拖拉机驱动轮在软质砂质壤土中的土壤压实及其基于机器学习模型的估算

《Journal of Terramechanics》：Soil compaction with tractor powered wheel in soft sandy loam soil and its estimation using machine learning models

　　

摘要

为了研究机动轮胎多次碾压后的土壤压实情况，研究人员在土槽中使用单轮测试仪并配备13.6–28斜交农用轮胎进行了实验。试验条件包括正常载荷（7.84至13.73 kN）、充气压力（75.84至117.21 kPa）、牵引力水平（1.32至6.26 kN）以及碾压次数（1次、2次和3次）。结果表明，最大压实发生在第一次碾压时，与初始条件相比平均增加158%，后续碾压产生的附加增幅分别为26%和19%。研究人员开发机器学习模型，利用牵引力、充气压力、正常载荷、碾压次数和操作前锥体指数作为输入来预测操作后的锥体指数。共收集369个数据集，其中54个用于独立验证，315个用于模型开发。在所有模型中，梯度提升模型表现最佳，在测试中R² = 0.98，RMSE = 24.51 kPa，MAE = 18.4 kPa。最佳模型的独立验证显示R² = 0.97，RMSE = 27.4 kPa，证实了模型泛化能力。优化后的模型随后被部署到Streamlit Web应用中用于土壤压实预测。

引言

土壤压实是指土壤颗粒被挤压在一起的过程，减少了孔隙空间，从而限制空气和水的运动，导致作物产量降低（例如Canarache等人于1984年报告的玉米产量损失）。土壤压实程度主要受含水量和土壤质地控制，但在缺乏管控的机械化交通条件下会加剧（Arvidsson和H?kansson, 1991; Elaoud等人, 2025）。表面压实可以缓解，但地下压实难以甚至几乎不可能逆转（Yadav等人, 2025）。土壤-轮胎相互作用因素，如轮载、轮胎尺寸和轮胎结构等，对土壤压实有强烈影响。与大直径轮胎相比，宽轮胎造成的土壤压实更严重（Ansorge和Godwin, 2007; Chandrakar和Raheman, 2024）。低压充气的子午线和弹性轮胎造成的压实比刚性和过度充气的轮胎更少（Botta等人, 2008; Elaoud和Chehaibi, 2011）。尽管这些因素的组合可以减轻压实，但它们在真实的田间条件下同时作用，并以非线性方式相互影响。这种行为难以用简单的回归模型捕捉。另一方面，机器学习方法旨在更有效地学习非线性和多变量模式，在多项研究中展现出对土壤压实及相关岩土工程性质的优越预测能力（Sinha和Wang, 2008; Li等人, 2024）。

不同的机器学习回归模型已被用于预测土壤压实参数，特别是最大干密度（MDD）和最优含水量（OMC），以土壤的基本指标性质如粒径组成（砾石、砂、细粒土）和一致性界限作为输入。多项研究超越MDD和OMC，还利用粒径组成、阿特伯格界限、密度/孔隙参数等作为输入来估算渗透系数、抗剪强度和抗压强度等特性。上述文献总结见表1。尽管这些模型实现了高精度并优于回归模型，但它们仅依赖实验室土壤指标性质，未考虑实际田间引起压实的因素。

一些研究者试图更直接地模拟土壤-机械相互作用。Cao等人（2021）采用人工神经网络预测中等和强风化岩石土壤的压实计值（CMV），基于碾压次数、振动力、碾压速度和振动加速度。Teramoto等人（2024）使用基于深度学习的"一维卷积神经网络"从振动鼓加速度响应中估算土壤刚度。Moinfar等人（2022）使用人工神经网络、自适应神经模糊推理系统和逐步回归，根据经验方程和位移传感器预测容重。模型输入包括拖拉机驱动系统（四轮驱动、后轮驱动和前轮驱动）、行驶速度、土壤含水量、碾压次数、土壤质地和土壤深度。然而，他们的研究仅限于恒定牵引力，未考虑实际田间条件下的车轮滑转率。

多项研究利用锥体探针的锥体指数测量值评估土壤压实。Botta等人（2008）研究了不同轮胎配置（斜交和子午线轮胎，尺寸从18.4×34至24.5–32英寸不等）和两种配重条件下拖拉机碾压前后的细粘土土壤压实情况。Majdoubi等人（2024）使用650R38和800R38轮胎分析了轮载、速度和重复碾压对粘土质砂壤土的影响。然而，这些研究专注于大型轮胎和特定操作条件，且均未考虑所有关键机械操作参数的综合影响。Yadav等人（2025）使用人工神经网络模型预测13.6–28斜交轮胎碾压后软土、中等和硬质土壤的锥体指数，输入包括正常载荷、充气压力、土壤状况、牵引力和初始锥体指数。然而，他们的工作未考虑重复碾压的影响。Elaoud等人（2025）开发了贝叶斯网络和变分贝叶斯线性回归模型，通过考虑配备履带的拖拉机重量、含水量、碾压次数、充气压力和土壤深度来预测土壤对锥体探针的抗穿透阻力。他们的工作未考虑履带滑转和牵引力的影响，也未报告其对机动轮胎的适用性。

总体而言，现有文献存在两个主要局限。第一，大多数工作从土壤指标性质预测MDD和OMC，这并不代表拖拉机轮胎下方实际的田间压实情况。第二，仅有少数研究使用锥体指数，且主要考虑大型轮胎，未考虑土壤-机械相关因素的综合影响，如土壤强度、载荷、充气压力、重复碾压和牵引力。因此，本研究开发了一套实验装置，以测量不同操作参数下的土壤压实，并开发机器学习模型预测操作后锥体指数（ACI），定义为每次车轮碾压后测量的锥体指数。模型以这些操作参数作为输入，从而可以研究它们的综合效应。最佳模型随后被部署为Streamlit Web应用，用户可输入参数并即时获得预测的ACI。

章节摘要

实验装置

实验装置包括一个室内土槽，长、宽、深分别为23.5 m × 1.37 m × 1.50 m。土槽中填充砂壤土，顶部150 mm土壤的性质见表2。实验在锥体指数为450 ± 50 kPa的软土中进行，含水量为10.5 ± 0.75%（干基）。软土通过土壤处理车制备，该车包括由感应电机（三相，3.73 kW，1445 rpm）驱动的旋耕机、整平器和

车轮滑转率随牵引力的变化

图10(a, b和c)展示了不同正常载荷、充气压力和车轮碾压次数下车轮滑转率随牵引力的变化。虚线表示不同操作条件下车轮滑转率随牵引力变化的拟合趋势线，实线用于在选定牵引力下比较车轮滑转率的参考线。在所有三种情况下，车轮滑转率随牵引力增加而增大。在75.84 kPa的恒定充气压力下，碾压

结论

本研究旨在使用八种基于回归的机器学习模型（MLR、Ridge、LASSO、DT、RF、SVR、GB和KNN）从软砂壤土可控土槽实验中获得的关键轮土参数预测土壤压实。输入变量包括正常载荷、轮胎充气压力、牵引力、车轮碾压次数和碾压前锥体指数（BCI），输出为单一连续变量操作后锥体指数（ACI）。实验结果表明，土壤压实随正常载荷、充气压力、牵引力和

CRediT作者贡献声明

Harsha Chandrakar： 撰写 – 原稿、软件、方法论、调查、形式分析。Hifjur Raheman： 撰写 – 审阅与编辑、指导、概念构思。

利益冲突声明

作者声明他们没有任何已知的竞争性财务利益或个人关系可能会影响本文所报告的工作。