可解释的集成学习方法在估算含粘土岩石的强度和刚度中的应用：以伊朗Gurpi地层为例

《Scientific Reports》：Explainable ensemble learning for estimating strength and stiffness of clay-bearing rocks: A case study from the Gurpi formation, Iran

　　

摘要

在富含粘土的软弱地层中，可靠地估算无约束抗压强度（UCS）和杨氏模量（E）对于岩土工程设计至关重要。本研究开发了一种结合实验方法和机器学习（ML）的框架，用于预测伊朗Godarkhosh大坝所在地区的泥灰岩和页岩的UCS和E值。通过使用无损检测指标（密度、孔隙率、吸水率和P波/S波速度），训练了四种集成机器学习算法（LightGBM、AdaBoost、CatBoost和随机森林）。其中，AdaBoost在UCS预测方面表现最佳（测试R2 = 0.90，RMSE = 0.70 MPa），而CatBoost在E值估算方面最为准确（测试R2 = 0.82，RMSE = 0.22 GPa）。可解释性人工智能技术（SHAP、LIME、偏依赖图）一致表明，地震波速度和干密度是主要的正向预测因子，而孔隙率和吸水率则具有负面影响。所有XAI工具显示出的单调且物理上一致的趋势证实，这些模型捕捉到了真实的地质力学关系，而非统计上的偶然性。所提出的ML-XAI工作流程能够利用少量快速、无损的测量数据，准确且可解释地估算软岩地层的力学性质，从而为大坝基础及类似软弱沉积地层的现场特性分析提供有力支持。