基于数据驱动技术的收缩膨胀指数测定.pdfVIP

142价值工程

基于数据驱动技术的收缩膨胀指数测定

MeasurementofShrinkageandExpansionIndexBasedonData-drivenTechnology

王娟WANGJuan

（中国铁建港航局集团有限公司，武汉430000）

（CRCCHarbourChannelEngineeringBureauGroupCo.，Ltd.，Wuhan430000，China）

摘要近年来，人工智能岩土工程中的应用受到广泛关注，尤其是预测膨胀土性能方面。然而，现有研究膨胀土收缩-膨胀

指数的预测精度方面仍存不足。本研究提出了一种基于LightGBM模型的预测方法，并结合贝叶斯优化技术，以提高模型对膨胀土

收缩-膨胀指数的预测精度。本文选取液限、塑限、塑性指数和线性收缩作为输入特征，通过贝叶斯优化对模型参数进行调优，显著提

升了模型性能。实验结果表明，优化后的BO-LightGBM模型训练集和测试集上的预测精度均优于未经优化的模型，其中测试集的

2

预测准确度提高了约6%，模型拟合度（R）提升了约5%，表现出较强的泛化能力和稳定性。该方法为岩土工程中膨胀土的性能预测

提供了一种高效且可靠的解决方案，具有重要的实际应用价值。

Abstract:Inrecentyears,theapplicationofartificialintelligenceingeotechnicalengineeringhasreceivedwidespreadattention,

especiallyinpredictingtheperformanceofexpansivesoils.However,existingstudiesstilllackaccuracyinpredictingtheshrink-swellindex

ofexpansivesoils.ThisstudyproposesapredictionmethodbasedontheLightGBMmodelandcombineswithBayesianoptimizationto

improvethepredictionaccuracyoftheshrink-swellindex.Liquidlimit,plasticlimit,plasticityindex,andlinearshrinkagewereselectedas

inputfeatures,andBayesianoptimizationwasusedtotunemodelparameters,significantlyenhancingmodelperformance.Experimental

resultsshowthattheoptimizedBO-LightGBMmodeloutperformsthenon-optimizedmodelinbothtrainingandtestsets,withtheprediction

2

accuracyonthetestsetimprovedbyapproximately6%andthemodelfit(R)increasedbyabout5%,demonstratingstronggeneralization

abilityandstability.Thismethodprovidesa