一种基于数据增强和机器学习的红层土壤导热系数预测方法

本发明涉及岩土工程热物性分析，具体涉及一种基于数据增强和机器学习的红层土壤导热系数预测方法。

背景技术：

1、红层土壤在我国西南地区广泛分布，是水利水电和岩土工程建设中经常遇到的一种特殊地质材料。红层土壤具有高黏粒含量、弱胶结和显著亲水性的特点，其导热系数是衡量土壤传热能力的关键参数，对于地源热泵系统设计、埋地电缆载流量计算及冻土地区路基热稳定性分析等工程实践具有重要指导意义。准确获取红层土壤的导热系数，是进行相关工程热力学分析和设计的前提。

2、目前，确定土壤导热系数的方法主要包括室内试验测试、经验模型计算和数值模拟三类。室内试验（如稳态热源法和瞬态热探针法）虽能直接获取土壤导热系数，但耗时长、成本高，且红层土壤取样和制样难度大，难以开展大量重复测试覆盖实际工程中的多变工况。经验模型（如johansen模型）通常基于特定类型土壤建立，对具有高黏粒含量、弱胶结等特性的红层土壤适用性较差，预测精度不足。数值模拟方法依赖于土壤微观结构的准确重建和边界条件的精确设定，操作复杂且计算量大。

3、近年来，机器学习方法因其强大的非线性映射能力，在土壤参数预测领域展现出巨大潜力。然而，机器学习模型的性能高度依赖训练数据的质量和数量。受限于现场取样困难和室内试验成本，能够获取的高质量红层土壤导热系数实测样本通常仅有数十组，有限的样本数据难以支撑复杂机器学习模型的充分训练，容易导致模型过拟合，泛化能力不足。数据增强技术通过合理的插值和噪声注入生成合理模拟数据，是扩大样本规模、提高数据集质量的有效策略，但其在红层土壤导热系数预测领域的应用尚属空白。

4、针对上述问题，本发明提出一种基于数据增强和机器学习的红层土壤导热系数预测方法，显著提升小样本条件下红层土壤导热系数的预测精度和泛化能力。

技术实现思路

1、本发明的主要目的在于提供一种基于数据增强和机器学习的红层土壤导热系数预测方法，解决因实测样本稀缺导致机器学习模型预测精度低、泛化能力差的问题。

2、为解决上述技术问题，本发明所采用的技术方案是：

3、一种基于数据增强和机器学习的红层土壤导热系数预测方法，包括以下步骤：

4、s1、获取红层土壤样本数据，构建原始样本数据集；

5、s2、对原始样本数据集进行特征相关性分析，确定影响红层土壤导热系数k的输入特征；

6、s3、采用两阶段数据增强策略，对原始样本数据集进行扩充，生成增强数据集；

7、s4、增强数据集标准化处理，构建多种候选机器学习预测模型，利用增强数据集进行模型训练与验证，筛选出最终预测模型；

8、s5、获取待预测红层土壤的饱和度、孔隙率n、含水率和干密度，经标准化处理后输入所述目标预测模型，得到待预测红层土壤的导热系数k。

9、优选的方案中，在s2中，特征相关性分析采用皮尔逊相关系数评估各输入特征与导热系数之间的线性关联强度，皮尔逊相关系数r的计算公式为：

10、；

11、其中，和分别代表两个变量的第i个观测值，和分别代表两个变量的均值；

12、根据皮尔逊相关系数分析结果，筛选出与导热系数相关性最显著的参数作为预测模型的输入特征。

13、优选的方案中，在s2中，筛选出的关键输入特征包括饱和度、孔隙率n、含水率和干密度。

14、优选的方案中，在s3中包括：

15、第一阶段：沿样本维度建立等距插值坐标，采用相同的插值坐标对输入特征及对应的导热系数进行三次样条插值，将42组样本扩充为100组插值样本；

16、第二阶段：选取100组插值样本中的前50组样本，加入强度为原始样本相应变量值域5%的高斯噪声，生成50组含噪样本；

17、将插值样本与含噪样本合并，对合并后的样本进行特征偏差验证，剔除任一变量偏差超过15%的样本；

18、当有效样本数量不足150组时，从原始样本数据集中抽取样本进行补充，形成样品数量150组的增强样本数据集。

19、优选的方案中，三次样条插值采用下式：

20、；

21、式中，表示插值坐标x处的三次样条插值结果；x表示待插值坐标；表示第i个插值区间的左端点坐标；表示第i个插值区间的右端点坐标；i表示插值区间序号；、、和分别表示第i个插值区间内的三次样条系数；表示待插值坐标与该插值区间左端点之间的坐标差；

