摘要
热导率是岩土工程和浅层地热工程中的关键参数，直接影响地热交换器、能量桩和地源热泵系统的设计、效率和长期性能。由于水分含量、体积密度和土壤结构之间的非线性相互作用，在沙质土壤中可靠地参数化这一特性仍然具有挑战性。本研究开发了一种基于机器学习的工作流程，用于使用包含1716个样本的大型、内部一致的实验室数据集来稳健地参数化富含石英的沙子的热导率。其中1455个样本为湿润状态下的测量数据，用于建模，这些数据来自全国范围内的现场调查。空气干燥的样本被认定为实验室诱导的干燥状态，并被排除在外，以将分析限制在代表典型浅层地下环境的水力-机械条件下。在统一且可重复的框架内评估了几种代表不同建模策略的回归算法，并将其与选定的经典经验公式进行了对比。使用标准准确性指标以及描述预测热导率表面功能稳定性的诊断方法来评估模型性能。研究结果表明，在预测准确性和功能一致性之间存在系统性的权衡：为提高准确性而优化的模型可能会产生功能不稳定且不太适合工程应用的参数化结果。注重准确性的模型通常会产生局部不规则的参数场，而强化正则化的模型则会产生更平滑且物理上更连贯的响应表面。所提出的工作流程支持岩土设计和浅层地热建模中的热属性参数化。
