📄 地球科学

Physics-Residual Learning with Few-Shot Calibration for Cross-Geological UCS Prediction: A Model-Agnostic Framework

本文介绍了一种与少样本校准和面向多样性的主动采样相结合的模型无关物理残差学习框架，该框架显著增强了跨地质单轴抗压强度（UCS）预测的准确性和稳定性，同时将破坏性测试的需求降低了90%以上。

原作者： Long Long¹

发布于 2026-10-21

📖 1 分钟阅读☕ 轻松阅读

原作者： Long Long¹

原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

在深邃的地底，在隧道开凿与地基铺设之处，工程师们面临着一个根本性的问题：岩石有多强？答案在于一个被称为“单轴抗压强度”的测量值，这个数值告诉我们岩石在破碎之前能承受多少压力。这一单一数值是大型基础设施项目安全计算的基石。传统上，寻找这个数字需要一个破坏性的过程：钻取出圆柱形岩芯，将其带到实验室，并用机器将其压碎。这既昂贵又耗时，而且如果岩石过于破碎无法完整取出，这种方法往往难以实现。几十年来，科学家们一直试图利用间接线索来预测这种强度，例如声波穿过岩石的速度或其密度。近年来，强大的计算机程序（即机器学习）经过训练，能够识别这些线索中的模式，有望在无需破坏样本的情况下预测岩石强度。

然而，一个隐藏的缺陷一直困扰着这些数字预测。大多数计算机模型是在一个特定地点的数据上进行训练的，然后被期望能在完全不同的地质环境中完美运行。正如一个针对伦敦天气训练的模型可能会无法预测孟买的季风一样，一个针对巴西岩石训练的机器学习模型在应用于土耳其岩石时经常会出错。地质差异过于巨大，计算机在一个地方学到的模式无法转化到另一个地方。这造成了一个危险的缺口，使得工程师在最需要预测的时候——即面对新的、未探索的地形时——无法依赖这些预测。

来自中国铁路总公司的龙龙的一项新研究通过改变计算机的学习方式解决了这个问题。研究者不再要求机器从零开始记忆岩石线索与强度之间的整个关系，而是构建了一个系统，该系统首先应用一条基本的物理规则。这可以理解为给计算机一张基于自然界普遍规律的粗略地图，然后要求它仅学习为了使这张地图适用于特定国家而需要的微小局部修正。计算机不再是在猜测整个画面，而是在调整一个已知的基准以适应当地现实。这种被称为“物理残差学习”的方法，将普遍真理与局部特性分离开来，使得模型在遇到新的地质景观时具有更强的适应性。

研究人员使用来自马来西亚、土耳其、伊朗、葡萄牙、南非和巴西六个国家的庞大岩石数据集测试了这个想法。目标是观察一个基于其中五个国家进行训练的模型是否能准确预测第六个国家的岩石强度，这被称为“跨地质预测”场景。结果揭示了一个令人惊讶的权衡：当模型被要求在没有任何局部数据的情况下进行预测时，传统的纯计算机方法实际上表现得稍好。然而，这种最初的优势是一种错觉。一旦允许模型观察仅仅几个局部样本来进行预测调整，基于物理的方法便迅速超越了对手。传统模型在适应过程中显得吃力，在使用一两个新样本时，准确度往往反而下降；而物理引导的模型则能利用这点微量数据，以惊人的速度修正航向。

为了精确衡量模型的适应能力，该研究引入了一个新的指标，称为“可校准指数”。这个数值代表了利用仅五个局部样本所能弥补的训练数据与新地点之间的差距。物理引导的模型成功弥补了超过一半的差距，得分达到0.511，而传统模型仅能弥补约36%。这种差异至关重要，因为这意味着新方法可以显著减少昂贵的测试次数。研究发现，通过使用一种智能选择过程来挑选极少数需要测试的样本，工程师可以将破坏性岩石破碎测试的需求减少90%以上。与其测试数十个样本，现场团队只需有策略地选择三到五个核心样本进行测试，即可让模型根据这些样本调整全球预测，从而以高度的信心拟合当地场地。

