关于机器和深度学习技术的解释性,用于预测含有农业工业废物的稳定土壤的CBR

科学领域:

• 土木工程 土木工程是指土木工程.
• 地质技术工程 地质技术工程
• 数据科学数据科学数据科学

背景情况:

• 具有膨胀/崩特征的有问题的土壤对路面等轻型基础设施构成了挑战.
• 传统的土壤稳定剂 (水泥,石灰) 面临成本,环境和能源限制.
• 农业和工业废物 (AIWs) 为土壤稳定提供了可持续的替代品.

研究的目的:

• 评估AIW作为轻型基础设施的土壤稳定剂.
• 使用机器和深度学习 (MDL) 技术预测稳定土壤的加利福尼亚承载比 (CBR).
• 评估各种MDL模型在CBR预测中的性能和特征重要性.

主要方法:

• 使用多变量自适应回归脊柱 (MARS),人工神经网络 (ANN),M5P模型树 (M5P-MT),极端梯度增强 (XGBoost),局部加权多项式 (LWP) 和长短期记忆 (LSTM) 网络.
• 开发了两种采用7个和12个输入变量的建模方法,包括阿特伯格极限,普通波特兰水泥 (OPC),最佳水分含量 (OMC),最大干密度 (MDD),灰尘和灰.
• 雇员学习换的重要性和夏普利添加式解释 (SHAP) 用于特征重要性分析和使用MAE,RMSE,RSD,VAF,U95和R指标评估模型.

主要成果:

• 所有MDL模型都显示出高预测准确度 (R > 0.95).
• 该LSTM模型实现了最高的性能 (R = 0.98,RMSE = 3.12),而XGBoost显示了可比的结果.
• SHAP分析确定普通波特兰水泥 (OPC),添加剂类型和可塑性指数是最有影响力的变量.

结论:

• AIW显示出稳定有问题的土壤的巨大潜力,提供了一个环保的替代方案.
• 在稳定土壤中,MDL模型,特别是LSTM,对于准确预测CBR值非常有效.
• 该研究强调了地质工程中的数据驱动方法在材料表征和性能预测方面的有用性.