一种BOHB优化的堆叠集成方法用于预测桂林红黏土的压缩系数和量化不确定性

《iScience》：A BOHB-optimized stacking ensemble approach for predicting the coefficient of compressibility and quantifying uncertainty of guilin lateritic clays

　　

红黏土的压缩系数是沉降分析和基础设计的核心，然而其高塑性与低至中等压缩性的矛盾组合阻碍了快速评估。研究人员采用一种基于贝叶斯优化与HyperBand（BOHB）优化的堆叠集成方法（CatBoost-XGBoost-LightGBM + ElasticNet），利用来自中国桂林的454个数据集，从基本物理指标预测该系数。该模型在测试集上实现了R²为0.9692，均方根误差（RMSE）为0.0183 MPa^?1，优于所有单个基础模型。SHAP（SHapley Additive exPlanations）和偏依赖分析表明，液性指数和含水量主导了预测，占特征重要性的95%以上，且两者的协同升高是高压缩性的主要驱动因素。空间交叉验证得到平均测试R²为0.9415，蒙特卡洛模拟证实了鲁棒性：80%的样本的90%置信区间宽度低于0.05 MPa^?1。该框架实现了对红黏土压缩性的快速、可靠评估。

论文解读文章

**研究背景与问题**
红黏土广泛分布于中国南方、东南亚、南美及非洲等热带和亚热带地区，其工程特性表现为高液限、高塑性、高孔隙比，却通常呈现低至中等压缩性，这种矛盾组合使得压缩系数（av）的快速评估极为困难。传统固结试验耗时7–10天、成本高且易扰动原状土样，尤其对于结构性黏土，室内参数与现场结果系统偏差显著。此外，土层空间变异性强，有限钻孔难以全面揭示场地压缩性分布。桂林地区红黏土因游离氧化铁胶结形成稳定团粒结构，其力学行为与普通黏性土差异显著：高塑性并不必然对应高压缩性，胶结作用反而增强了骨架抗变形能力。因此，基于易测物理指标快速、可靠地预测av成为平衡效率与经济性的关键，但常规回归方法难以捕捉铁铝胶结结构引入的非线性关系。

**研究目的与意义**
研究人员针对现有模型缺乏av预测能力、对区域红黏土特性表征不足以及方法链系统集成缺失三方面挑战，构建了集成预测、可解释分析与不确定性量化三层递进分析框架，旨在回答：能否基于物理指标建立av高精度预测模型？控制红黏土压缩性的主导物理因素及其协同机制是什么？模型在测量误差和未勘测场地条件下的鲁棒性与泛化能力是否满足工程要求？该研究为桂林红黏土压缩性提供了一种精度可控、可完全解释的快速评估方法，并在《iScience》发表，同时建立了“集成预测—可解释分析—不确定性量化”的可复现全链条技术范式。

**主要技术方法**
研究人员采用来自中国桂林18个工程勘察项目的454个原状红黏土样本，所有试验严格遵循《土工试验方法标准》（GB/T 50123–2019）。核心技术方法包括：（1）BOHB（贝叶斯优化与HyperBand）混合优化算法，结合全局搜索与自适应资源分配，自动调优超参数；（2）堆叠集成（Stacking）框架，以CatBoost、XGBoost、LightGBM为基学习器，经5折交叉验证生成元特征，ElasticNet为元学习器，融合L1/L2正则化筛选特征；（3）SHAP（SHapley Additive exPlanations）值和累积局部效应（ALE）图量化特征贡献与非线性关系；（4）三维偏依赖图（3D PDP）揭示变量交互作用；（5）蒙特卡洛模拟（±5%输入噪声）评估预测不确定性；（6）空间交叉验证（按场地分组）评估模型对未勘测场地的泛化能力。

**研究结果**

**探索性数据分析**
基于454个样本的统计描述显示，桂林红黏土具有典型高液限（平均57.21%）和高塑性（平均塑性指数27.25%）特征，平均压缩系数为0.28 MPa^?1，属中等压缩性，但最大值达0.70 MPa^?1。液性指数（IL）和含水量（w）与av呈强正相关（r>0.9），而塑性指数（IP）与av仅弱相关（0.28），表明铁铝胶结抑制了高塑性带来的高压缩性趋势。

**基模型评估**
在30次独立运行中，CatBoost测试R²最高（0.9665），XGBoost次之（0.9600），LightGBM第三（0.9588），深度神经网络（DNN）过拟合显著（测试R²=0.9023），传统多元线性回归测试R²仅为0.9384，凸显了非线性集成方法的必要性。

**集成模型拓扑优化与性能评估**
对比元学习器，ElasticNet表现最优（测试R²=0.9692，RMSE=0.0183 MPa^?1，MAE=0.0125 MPa^?1），优于岭回归和线性回归。BOHB优化的三模型堆叠（CatBoost-XGBoost-LightGBM + ElasticNet）在30次随机分割中测试R²稳定于0.9692，较最佳单模型CatBoost提升显著（Wilcoxon检验p<0.05）。加入随机森林的四模型堆叠未带来统计显著提升（p>0.05），故选择三模型方案。残差分析显示无系统性偏差，对高压缩性样本（av>0.5 MPa^?1）预测偏差控制在±0.04 MPa^?1内。

**基于特征重要性的敏感性分析**
置换重要性和SHAP分析一致表明，液性指数（IL）和含水量（w）共同主导预测，累计贡献超95%。SHAP蜂群图显示两者均呈单调正相关，其余变量（饱和度、液塑比、塑限、塑性指数、液限、深度、比重）贡献极低。

**偏依赖分析**
ALE和单变量PDP曲线确认IL和w的单调正效应。三维PDP及等高线图揭示IL与w的强协同增强效应：当IL<0.2且w<35%时，av保持在低压缩范围（0.175–0.225 MPa^?1）；当IL>0.8且w>55%时，av进入高压缩范围（0.475–0.525 MPa^?1）。单一变量单独升高不足以触发高压缩性，需两者协同。IP与w的交互作用极弱，深度对av影响微小。

**预测不确定性分析**
蒙特卡洛模拟（±5%输入噪声）显示，80%样本的90%置信区间宽度低于0.05 MPa^?1，平均宽度约0.04 MPa^?1，表明模型对测量误差具有良好的抗干扰能力。

**模型泛化能力评估**
空间交叉验证（按场地分组5折）平均测试R²为0.9415，较随机分割（0.9692）降低约2.9%，更真实反映对未勘测场地的预测能力。其中，高压缩性样本集中的折（Fold 1和Fold 5）测试R²降至0.90左右，揭示了模型在新场地上的性能边界。样本量敏感性分析表明，约300个样本（训练集60%）即可达到最终性能的99%，为区域勘察采样规划提供了定量参考。

**讨论与结论**
堆叠模型的性能优势来源于基学习器决策边界的互补性及ElasticNet的正则化筛选，BOHB自动调参消除了主观性，SHAP、ALE、PDP等工具揭示了IL与w的协同效应。空间交叉验证揭示了场地异质性对泛化性能的影响，蒙特卡洛模拟证明了模型鲁棒性，学习曲线表明当前样本量充分。研究结论（翻译自摘要）：该框架通过集成BOHB优化堆叠、SHAP可解释性分析与蒙特卡洛不确定性量化，实现了对桂林红黏土压缩系数的快速、可靠评估，测试R²达0.9692，且80%样本的预测不确定性低于0.05 MPa^?1，可满足初步场地筛查需求，为类似地质条件下的区域特殊土参数智能评估提供了可复现的方法论。