Physics-guided explainable machine learning and uncertainty quantification for predicting unconfined compressive strength of nano shale–quicklime stabilized kaolin clay

我们脚下的地面很少是均匀一致的。在许多地方，土壤松软、潮湿且容易发生位移，这使得它难以作为道路、建筑或桥梁的基础。工程师们早已知道如何通过将弱土与石灰或水泥等稳定剂混合来解决这个问题。这些添加剂会引发化学反应，将土壤颗粒结合在一起，使原本黏糊糊的泥浆变成坚固的承重材料。然而，弄清楚究竟该使用多少稳定剂以及需要等待多久才能让土壤硬化，是一个缓慢且昂贵的过程。这需要实验室制作数十种不同的配比，等待数周进行养护，然后通过破碎实验来测量其强度。每当出现一种新的土壤类型或配方发生变化时，都必须重复这一循环，消耗了本可以更好地用于建设的时间和资源。

一组研究人员开发了一种新方法，可以在不牺牲准确性的情况下加速这一过程。他们创建了一个计算机模型，该模型充当高度专业的预测器，通过学习过去的实验来预测未来土壤混合物的强度。但是，研究人员并没有仅仅向计算机输入原始数据，而是教会了它像岩土工程师一样思考。他们利用“物理引导”特征构建了该模型，这意味着他们赋予了计算机能够反映土壤中实际物理和化学过程的描述符，例如粘结剂如何随时间相互作用，以及土壤的自然塑性如何变化。这种方法使模型能够理解强度背后的“原因”，而不仅仅是“结果”。其结果是一个能够快速且可靠地筛选潜在土壤混合物的工具，帮助工程师决定哪些组合值得在实验室进行测试，哪些可能会失败，同时还能清晰地解释为什么特定的混合物预期表现良好。

研究人员专注于一种特定的土壤处理类型，涉及用纳米页岩（一种精细研磨的岩石粉末）和生石灰（一种反应性钙氧化物）来稳定一种常见的弱土——高岭粘土。他们从包含 36 种不同混合设计、共计 180 个实验室测量值的数据库开始。每种设计都改变了纳米页岩和生石灰的使用量，以及土壤养护的天数。目标是预测单轴抗压强度，这是衡量土壤在破碎前能承受多少压力的标准指标。为此，他们测试了几种不同类型的机器学习算法，范围从简单的线性方程到复杂的人工神经网络以及先进的树模型。他们并没有简单地将数据随机分为训练组和测试组（这是某种常见做法，有时会掩盖模型的缺陷），而是使用了一种称为嵌套组交叉验证（nested group cross-validation）的严谨方法。这确保了模型是在它从未见过的全新混合设计上进行测试，防止它仅仅通过记忆相似样本的结果来获得虚假的准确感。

在训练和测试这些模型后，研究人员发现一种名为 CatBoost 的特定算法表现最好，但前提是需要对接收到的信息进行优化。最初，他们提供了七个工程特征，旨在捕捉稳定过程的物理特性，例如总粘结剂用量以及该粘结剂如何与养护时间相互作用。通过一个仔细的逐一剔除特征的过程，他们发现其中一个输入实际上是冗余的，并且干扰了模型的判断。通过移除该特征，他们创建了一个精简版本，包含六个关键描述符，包括总粘结剂含量、纳米页岩与养护天数的相互作用，以及土壤相对塑性的度量。这个经过优化的模型被命名为 CatBoost-6PG，它实现了极高的准确度，对土壤混合物强度的预测误差仅约为 151 千帕。这一性能显著优于那些没有使用这些基于物理输入的简单模型，甚至优于更复杂的模型。

然而，这项工作的真正价值在于其透明度。研究人员并未止步于获得良好的预测，他们还希望了解模型究竟学到了什么。利用 SHAP 分析技术，他们绘制出了哪些因素最为关键。他们发现，模型正确地识别出土壤的塑性指数（即土壤在变得黏稠之前能容纳多少水的指标）是最关键的因素。高塑性始终导致较低的强度预测，这完全符合既定的土壤力学原理。模型还了解到时间流逝至关重要，较长的养护期会导致更强的土壤，并且粘结剂与养护时间之间的相互作用比单纯的粘结剂用量更为重要。例如，模型显示，只有在有足够时间进行化学反应的情况下，增加纳米页岩的添加量才会有所帮助。这些见解证实了模型不仅是在寻找统计规律，而且是在捕捉真实的物理机制。

为了确保预测的可信度，团队还量化了每次预测的不确定性，即可能结果的范围。他们模拟了数千种场景，在这些场景中，输入值（如生石灰的确切量或养护时间）会发生轻微变化，以模拟现实世界中的不完美情况。他们发现，最大的不确定性来源是输入材料本身的变异性，而非模型内部的计算。当考虑到这种变异性时，模型提供的预测区间覆盖了近 90% 的实际测试结果。这意味着，虽然模型给出了一个关于预期强度的具体数值，但它同时也提供了一个安全裕度，告诉工程师在现实中该数值可能会如何波动。对于依赖于理解预测极限的工程领域来说，这是一个至关重要的功能。

研究还探讨了该模型在项目极早期阶段的实用性，即工程师可能尚未掌握有关土壤压实特性或塑性极限的详细数据时。他们仅使用基本的混合设计变量（纳米页岩和生石灰的量，以及养护时间）对模型进行了测试。虽然模型仍能利用这些有限的信息做出粗略估计，但其准确度显著下降。这一发现是务实且诚实的：该模型并非实验室测试的替代品，而是一个强大的引导工具。它可以帮助工程师缩小有望进行测试的混合物清单，从而节省时间和资金，但它仍然依赖于基础土壤特性才能做出最准确的预测。

最终，这项研究搭建了原始数据与工程直觉之间的桥梁。通过将机器学习与对物理过程的深刻理解相结合，研究人员创建了一个既准确又具解释性的工具。它并不将土壤视为一个“黑箱”，而是学习了粘结剂、时间与土壤属性如何相互作用以产生强度的规则。这种方法实现了一个更高效的设计过程，使工程师能够自信地筛选混合物，并将资源集中在最有可能成功的组合上。这项工作证明了，当人工智能受到物理定律的引导时，它可以成为解决复杂工程挑战的可靠伙伴，为支撑我们日常生活的结构设计提供清晰度和信心。