数据稀缺下海相黏土参数预测的物理增强模型OA

针对海相黏土参数样本稀缺、分布稀疏及物理一致性缺失的问题,构建了一种融合领域物理知识的数据增强算法(physics-guided augmentation,简称PGA)与加权核函数策略的高斯过程回归(Gaussian process regression,简称GPR)模型PGA-GPR。该模型将有效应力原理、抗剪强度上限和超固结比约束等物理知识引入数据增强过程,结合多核加权机制提升非线性捕捉能力与物理一致性。采用TC304b数据库中挪威海相黏土实测数据验证了所建模型的参数预测能力。结果表明:稀疏样本条件下,PGA-GPR模型相较传统机器学习模型和海相黏土分层随机场模型,决定系数R^(2)提升17%~53%,预测精度高、结果更趋稳定,且能有效表征沿深度方向海相黏土超固结状态的变化规律。不少于84%的土性参数真实值落入该模型95%置信区间内,显示了所建PGA-GPR模型可靠的预测区间,为应对岩土工程稀缺数据问题提供了新途径。