一种可解释的集成机器学习方法，用于预测成都粘土的压缩系数

《Scientific Reports》：An explainable ensemble machine learning approach for coefficient of compressibility prediction of Chengdu clay

　　

摘要

准确预测区域黏土的可压缩性系数（a_v）在岩土工程中仍是一个基本挑战。本研究以成都黏土为例，提出了一种机器学习框架，该框架整合了物理约束的数据增强、差异化的超参数优化和可解释性分析。基于338个实验数据集，采用了一种混合优化策略（网格搜索+贝叶斯优化）以确保模型间的公平比较。通过30次蒙特卡洛交叉验证结合配对t检验，严格验证了性能差异的统计显著性。通过空间分组交叉验证以及基于Bootstrap的不确定性量化来评估模型的泛化能力。研究结果表明，LightGBM取得了最高的预测精度（测试R² = 0.8817），显著优于其他对比模型（p < 0.05）。XGBoost的精度也相当（R² = 0.8805），而随机森林在空间交叉验证中表现出更好的鲁棒性（R² = 0.7273）。多模型分析一致指出，含水量和流动性指数是控制a_v的主要因素，它们的累积贡献率超过95%。SHAP分析证实，这两个因素均具有单调正向效应，并且具有近似的可加性。基于树的模型得出的Bootstrap置信区间均值宽度在0.0526到0.0653 MPa^-1之间，为工程实践提供了重要的风险参考。本研究不仅为成都黏土的可压缩性系数预测提供了一个可靠的工具，还为区域岩土工程的机器学习研究建立了一种可重复、基于物理原理且统计上严谨的研究范式。