研究还发现，并非所有岩石都是平等的，预测误差也并非随机产生的。研究计算了每个国家的“地质偏差”，揭示了模型现在可以解读的系统性强度差异。例如，南非的岩石平均而言比全球基准强5.6倍，这反映了其古老且稳定的地质历史。相比之下，土耳其的岩石明显较弱，仅为基准强度的三分之一左右，这可能是由于其更年轻、更破碎的性质所致。这些发现证实了预测误差不仅仅是噪声，它们是反映一个地区真实地质历史的有意义信号。通过理解这些模式，模型可以进行调整，以尊重每种景观的独特特征。

其中一个最实用的发现是如何选择那几个关键样本。研究对比了随机挑选样本与寻找岩石物理属性多样性（如密度和波速，且无需预先破坏岩石）的方法。事实证明，多样化选择法表现优异，与随机猜测相比，预测准确度提高了14%到17%。这意味着工程师可以使用无损检测工具扫描现场，识别出最具代表性的位置，然后仅提取极少数岩芯进行测试。这种策略确保了少量的破坏性测试被用在最关键的地方，从而最大限度地提高每个样本的价值。

研究还测试了增加更复杂的数学技巧或创建新的数据特征是否会有所帮助。结果显示，简单即是美。原始的一组测量数据——波速、密度和岩石类型——其表现与任何复杂的变量工程化处理相比，不相上下甚至更好。这表明对于这类地质问题，最强大的工具往往是最直接的。研究人员发现，在数据有限的情况下，试图强迫计算机学习更复杂的模式反而会导致更差的结果，这证实了基于物理现实的直接方法更为稳健。

最终，这项工作为岩石力学工程提供了一条清晰的前行之路。它证明了通过将物理学的普遍规律与机器学习的模式识别能力相结合，我们可以创造出能够跨越不同地质世界的模型。该方法并不依赖于单一类型的计算机算法，它适用于多种不同的学习工具，使其成为一种灵活的行业框架。最重要的是，它提供了一种经统计证实的途径，可以大幅降低现场调查的成本和时间。通过将破坏性测试的需求从数十个样本减少到仅需几个，这种方法能够让工程师在复杂多变的世界景观中，做出更快、更安全且更经济的工程决策。

技术摘要：基于物理残差学习与少样本校准的跨地质岩石单轴抗压强度（UCS）预测

问题陈述
在不同地质背景下预测单轴抗压强度（UCS）对于以数据为中心的机器学习（ML）模型而言是一个重大挑战。虽然机器学习模型在特定训练领域内通常能达到很高的精度，但由于领域偏移（domain shift），它们在推断到陌生的地质环境时往往会失效。传统方法依赖于随机数据划分，这假设训练数据和测试数据共享相同的分布，但在岩土工程领域，这种条件很少能得到满足，因为模型必须部署在具有独特岩性特征的新地点。此外，现有的物理启发式方法尚未系统地应用于解决跨地质外推或针对减少破坏性试验需求的少样本校准问题。

研究方法
本研究提出了一种以物理残差学习（Physics-Residual Learning）结合少样本校准（Few-Shot Calibration）为核心的模型无关框架（Model-Agnostic Framework）。该方法结构如下：

数据集： 研究利用了 ROCK/10/4025 数据库，该数据库包含来自六个国家（马来西亚、土耳其、伊朗、葡萄牙、南非、巴西）的 397 个完整岩石标本，涵盖了火成岩、沉积岩和变质岩类型。输入特征包括纵波速度（ $V_p$ ）、干密度（ $\rho_d$ ）、点载荷指数（ $I_{s50}$ ）和岩石分类。
验证策略： 采用了严格的**留一国法（Leave-One-Country-Out, LOTO）**协议。在每次迭代中，一个国家的数据作为目标域（测试集），其余五个国家的数据作为源域（训练集）。这模拟了现实世界中的跨地质部署场景。
架构： 对四种预测框架进行了比较：
1. 直接机器学习（Direct ML）： 直接在原始特征上训练的标准数据驱动模型。
2. 物理引导特征（PGFE）： 将基于物理的预测值作为输入特征添加到机器学习模型中。
3. 物理残差（Physics-Residual）： 模型预测的是观测值与物理衍生基准值之间的残差（差值），而非绝对的 UCS 值。
4. 物理约束单调残差（Physics-Constrained Monotonic Residual）： 与物理残差模型类似，但在物理特征上增加了单调性约束。
物理基准： 以基于物理原理的分层对数线性模型（例如， $log(\sigma_c) = a \cdot log(V_p) + b \cdot log(\rho_d) + c$ ）作为锚点。系数被约束为正值，以确保符合物理合理性。
少样本校准： 对于每个目标域，从校准池中选择少量样本（ $k \in \{0, 1, 3, 5, 10, 20\}$ ）。计算偏差修正因子，该因子为这 $k$ 个样本中观测到的 log-UCS 值与预测值之间中位差值的平均值，并将其应用于所有预测。
主动采样： 对比了两种选择 $k$ 个校准样本的策略：随机采样（Random Sampling）和多样性采样（Diversity Sampling）（使用 $k$ -means 聚类对非侵入性特征 $V_p$ 和 $\rho_d$ 进行处理，以确保特征空间的覆盖度）。
指标： 使用 RMSE、MAE、 $R^2$ 以及一种新型的**可校准指数（Calibratability Index, CI）**进行评估，该指数量化了校准所弥补的领域差距比例。

