⚡ electrical engineering

Interpretable hybrid XGBoost-MH models for predicting crack coalescence stress from direct shear testing of rock-like specimens containing non-persistent joints

Deze studie ontwikkelt een interpreteerbaar hybride XGBoost-Butterfly Optimization-model, gevalideerd op basis van 450 directe afschuivingsproeven en geïntegreerd in een gebruiksvriendelijke GUI, om de coalescentiestress van scheuren in gejoint rotsmassa's nauwkeurig te voorspellen terwijl de belangrijkste mechanische drijfveren worden geïdentificeerd via SHAP-analyse.

Oorspronkelijke auteurs: Fariborz Matinpour, Shadman Mohammadi Bolbanabad, Vahab Sarfarazi, Mohammad Rezaei, Matin Eghdami, Mahdi Hasanipanah

Gepubliceerd 2026-07-10

📖 6 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Fariborz Matinpour, Shadman Mohammadi Bolbanabad, Vahab Sarfarazi, Mohammad Rezaei, Matin Eghdami, Mahdi Hasanipanah

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je een gigantisch blok gesteente hebt, maar het is geen massieve, perfecte kubus. Het lijkt meer op een puzzel gemaakt van gebroken stukjes die aan elkaar zijn gelijmd, met barsten die er doorheen lopen maar niet helemaal door de hele massa gaan. Dit worden "niet-persistente voegen" genoemd. Stel je nu voor dat je probeert de bovenste helft van dit blok zijwaarts te verschuiven terwijl je er tegelijkertijd op drukt. Wat gebeurt er? Het gesteente glijdt niet alleen weg; de barsten beginnen te groeien, ze komen samen en plotseling breekt de hele boel. Het exacte moment waarop de barsten samenkomen om het gesteente te breken, wordt de Crack Coalescence Stress (CCS) genoemd.

Lange tijd was het uitrekenen van precies wanneer dit moment van breken optreedt, alsof je probeert de afloop van een mysteryroman te raden door alleen de eerste pagina te lezen. Wetenschappers hebben honderden experimenten uitgevoerd, maar de wiskunde erachter is zo ingewikkeld en grillig dat het moeilijk te voorspellen is zonder telkens weer het rommelige laboratoriumwerk te verrichten.

Dat is waar deze studie om de hoek komt kijken. De onderzoekers besloten om een superintelligent computerbrein de detective te laten spelen. Ze gebruikten niet slechts één brein; ze bouwden een team van vier verschillende "metaheuristische" algoritmen—denk aan vier verschillende soorten schatzoekers, elk met hun eigen unieke manier om naar het beste antwoord te zoeken. Deze zoekers waren:

De Honingdas (HBA): Een taai, onvermoeibaar graver.
De Vlinder (BOA): Een gevoelige zoeker die geursporen volgt.
De Kraai (CSA): Een slimme vogel die onthoudt waar hij voedsel heeft verstopt en anderen in de gaten houdt.
De Grijze Wolf (GWO): Een roedelleider die een jacht coördineert.

Hun taak was om de instellingen van een krachtig machine learning-instrument genaamd XGBoost af te stemmen. Zie XGBoost als een zeer snelle, zeer nauwkeurige rekenmachine die patronen kan leren. Maar net als een personage in een videogame, moeten de instellingen ervan perfect worden bijgesteld om optimaal te presteren. De vier "zoekers" (algoritmen) race tegen elkaar om de perfecte instellingen voor de rekenmachine te vinden.

De Grote Ontdekking
Het team heeft 450 directe afschuifproeven uitgevoerd op gesteente-achtige monsters gemaakt van gips en cement. Ze verwerkten al deze gegevens en lieten de vier zoekers hun werk doen. Dit is het resultaat: Alle vier de zoekers waren goed, maar de Vlinder (BOA) was de duidelijke winnaar.

