.png){kind=icon}
返回
Predicting soil desiccation cracking behavior using machine learning and interpretability analysis
.png){kind=icon}
OA
AI
DOI：10.1016/j.jrmge.2025.07.001.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
土壤干缩开裂现象在自然界中普遍存在，并对土体的工程地质性质具有显著潜在影响。先前研究已通过大量小尺度实验广泛考察了影响土壤开裂行为的多种因素。然而，仅依赖实验研究无法准确描述土壤开裂行为。本研究首先提出了一种基于机器学习和可解释分析的土壤干缩开裂表面开裂率预测建模框架。该框架利用1040组土壤开裂实验数据，并采用随机森林（RF）、极端梯度提升（XGBoost）和人工神经网络（ANN）模型预测土壤干缩开裂的表面开裂率。为阐明输入特征对土壤开裂行为的影响，采用特征重要性分析和Shapley加性解释（SHAP）进行可解释性分析。结果表明，集成方法（RF和XGBoost）的预测性能优于深度学习模型（ANN）。特征重要性分析显示，土壤干缩开裂主要受初始含水率、塑性指数、最终含水率、液限、砂含量、黏土含量和厚度等因素影响。此外，基于SHAP的可解释性分析进一步探讨了土壤开裂对各种输入变量的响应方式。本研究为土壤开裂行为的演变提供了新见解，增强了对其物理机制的理解，并有助于评估土壤干缩开裂潜在的区域发展状况。
Keyword:
Soil desiccation cracking
Surface crack ratio
Machine learning model
Shapley additive explanations
Interpretability analysis
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
10.2
论文数:
2.6K
被引数:
1.2W
机构
引用论文
Global distribution of surface soil organic carbon in urban greenspaces.png)
NATURE COMMUNICATIONSOAAI
NATURE COMMUNICATIONSIF15.7
OAAI分享收藏A comprehensive framework for characterizing and quantifying soil desiccation crack patterns: Quantitative parameters and development of CIASENGINEERING GEOLOGY
ENGINEERING GEOLOGYIF8.4
PREAI
分享收藏Three-dimensional reconstruction of subsurface stratigraphy using machine learning with neighborhood aggregation基于邻域聚合的机器学习地下地层三维重建ENGINEERING GEOLOGY
ENGINEERING GEOLOGYIF8.4
PREAI
分享收藏Desiccation and cracking behaviour of clay layer from slurry state under wetting-drying cyclesGEODERMAOAAI
GEODERMAIF6.6
OAAI分享收藏Drying of silty soil treated with superabsorbent hydrogels: Retention behaviour and crackingENGINEERING GEOLOGYOAAI
ENGINEERING GEOLOGYIF8.4
OAAI分享收藏Material-agnostic machine learning approach enables high relative density in powder bed fusion products与材料无关的机器学习方法可在粉末床聚变产品中实现高相对密度NATURE COMMUNICATIONSOAAI
NATURE COMMUNICATIONSIF15.7
OAAI分享收藏
查看更多内容