Data-driven machine learning models for predicting engineering properties in deep-sea sediments

Jungmin Yun

doi:10.1038/s41598-025-29402-7

Data-driven machine learning models for predicting engineering properties in deep-sea sediments

2025-11-21

0

OA

AI

DOI：10.1038/s41598-025-29402-7

原文链接

查看原文

摘要

En 中文

预测深海沉积物性质可为过去海洋条件提供关键见解，包括沉积物组成、地层学和地球化学信号。然而，准确预测受到这些沉积物高空间变异性的阻碍。本研究提出了一种数据驱动的机器学习框架，用于预测五种关键沉积物性质。开发了五种预测场景，并进行了定制化预处理和超参数调优，同时采用Shapley加性解释来评估特征重要性以及深度与沉积物性质之间的关系。在五种测试算法中，极端梯度提升（XGBoost）模型达到了最高的预测性能。深度和压缩波速度被确定为估算孔隙度、颗粒密度、方解石含量和热导率的最具影响力和第二具影响力的特征。XGBoost模型生成的具有量化不确定性的深度依赖性预测表明，所提出的框架为预测深海沉积物性质提供了一种稳健的方法。

Keyword:

Shapley additive explanations

Machine learning

Data-driven approach

Deep-sea sediment

Feature importance

Data-driven machine learning models for predicting engineering properties in deep-sea sediments

摘要

AI总结

期刊

机构

引用论文