Het XGBoost–BOA model gokte niet alleen; het was uiterst nauwkeurig in de voorspelling. Bij het testen op nieuwe, ongeziene data had het in 99,62% van de gevallen gelijk (een score die VAF wordt genoemd). De fout was minimaal, met een Root Mean Square Error (RMSE) van slechts 1,2680 en een Mean Absolute Error (MAE) van 0,8159. In de wereld van de rotsfysica is dat alsof je een bullseye raakt van de andere kant van de kamer. De andere zoekers (GWO, CSA en HBA) waren dichtbij, maar de voorspellingen van de Vlinder waren het meest stabiel en betrouwbaar, met de minste hoeveelheid "wobbel" of onzekerheid.

Wat Er Eigenlijk Toe Doet
De onderzoekers wilden niet alleen een "black box" die een getal geeft; ze wilden weten waarom de computer zijn keuze maakte. Met behulp van een speciaal "röntgenapparaat" genaamd SHAP-analyse, keken ze in het brein van het model. Ze ontdekten dat drie factoren de zwaargewichten waren die bepaalden wanneer het gesteente breekt:

Normale spanning (σₙ): Hoe hard je op het gesteente drukt.
Eenzijdige druksterkte (σc): Hoe sterk het gesteentemateriaal zelf is.
Voegingscoëfficiënt (JC): Een getal dat beschrijft hoeveel van het gesteentegoed daadwerkelijk een barst is versus massief gesteente.

Het model toonde aan dat als je harder drukt (hogere normale spanning) of als het gesteente sterker is (hogere druksterkte), de barsten meer kracht nodig hebben om samen te komen. Interessant genoeg speelden andere factoren, zoals de elasticiteit van het gesteente of de Poisson-ratio, een veel kleinere rol in dit specifieke scenario. Het model leerde dat de "grote drie" degene zijn die de dienst uitmaken.

Wat het Papier Uitsluit
De studie spreekt zich expliciet uit tegen het idee dat je dit gedrag gemakkelijk kunt voorspellen door slechts naar één factor in isolatie te kijken, zoals alleen de lengte van de voeg of alleen de hoek. Het artikel suggereert dat de interactie tussen de normale spanning, de materiaalkracht en de voegingscoëfficiënt te complex is om met eenvoudige experimenten alleen te ontrafelen. De oude manier om deze relaties kwalitatief te proberen te raden (door gewoon te kijken en te gissen) is niet voldoende; je hebt dit soort datagestuurde, hybride aanpak nodig om het volledige plaatje te zien.

Hoe Zeker Zijn Ze?
De auteurs zijn zeer vertrouwd met hun cijfers, maar ze zijn voorzichtig om niet te beweren dat ze het universum hebben opgelost. Ze hebben bewezen dat hun model extreem goed werkt op de 450 specifieke tests die ze in het lab hebben uitgevoerd. Ze gebruikten een techniek genaamd 10-voudige kruisvalidatie, wat lijkt op het testen van een student op tien verschillende oefentoetsen om er zeker van te zijn dat hij niet alleen antwoorden uit het hoofd leert, maar ook echt de les begrijpt. De resultaten hielden elke keer stand.

Ze zijn echter eerlijk over de beperkingen. Dit model is getraind op gesteente-achtige monsters gemaakt van mengsels van gips en cement in een laboratoriumsetting. Ze beweren niet dat dit model perfect werkt op elk type gesteente in de echte wereld (zoals een berg van graniet of zandsteen) zonder verdere tests. Ze suggereren dat hoewel het instrument krachtig is, toekomstig werk een breder scala aan materialen en stresscondities moet testen om echt universeel te zijn.

Het Coole Extraatje: Een Videogame voor Ingenieurs
Om dit bruikbaar te maken voor echte mensen, heeft het team het niet alleen in een schriftje met wiskunde achtergelaten. Ze hebben een Grafische Gebruikersinterface (GUI) gebouwd. Stel je een eenvoudige app voor waar een ingenieur de sterkte van het gesteente, de druk en de details van de barsten kan invoeren, op een "Predict"-knop kan klikken en direct het antwoord krijgt. Het verandelt een complex, hoogtechnologisch wiskundig probleem in een eenvoudig hulpmiddel dat iedereen kan gebruiken om veiligere tunnels, dammen en hellingen te ontwerpen.