22、高斯噪声注入采用下式：

23、；

24、式中，x表示加入噪声前的插值样本变量值；表示加入噪声后的变量值；表示高斯随机扰动；n表示正态分布；0表示高斯随机扰动的均值为0；表示高斯随机扰动的方差。

25、优选的方案中，采用t-sne方法分别将原始样本数据集和增强样本数据集映射至二维空间，对二者的样本分布进行对比；

26、用于确定增强样本保持了原始样本的主要分布特征。

27、优选的方案中，在s4中，构建的机器学习预测模型包括支持向量机、随机森林、人工神经网络和长短期记忆网络四种模型；采用平均绝对误差mae、均方根误差rmse和决定系数评价候选机器学习模型的预测性能。

28、优选的方案中，在s5中，依据饱和度、孔隙率n及红层土壤导热系数k理论关系，对导热系数预测结果的总体变化规律进行定性校核。

29、优选的方案中，定性校核采用的理论关系包括：

30、；

31、；

32、；

33、；

34、；

35、；

36、；

37、；

38、式中，k表示红层土壤导热系数；表示饱和状态下土壤的导热系数；表示干燥状态下土壤的导热系数；表示无量纲kersten系数；表示土颗粒导热系数；表示水的导热系数；表示与土壤类型有关的参数；t表示温度，单位为℃；表示饱和度；表示含水率；表示土粒比重；n表示孔隙率；表示干密度；表示水的密度。

39、优选的方案中，理论关系用于表征饱和度增大时导热系数总体增大、孔隙率增大时导热系数总体减小的变化规律。

40、本发明提供了一种基于数据增强和机器学习的红层土壤导热系数预测方法，通过采用以上的方案，具有以下的有益效果：

41、针对红层土壤取样制样难度大、实测导热系数样本稀缺，易导致机器学习模型过拟合、泛化能力差的核心痛点，采用“三次样条插值+高斯噪声注入”的两阶段数据增强策略，将有效样本扩充至150组；同时配套15%偏差阈值的异常样本剔除机制、t-sne降维分布校验方法，确保增强样本始终贴合原始数据的分布特征，且输入特征与导热系数保持物理对应关系，避免生成无效失真样本。经对比验证，最优随机森林模型的决定系数从0.622提升至0.782，均方根误差rmse从0.223w/(mk)降至0.142w/(mk)，在小样本条件下显著提升了预测精度与模型泛化能力。

42、本方法基于红层土壤实测数据，通过皮尔逊相关性分析筛选出饱和度、孔隙率、含水率、干密度4项关键影响特征，建立红层专属的非线性预测映射关系，更贴合红层土壤的热物性变化规律，解决了通用模型对红层土壤的适用性缺陷。

43、同步构建随机森林、支持向量机、人工神经网络、长短期记忆网络4种候选机器学习模型，采用平均绝对误差mae、均方根误差rmse、决定系数三项指标综合评价模型性能，最终筛选出拟合效果最优的随机森林模型，避免了单一模型选型的局限性，保障预测结果的稳定性与可靠性。

44、相比室内稳态热源法、瞬态热探针法等试验测试手段，本方法无需复杂的试验设备与制样流程，仅需输入饱和度、孔隙率、含水率、干密度4项易获取的常规物理参数，即可快速输出导热系数预测结果，大幅降低测试成本与时间周期，可支撑地源热泵设计、路基热稳定性分析等工程场景的快速测算。

45、在机器学习预测的基础上，引入红层土壤导热系数理论关系进行定性校核，依托“饱和度增大时导热系数总体增大、孔隙率增大时导热系数总体减小”的物理规律，校验预测结果的变化趋势合理性，可有效规避机器学习的异常输出，进一步提升工程应用的可靠性。