领域知情可解释人工智能在黄原胶处理黏土吸力预测中的应用

《Algorithms》：Domain-Informed Explainable AI for Suction Prediction in Xanthan Gum-Treated Clays

　　

可解释人工智能（XAI）在科学和工程应用中日益重要，在这些应用中，仅靠预测性能是不够的，模型输出还必须在未见条件下具有物理可信性、透明性和可靠性。本研究提出了一种领域知情的XAI框架，用于预测黄原胶处理黏土中的总吸力，使用了139个实验观测数据，涵盖不同的矿物学、湿度、聚合物掺量和养护条件。采用抗泄漏的五折分组交叉验证评估了11种线性、基于核、集成、提升和物理引导算法，包括一次具有相同模型设置的匹配约束–无约束HGB比较。方法论贡献在于一种证据关联的XAI验证协议，在该协议中，模型解释不仅依据特征归因被接受，而且通过其与抗泄漏分组泛化、物理约束响应方向、匹配实验对比、残差行为、预测不确定性和适用域支持的一致性进行审计。选择性单调约束、物理引导残差学习、SHAP解释和非线性响应可视化在该协议中被整合为互补的证据来源，而非独立的可解释性指标。无约束直方图梯度提升模型取得了最高的折外预测性能（R² = 0.958，RMSE = 0.098，MAE = 0.070，以log₁₀(MPa)计）。相应的单调模型产生了R² = 0.935，RMSE = 0.121，MAE = 0.094，但消除了在无约束响应中检测到的方向性违规，揭示了预测精度与保证物理一致性之间可衡量的权衡。解释识别出含水量是主要的负向控制因素，并揭示黄原胶效应是非单调的，且依赖于养护、湿度和矿物学。残差模型保持可解释性，但性能不及领先的集成模型。总体而言，该框架针对实验对比、物理方向、分组泛化、残差行为、不确定性和域支持验证了解释，为结构化科学数据集中的可信XAI提供了一种可转移策略。

可解释人工智能（XAI）在科学和工程应用中日益重要，但传统XAI评价常局限于特征归因，忽略物理可信性、泄漏风险和泛化稳定性。非饱和土力学中，总吸力是控制持水、强度和变形的重要状态变量；黄原胶作为一种低碳生物聚合物改良剂，其作用随土类、掺量、湿度和养护条件而变化，甚至出现方向反转。现有研究多采用随机划分的机器学习对比，容易因同一土-聚合物-水分配置的不同养护龄期样本同时进入训练和验证集而产生泄漏。针对这些问题，本研究在《Algorithms》发表了一项领域知情XAI框架研究，目标是建立可审计的解释验证协议，使模型解释不仅来自事后归因，而且与分组泛化、物理方向、实验对比、残差行为、不确定性和适用域证据一致。

该研究以高岭土、50:50高岭土-膨润土混合土和膨润土为样本来源，共139个观测，其中117个为平衡析因核心，22个为补充高塑性观测，使用WP4C露点电位计测量总吸力。研究人员比较了11种线性、核、集成、提升和物理引导算法，使用五折分组交叉验证防止同一处理组不同养护龄期的样本泄漏，并设置匹配的约束与无约束直方图梯度提升对照，结合单调约束、物理引导残差学习、SHAP解释、非线性响应面、残差诊断、经验不确定性区间和适用域评估。

关键方法包括：（1）总吸力测量采用WP4C露点电位计，遵循Kelvin关系将平衡相对湿度转换为水势；（2）采用五折分组交叉验证，以土类-黄原胶掺量-名义含水率作为分组变量，使1、7、28天养护样本保持在同一折，输出折外预测；（3）构建匹配的无约束与单调HGB模型，单调向量对LL、PI施加非减约束、对实测含水量施加非增约束，XG、养护和孔隙比不约束；（4）物理引导残差学习以非负最小二乘拟合带符号基线，再用随机森林学习残差；（5）使用SHAP、响应面、残差诊断、不确定性区间及适用域外推距离进行解释审计。样本来源为高岭土、50:50高岭土-膨润土混合土、膨润土三类黏土体系的实验室实测数据。

研究结果如下。

**5.1 含水量与矿物学**：通过相关性分析和土类对比，实测含水量是吸力的主导负向控制（Spearman ρ = ?0.565），吸力随膨润土含量和塑性增大而升高。

**5.2 黄原胶与养护效应**：通过匹配未处理对照，XG平均效应在1天为负，7天转正，28天增强，证明XG效应非单调且依赖养护、湿度和土类。

**5.3 对持水模型的意义**：单一经典SWRC无法表示处理差异，独立拟合每组合欠定；应将经典持水模型作为物理主干。

**5.4 多变量依赖与耦合物理控制**：Spearman矩阵显示LL、PI、孔隙比与土类强耦合，不能把三者SHAP值视为独立因果。

**5.5 养护轨迹与处理响应矩阵**：配置级轨迹交叉表明养护、XG和水分存在交互。

**5.6 非线性物理响应面**：响应面显示水分轴梯度最陡，XG轴曲率随土类和养护变化，支持选择性单调约束。

**6.1 预测性能**：无约束HGB折外性能最高（R² = 0.958，RMSE = 0.098，MAE = 0.070）；单调HGB略低（R² = 0.935，RMSE = 0.121，MAE = 0.094），但方向违规全部消除，显示精度-物理一致性权衡。

**6.2 物理引导与残差学习比较**：残差随机森林R² = 0.813，明显低于领先集成，说明简化物理基线不足以刻画处理相关曲率。

**6.3 残差诊断**：残差均值接近零但方差异质，干端和高塑性区域误差增大。

**6.4 可解释人工智能**：基于随机森林的SHAP显示含水量主导且方向为负；PI、LL和孔隙比共同编码矿物学；XG贡献随养护和水分变号，与实验对比一致