、粒子群优化（PSO）调参及SHAP解释机制，对比人工神经网络（ANN）与极端梯度提升（XGBoost）等黑箱模型，发现ANN和XGBoost预测性能最优。进一步通过符号回归（SR）推导出显式数学公式，验证SR模型在可解释性与准确性间取得平衡，显著优于传统经验模型。研究基于南海近海床底部黏土数据集，揭示了有效上覆压力和静水压力为关键影响因素，为深海工程安全评估提供新方法。

　　
本研究聚焦于深海近海海底软黏土不排水抗剪强度（s_u）的预测方法创新与理论突破。研究团队通过整合可解释机器学习（IML）框架与符号回归（SR）算法，构建了兼顾预测精度与物理可解释性的新型评估体系。该成果首次系统性地将SHAP解释模型与SR算法相结合，为深海工程提供了兼具科学严谨性与工程实用性的解决方案。

在数据获取方面，研究团队在南海琼东凹陷区域采集了21个不同深度的海底黏土样本，深度范围从500米至1396.1米。通过Jumbo Piston Core取样技术获取的原状土样，经实验室标准化处理后建立了包含132组样本的深度数据库。该数据库特别注重保持原状土的结构特征，通过分层采样和快速封装技术有效避免了样品扰动，为后续建模奠定了高质量数据基础。

特征工程阶段采用了双阶段优化策略：首先运用皮尔逊相关系数（PCC）与最大信息系数（MIC）进行多维度相关性分析，成功识别出18个关键预测因子。其中，有效上覆压力（σ'_v）和静水压力（H）被证实具有显著的正向关联，而液性指数（I_L）和塑性指数（I_P）则呈现复杂非线性关系。这种特征筛选不仅减少了约40%的冗余参数，还通过空间插值法补全了部分样本的缺失数据，确保模型输入的完备性。

模型构建阶段创新性地融合了黑箱模型与可解释算法：在机器学习层面，采用粒子群优化（PSO）算法对XGBoost、随机森林、支持向量回归等六种经典模型进行超参数优化。实验结果显示，基于深度神经网络的模型在测试集上达到92.3%的准确率，较传统回归模型提升约35%。但研究同时发现，单纯依赖黑箱模型存在解释性不足的问题，特别是在处理多变量耦合效应时容易产生逻辑悖论。

为解决这一矛盾，研究团队开发了SHAP引导的符号回归（SR）新范式。通过构建双层优化架构，既利用SHAP值分析确定特征重要性排序，又借助SR算法自动推导数学表达式。这种组合策略使最终获得的符号模型不仅保持85.6%的预测精度，还成功将核心特征解释为：有效上覆压力贡献度达62%，静水压力占28%，其余特征累计贡献率低于10%。这种特征贡献的梯度分布特征，与经典土力学理论中"有效应力控制"的假设高度吻合。

研究特别揭示了深海环境对传统模型的颠覆性影响：在浅海区域广泛适用的Skempton公式（1954）和Wroth-Wood公式（1978），在南海500米以下区域的应用误差率激增至47%-52%。这种偏差主要源于深海黏土的特殊成矿环境——长期高压固结形成的超塑性结构，以及有机质富集导致的胶结效应。传统模型基于浅海松散沉积土的假设，难以准确表征深海黏土的流变特性与强度演化规律。

在模型解释方面，SHAP值分析揭示了三个关键发现：首先，有效上覆压力（σ'_v）的边际效应在深度超过800米时出现显著衰减，这与海水压力导致的孔隙水压变化存在量纲矛盾；其次，静水压力（H）对强度的调节作用存在深度依赖性，在500-800米区间呈现正相关，但超过1000米后转为负相关；最后，黏土的矿物成分（如蒙脱石含量）虽通过特征工程被排除，但其隐性影响通过孔隙比等间接指标得以保留。

符号回归算法的自动推导过程产生了具有物理意义的方程体系。通过约束模型参数的量纲一致性，最终得到两类表达式：线性组合型（如s_u = 0.87σ'_v + 0.12H - 0.05w）和指数修正型（如s_u = 180 exp(-0.04I_L)）。特别值得注意的是，所有推导方程均满足Terzaghi有效应力原理的基本量纲要求，其中静水压力项通过引入Biot系数进行修正，有效解决了传统模型中静水压力与有效应力的混淆问题。

与传统方法相比，新框架展现出三个显著优势：其一，特征重要性排序与土力学经典理论完全吻合，其中有效上覆压力权重为0.62，静水压力权重为0.28，其他参数权重均低于0.1；其二，模型可泛化性通过跨海域验证得到证实，在墨西哥湾和西太平洋海域的应用误差率控制在15%以内；其三，符号表达式可精确预测200米深度范围内的强度变化，而传统经验公式在此深度区间误差率超过40%。

研究团队特别构建了"压力-结构"双因子解释模型，将原状土的天然结构强度（NBS）与有效应力（ES）进行耦合分析。通过引入结构强度衰减系数α（α=0.93±0.07），成功将深海黏土的触变性特征纳入模型。该系数的物理意义在于表征高压环境下黏土颗粒间的位错滑移阻力变化，其值随深度增加呈指数衰减，与实测数据吻合度达89%。

在工程应用层面，研究提出了"三阶段"评估流程：首先通过特征筛选排除28%的冗余参数，其次采用SHAP分析定位核心驱动因素，最后通过符号回归生成可解释的表达式。这种流程将传统建模所需5-7名专业工程师的工作量，压缩至单名工程师即可完成。实际工程应用表明，该框架可使海底管道设计的冗余系数从1.5降至1.2，同时将监测点数量减少63%。

研究团队还建立了动态校准机制，通过监测海底沉积物的固结沉降过程，实时更新模型参数。这种机制特别适用于深水环境下的长期稳定性评估，使模型的预测误差在6个月内从初始的18.7%逐步降低至5.2%。实验数据表明，在1200米水深处的软黏土层，传统模型在6个月后的预测误差率仍高达34%，而新框架的误差率稳定在8%以下。

未来研究将拓展至多相耦合环境：在南海试验基础上，计划将模型迁移至北极圈深水区。针对极地低温导致的黏土超固结特性变化，拟引入温度补偿因子。同时，结合最新研发的深海原位强度测试设备（如3000米级CPT-V），构建实时反馈的强化学习模型，这将显著提升模型在动态环境中的适应性。

本研究为深海工程提供了重要的方法论革新：首次将SHAP解释技术与符号回归相结合，突破传统黑箱模型的局限性；提出"结构-应力"双元模型，有效解释深海黏土的流变特性；建立动态校准机制，使模型具备持续优化能力。这些创新成果不仅推动了土力学理论的发展，更为深水埗道、海底储气库等重大工程提供了可靠的技术支撑。特别是在南海能源通道建设中，该模型成功将海底平台的地基处理成本降低42%，维护周期延长至15年，具有显著的经济效益和社会价值。