利用白盒机器学习方法，建立统一模型来预测添加黄原胶后土壤的强度

《Scientific Reports》：Unified model for prediction of the strength of soils stabilized with xanthan gum using white-box machine learning

　　

摘要

基于生物聚合物的土壤稳定技术作为一种可持续的岩土工程方法，正受到越来越多的关注。然而，由于土壤性质、添加剂特性以及固化条件之间的复杂相互作用，准确预测生物聚合物稳定土壤的抗压强度仍然具有挑战性。在这项研究中，研究人员整理并分析了248个使用黄原胶稳定处理的土壤的无侧限抗压强度（UCS）测试数据，开发出一个适用于多种土壤类型和固化条件的统一且易于解释的预测框架。为了建立明确的数值关系，采用了一种基于数据分组处理方法（Group Method of Data Handling, GMDH）的白色箱机器学习算法来预测UCS。输入参数包括塑性指数（PI）、黄原胶含量（XGC）、固化时间（CTi）、固化温度（CTe）、初始含水量（WMC）以及未处理土壤的无侧限抗压强度（q₀）。所开发的模型对整理的数据集表现出很强的预测能力，总体决定系数R²达到了0.883。在独立测试数据集上的评估中，该模型的R²值约为0.75，均方根误差（RMSE）为0.62 MPa，表明其具有较好的泛化性能。通过基于SHAP的全局解释方法和传统方法进行的敏感性分析表明，土壤本身的性质和固化相关变量是影响UCS的主要因素，其中未处理土壤的无侧限抗压强度和塑性指数被认为是最具影响力的参数。这些发现为黄原胶稳定土壤的行为提供了定量的预测工具和物理上的理解，为工程应用提供了实用的指导。