基于微观结构与机器学习的膨胀土双峰土水特征曲线预测框架及闭式解析模型构建

《Scientific Reports》：Improved prediction of bimodal soil-water characteristic curves for expansive soils from mercury intrusion porosimetry using machine learning

　　

摘要

土水特征曲线（SWCC）在非饱和土力学中占据核心地位，然而对于膨胀土而言，其直接实验表征颇具挑战，因为该过程需要同时应对解析双峰孔隙结构以及跟踪吸力引起的体积变形，且整个测量过程通常持续数月之久。为克服上述限制，本研究开发了一种微观结构—机器学习（ML）框架，用于预测整个吸力范围内的双峰SWCC，涵盖低至高膨胀潜力的膨胀土。对压实试样进行了压汞法（MIP）测试，所得孔隙-喉径分布通过Young-Laplace方程转换为等效基质吸力曲线；随后，通过对吸力（s）和饱和度（S）进行系统修正，并结合吸力缩放因子以及沿完整干燥路径记录的体积收缩历史，使压汞法推断的持水特性与实验室实测值趋于一致。在相同的交叉验证条件下，对十四种回归算法进行了基准测试；XGBoost凭借其预测精度与抗过拟合能力之间的平衡被选为最具说服力的架构——而非仅依据单一的交叉验证最高得分，其在保留测试集上取得了R2 = 0.997的精度，这一水平与所评估的几种其他基于树的集成方法相当，但泛化稳定性显著更优。Shapley加性解释分析将该预测分解为各输入的独立贡献，并识别出五个关键物理描述符。随后，将这五个描述符作为基因表达式规划的终端字母，生成了两个透明且计算成本低的闭式解析模型，其预测精度在来自公开文献的九个独立实验数据集上得以保持，这构成了本研究的主要实际贡献。此外，该模型作为非饱和土力学中的重要工具，有助于确保建于此类难题土之上的基础设施能够安全且经济地进行设计。