核心贡献

物理残差框架： 研究表明，将机器学习模型锚定在物理定律之上，可以将不可预测的外推误差转化为系统性的、可解释的偏差，从而能够通过极少量的数据进行修正。
可校准指数（CI）： 引入了一个新指标来衡量领域自适应的效率。物理残差方法的 CI 达到 0.511，显著优于直接机器学习（0.364），表明校准效率提升了 40%。
面向多样性的主动采样： 研究表明，基于非侵入性测量值（ $V_p$ , $\rho_d$ ）的多样性进行校准样本选择，与随机采样相比，可降低 14–17% 的 RMSE，从而实现仅需 3–5 次破坏性试验即可获得可靠预测。
地质偏差修正（GBC）： 研究量化了系统性的跨领域误差，揭示了偏差乘数随地质变化而异（例如，土耳其为 0.36，南非为 5.60），证实了跨领域误差是结构化的且具有地质意义，而非随机噪声。
简约性验证： 研究发现特征工程（如添加动态模量或对数变换）并未比原始特征集带来改进，这强化了在小型岩土数据集上遵循简约性原则的重要性。

结果

零样本 vs. 校准后性能： 在零样本场景（ $k=0$ ）下，直接机器学习最初显示的 RMSE（58.5 MPa）略低于物理残差模型（60.2 MPa）。然而，一旦进行校准，这一优势便立即消失。
校准效率： 在 $k=3$ 时，物理残差模型的 RMSE 为 37.7 MPa，优于直接机器学习（41.1 MPa）。在 $k=5$ 时，采用多样性采样的物理残差模型 RMSE 降至 36.8 MPa，较随机采样提升了 17%。
稳定性： 观察到了“ $k=1$ 不稳定性”现象，即单样本校准会导致所有模型的误差增加，这表明需要至少 $k \ge 3$ 的预算才能实现可靠的修正。
统计显著性： Wilcoxon 符号秩检验确认了物理残差模型优于直接机器学习，且 $p < 10^{-8}$ ，效应量中等（ $d \approx -0.53$ 至 $-0.58$）。
地质见解： 地质偏差修正（GBC）乘数与地质现实相符；南非岩石（克拉通性质，低孔隙度）需要 5.6 倍的上调修正，而土耳其岩石（年轻造山带）则需要 0.36 倍的下调修正。

意义与主张
本文声称提供了一个可行且统计稳健的过程，用于现场实施，可将破坏性 UCS 测试的需求降低 90% 以上（从 30–50 次测试减少到仅 3–5 次）。通过将不规则的外推误差转化为系统性偏差，该框架能够在新的地质背景下实现可靠的 UCS 预测，而无需大规模的本地数据收集。作者强调，该方法是模型无关的，在各种树类学习器（CatBoost, XGBoost, Random Forest, LightGBM）中均表现出一致的收益。引入的可校准指数被呈现为一种通用的工具，用于评估任何需要局部经验调整的物理科学领域的领域自适应效率。研究结论指出，虽然人们常追求特征工程，但物理原理的整合与战略性采样才是实现成功的关键驱动力。

技术摘要：基于物理残差学习与少样本校准的跨地质岩石单轴抗压强度（UCS）预测

类似论文