利用混合机器学习方法预测土壤抗剪强度，并进行性能与可解释性分析

《Scientific Reports》：Prediction of soil shear strength using hybrid machine learning approaches for performance and interpretability analysis

　　

摘要

土壤的抗剪强度对影响施工稳定性的岩土工程特性起着至关重要的作用。传统的实验室测试方法用于测定土壤抗剪强度，往往成本高昂且耗时较长。因此，本研究利用从先前发表的文献中整理出的岩土工程参数，借助机器学习方法来预测土壤抗剪强度，这些数据来自越南河内西部的Le Trong Tan Geleximco项目。共有202个样本被分析，涉及的参数包括深度、砂的比例、壤土的比例、黏土的比例、含水量、湿密度、干密度、孔隙比、液限、塑限、塑性指数以及流动性指数。研究共建立了四种预测模型并进行了分析，分别为多元线性回归模型、支持向量机模型、随机森林模型以及多表达式编程模型。通过决定系数、均方根误差、平均绝对误差、残差分析以及泰勒图等指标来评估模型的性能。其中随机森林模型的预测效果最佳，其训练阶段的决定系数为0.9527，测试阶段的决定系数为0.8578，同时预测误差也最低。支持向量机模型的预测表现也很出色，而多表达式编程模型则具有较高的准确度，同时还具备建立数学方程的优势。相比之下，多元线性回归模型由于无法处理非线性关系，其准确度相对较低。此外，SHAP分析表明，流动性指数、含水量以及塑性指数是影响土壤抗剪强度预测的最关键因素。这项研究证明，像随机森林模型和支持向量机这样的现代机器学习模型，在模拟土壤特性的非线性特征方面具有很高的效率。