Kortom, het artikel laat zien dat door een "Vlinder" te laten zoeken naar de beste instellingen in een supercomputer, we precies kunnen voorspellen wanneer een gebarsten gesteente onder druk zal breken met verbazingwekkende nauwkeurigheid, wat ons een duidelijkere kaart geeft van hoe de grond onder onze voeten zich zou kunnen gedragen.

Technische Samenvatting: Interpreteerbare Hybride XGBoost-MH Modellen voor het Voorspellen van Crack Coalescence Stress

Probleemstelling
Crack coalescence stress (CCS) is een kritieke mechanische parameter die het falen door afschuiving in gewrichtsgesteenten beheerst en een vitale rol speelt bij de stabiliteitsanalyse van ondergrondse en bovengrondse engineeringprojecten. Hoewel laboratoriumonderzoek uitgebreid onderzoek heeft gedaan naar scheurinitiatie en -voortplanting onder verschillende spanningsstaten, blijft de simultane en kwantitatieve invloed van normale spanning ( $\sigma_n$ ), intrinsieke mechanische eigenschappen van het intacte materiaal en de jointing coefficient (JC) op CCS onvoldoende begrepen. Traditionele experimentele benaderingen hebben vaak moeite om deze gekoppelde niet-lineaire effecten te isoleren, met name wanneer grote datasets beschikbaar zijn maar de onderliggende relaties verborgen blijven. Deze studie adresseert deze kloof door een datagestuurd raamwerk te ontwikkelen voor het voorspellen van CCS voor gesteente-achtige monsters die niet-persistente voegen bevatten onder directe afschuivingsbelasting.

Methodologie
De studie maakt gebruik van een uitgebreide database afkomstig van 450 directe afschuivingsproeven uitgevoerd op kubische gesteente-achtige monsters (gips-cement mengsels) met variërende niet-persistente voegconfiguraties. Het experimentele programma varieerde systematisch de jointing coefficient (JC), de normale spanning ( $\sigma_n$ ) en de mechanische materiaaleigenschappen (uniaxiale compressieve sterkte $\sigma_c$ , treksterkte $\sigma_t$ , elasticiteitsmodulus $E$ , Poisson-ratio $\nu$ , cohesie $C$ en interne wrijvingshoek $\phi$ ).

Om CCS te voorspellen, ontwikkelden de auteurs een hybride modelleringsraamwerk dat het Extreme Gradient Boosting (XGBoost) algoritme integreert met vier populatiegebaseerde metaheuristische optimalisatietechnieken:

Honey Badger Algorithm (HBA)
Butterfly Optimization Algorithm (BOA)
Crow Search Algorithm (CSA)
Grey Wolf Optimizer (GWO)

De metaheuristische algoritmen werden ingezet om de hyperparameters van het XGBoost-model systematisch te optimaliseren (bijv. aantal estimators, leersnelheid, maximale diepte). Het modelleringsproces omvatte:

Data Partitionering: De dataset werd gesplitst in een trainingsset van 80% en een testset van 20%.
Optimalisatie: Een 10-voudige kruisvalidatiestrategie werd geïmplementeerd op de trainingsset om overfitting te minimaliseren en optimale hyperparameters te selecteren door de Root Mean Square Error (RMSE) te minimaliseren.
Evaluatie: De modelprestaties werden beoordeeld met behulp van statistische indices ( $R^2$ , VAF, RMSE, MAE), informatie-theoretische criteria (AIC, BIC), grafische diagnostiek (Taylor-diagrammen, Regression Error Characteristic curves), residu-analyse en onzekerheidsbeoordeling.
Interpreteerbaarheid: Het best presterende model werd geanalyseerd met behulp van SHapley Additive exPlanations (SHAP) en Partial Dependence Plots (PDP) met Individual Conditional Expectation (ICE) om de feature-belangrijkheid en niet-lineaire effecten toe te lichten.
Toepassing: Er werd een gebruiksvriendelijke Graphical User Interface (GUI) ontwikkeld om de praktische engineeringtoepassing te faciliteren.

