Clear Sky Science · ru

Прогноз объема шторной цементации с помощью стекинг-ансамбля, оптимизированного Байесом, и анализа SHAP

2026-04-01 · Назад к списку

Почему важно предсказывать скрытые цементные работы

Глубоко под плотинами и туннелями инженеры вводят жидкий цемент в трещины в породе, чтобы вода не вытекала наружу. Этот процесс, называемый цементацией, дорог и напрямую не виден, поэтому рабочим приходится оценивать, какой объем раствора подавать в каждую скважину. Если угадать в меньшую сторону, вода может продолжать просачиваться; если в большую — расходуются деньги, материалы и время. В этом исследовании показано, как современные инструменты анализа данных помогают инженерам надежнее предсказывать нужный объем цемента до начала работ.

Запечатывание трещин под крупными водными сооружениями

Крупные плотины и подземные камеры опираются на шторы из затвердевшего раствора, чтобы перекрывать подземные пути, по которым вода могла бы уходить. Рабочие бурят множество отверстий в породе и закачивают цементную суспензию, но порода под поверхностью неоднородна, с трещинами различного размера и связности. Поскольку процесс скрыт и условия меняются в разных местах, прогнозирование объема раствора для каждой скважины долгое время было серьезной задачей для безопасного проектирования и контроля затрат в крупных водных и гидроэнергетических проектах.

От эмпирики к обучению на данных

Десятилетиями инженеры использовали упрощенные формулы, сравнения с прошлыми проектами или численные имитации течения жидкости для оценки расхода раствора. Эти подходы помогали, но часто сталкивались с трудностями при сложной реальной породе и шумных полевых измерениях. В этой работе авторы обратились к методам машинного обучения, которые вычленяют закономерности непосредственно из данных. Они собрали 778 реальных записей цементации с крупного водного проекта в Синьцзяне, каждая из которых описывает условия в скважине: порядок бурения, глубину, длину обработанного участка, диаметр скважины, предварительную проницаемость породы, исходное соотношение воды и цемента и давление при цементации. Целью предсказания был фактический объем закачанного раствора.

Figure 1. Как модели на данных предсказывают использование раствора под плотинами для контроля утечек воды и экономии средств.

Сочетание нескольких продвинутых моделей в одну

Вместо опоры на один алгоритм команда применила стратегию, называемую стекингом, которая позволяет нескольким различным моделям предсказания работать вместе. В качестве первого уровня были выбраны три модели, особенно хорошо справляющиеся со сложными закономерностями в табличных данных. Каждая из них рассмотрела одни и те же семь входных факторов и выдала собственную оценку объема раствора. Простая, но тщательно настроенная регрессионная модель затем взяла эти три оценки и объединила их в окончательное предсказание. Чтобы каждая модель использовала свои внутренние настройки максимально эффективно, исследователи применили Байесовскую оптимизацию — метод, который системно и на основе данных исследует и настраивает множество комбинаций гиперпараметров вместо методики проб и ошибок.

Проверка точности и раскрытие «черного ящика»

Для оценки подхода авторы сравнили стекинг-модель с тремя отдельными компонентными моделями как до, так и после тонкой настройки. Они измеряли, насколько предсказания совпадают с реальными объемами раствора, используя стандартные метрики ошибки. Стекинг с Байесовской настройкой показал наилучшие результаты, объясняя примерно 92 процента вариации объема раствора при относительно небольших средних ошибках.

Figure 2. Как объединенные модели машинного обучения превращают условия в массиве горных пород и бурения в точные закономерности объема раствора.

Чтобы понять, как модель приходила к своим решениям, они применили метод SHAP, который присваивает каждому входному фактору вклад в отдельное предсказание. Анализ показал, что исходная проницаемость породы, мера того, насколько легко вода проходит через нее, была бесспорно наиболее влиятельным фактором, при этом важную роль также играют порядок бурения, давление и глубина.

Что это означает для реальной цементации

Исследование делает вывод, что тщательно настроенная стекинг-модель машинного обучения может давать более точные и стабильные предсказания объема раствора, чем отдельные модели или старые эмпирические методы, по крайней мере для изученного проекта. Количественно определяя, какие условия важны и как они взаимодействуют, подход может помочь инженерам планировать стратегию бурения и закачки, распределять материалы и эффективнее управлять рисками в сложных грунтовых условиях. Хотя модель требует проверки и адаптации для других площадок, она предлагает практический путь к принятию решений на основе данных для этой критичной, но во многом скрытой части строительства плотин и туннелей.

Цитирование: Ma, Y., Yuan, Z., Xiong, B. et al. Curtain grouting volume prediction using a Bayesian-optimized stacking ensemble model with SHAP analysis. Sci Rep 16, 15374 (2026). https://doi.org/10.1038/s41598-026-45538-6

Ключевые слова: шторная цементация, прогноз объема цементации, машинное обучение, Байесовская оптимизация, анализ SHAP