Metaheuristic optimized hybrid machine learning framework for predicting soil compaction parameters

Bayram Ateş

doi:10.1038/s41598-026-59491-x

Metaheuristic optimized hybrid machine learning framework for predicting soil compaction parameters

2026-07-08

0

OA

AI

Mohammad Azım Eırgash

DOI：10.1038/s41598-026-59491-x

原文链接

原文求助

摘要

En 中文

准确预测最大干密度（MDD）和最优含水率（OMC）对于岩土工程中的有效压实控制和土方工程设计至关重要。传统的实验室压实试验耗时且资源密集，促使采用可靠的数据驱动预测模型。本研究提出了一种集成Rao-1元启发式优化算法与人工神经网络（ANN）、随机森林（RF）和梯度提升（GB）模型的混合建模框架，用于预测MDD和OMC。采用包含397个土壤样本的数据集，这些样本由级配特性和阿太堡界限表征，用于模型开发和验证。Rao-1算法用于优化网络权重和模型超参数，旨在增强收敛行为和预测精度。比较结果表明，Rao-1优化始终增强所有算法和目标变量的模型性能。对于MDD预测，ANN模型的R²从0.8512提高到0.9277，RMSE从0.4327降低到0.2865。同样，RF和GB模型显示出显著改进，优化后的R²值分别达到0.9176和0.9213。对于OMC预测，Rao-1优化的ANN表现出最高精度，R²从0.8234提高到0.9245，RMSE从0.4677降低到0.3071，而优化的RF和GB模型也显示出显著的误差降低。此外，集成了SHapley Additive exPlanations（SHAP）和余弦幅值法（CAM）以增强模型可解释性，实现对特征贡献的透明评估，并提供对地质参数影响的更深入洞察。总体而言，所提出的基于Rao-1的混合框架显著提高了预测精度和误差最小化，优于传统模型。结果表明Rao-1优化在数据驱动的土壤压实建模中具有鲁棒性和有效性，为过程创新和压实参数的初步估计提供了一个实用的决策支持工具，而不是替代标准化的实验室测试。

Metaheuristic optimized hybrid machine learning framework for predicting soil compaction parameters

摘要

期刊

机构

引用论文