Belangrijkste Resultaten
Alle vier de hybride modellen vertoonden uitstekende voorspellende vermogens. Echter, het XGBoost–BOA model presteerde consequent het beste van de anderen, waarbij het de beste balans bereikte tussen nauwkeurigheid, generalisatie en robuustheid.

Prestatie-indicatoren: Het XGBoost–BOA model behaalde een testfase $R^2$ van 0.9960 en een Variance Accounted For (VAF) van 99.62%. Het registreerde de laagste voorspellingsfouten met een RMSE van 1.2680 en een MAE van 0.8159.
Generalisatie: In tegen tegenstelling tot het XGBoost–CSA model, dat de hoogste trainingsnauwkeurigheid vertoonde maar tekenen van overfitting liet zien (hogere testfout), behield het XGBoost–BOA model een superieure prestatie op de onafhankelijke testset.
Onzekerheid: Onzekerheidsanalyse bevestigde dat het XGBoost–BOA model de smalste betrouwbaarheidsbreedte had (WCB = 0.4056), wat duidt op de hoogste betrouwbaarheid voor ongeziene data.
Feature Belangrijkheid: SHAP-analyse identificeerde normale spanning ( $\sigma_n$ ) als de dominante factor die CCS beïnvloedt, gevolgd door de uniaxiale compressieve sterkte ( $\sigma_c$ ) en de jointing coefficient (JC). Andere mechanische parameters ( $\sigma_t, \nu, E, C, \phi$ ) bleken een secundaire invloed te hebben binnen de scope van de dataset.
Niet-lineaire Effecten: PDP–ICE plots onthulden duidelijke stapsgewijze gedragingen en niet-lineaire interacties, met name een scherpe daling in de voorspelde CCS bij een JC van 0.65, en een sterke, bijna monotone toename van CCS met toenemende normale spanning.

Betekenis en Bijdragen
Het artikel stelt dat de primaire bijdrage van dit werk de ontwikkeling is van een praktisch en transparant instrument voor het evalueren van crack coalescence stress in gewrichtsgesteentesystemen onder directe afschuivingscondities. Door XGBoost te koppelen aan metaheuristische optimalisatie, slaagt de studie erin de complexe, gekoppelde effecten van geometrische en mechanische parameters te vangen die moeilijk te isoleren zijn via laboratoriumtesten alleen.

De betekenis van het werk ligt in drie hoofdgebieden:

Voorspellende Nauwkeurigheid: Het hybride XGBoost–BOA model biedt een zeer nauwkeurige en robuuste methode voor het voorspellen van CCS, waarbij het andere metaheuristisch getunede configuraties overtreft.
Interpreteerbaarheid: In tegenstelling tot "black-box" modellen, zorgt de integratie van SHAP en PDP–ICE analyses ervoor dat de voorspellingen van het model fysiek consistent zijn met gevestigde breukmechanica-concepten, wat de dominantie van normale spanning en voeggeometrie valideert.
Engineering Nut: De integratie van het voorspellende model in een GUI stelt ingenieurs in staat om snel parametrische effecten te verkennen en CCS te schatten voor ontwerp en experimentele beoordeling, waardoor de kloof tussen geavanceerde computationele modellering en praktische gesteentetechniek wordt overbrugd.

De auteurs erkennen bescheiden dat de studie gebaseerd is op laboratoriumschaal monsters met specifieke materiaalsamenstellingen en voegconfiguraties. Zij suggereren dat hoewel de database uitgebreid is, toekomstige uitbreiding naar bredere geometrieën, spanningspaden en materiaaltypen de algemene toepasbaarheid van het voorgestelde raamwerk verder zou versterken.

Meer zoals dit