Прогнозирование бездренажной прочности на сжатие глин, стабилизированных геополимерами, с использованием экстремального обучающегося машинного алгоритма на основе сектора мухи-жужелицы

Более прочное основание при меньших экологических затратах

Во всем мире инженерам приходится превращать мягкие, богатые глинами почвы в прочные основания для дорог, зданий и насыпей. Традиционно это делается с добавлением больших количеств портландцемента, который является значительным источником выбросов CO₂. В этом исследовании рассматривается более чистый путь: использование промышленных побочных продуктов, называемых геополимерами, для упрочнения глины и применение продуманного варианта искусственного интеллекта для прогнозирования того, какой прочности достигнет обработанный грунт без необходимости проводить бесконечные лабораторные испытания.

Преобразование промышленных отходов в полезные вяжущие

Геополимеры — это вяжущие, получаемые путем активации богатых алюмосиликатами порошков, таких как доменный гранулированный шлак (GGBS) и зола-унос, щелочными растворами. При смешивании с глиной они образуют жесткие, камнеподобные сети, которые обеспечивают высокую прочность, низкую усадку и хорошую долговечность, при этом выделяя значительно меньше CO₂, чем обычный цемент. Предыдущие эксперименты показали, что глины, стабилизированные геополимерами, могут достигать прочностей от почти нуля до более чем 40 мегапаскалей в зависимости от состава. Однако результат сильно зависит от множества факторов одновременно: природной пластичности глины, доли шлака или золы, концентрации щелочного раствора и соотношения ключевых элементов — натрия, кремния и алюминия.

Почему прогнозирование прочности грунта так сложно

Чтобы разработать практическую рецептуру, инженеры хотят заранее знать, какой прочности будет конкретная смесь. Проведение полноценных лабораторных программ для каждой кандидатной формулы медленное и дорогое. Традиционные статистические формулы также часто не справляются, потому что взаимосвязи между типом грунта, составом геополимера и получаемой прочностью сильно нелинейны. Современные инструменты машинного обучения — такие как нейронные сети и опорные векторные машины — улучшили предсказания, но требуют тонкой настройки, могут переобучаться на небольших наборах данных и часто ведут себя как непрозрачные «черные ящики», которые не дают ясного представления о том, какие ингредиенты наиболее важны.

Более умная обучающаяся машина, управляемая цифровым роем

Авторы собрали 270 результатов испытаний из предыдущих исследований по глинам, стабилизированным геополимерами, охватывающих разные типы грунтов, смеси вяжущих, концентрации щелочей и условия выдержки. Затем они обучили три связанных прогностических модели. Ядром выступает экстремальная обучающаяся машина — быстрая нейронная сеть, которая задает большинство внутренних параметров в одном аналитическом шаге вместо длительного пробного обучения. Чтобы уточнить эти внутренние настройки, команда связала сеть с процедурой оптимизации «мухи-жужелицы» (fruit fly optimization), имитирующей то, как плодовые мушки ищут пищу. В их усовершенствованной версии — оптимизации сектора мухи-жужелицы — виртуальный рой не блуждает случайно; вместо этого он исследует пространство поиска равномерно распределенными секторами, что повышает стабильность и помогает алгоритму быстрее находить хорошее решение.

Лучшие прогнозы и более ясное понимание важных факторов

При проверке на неиспользованных данных базовая обучающаяся машина уже достаточно точно прогнозировала бездренажную прочность на сжатие — то есть, какое давление выдержит обработанная глина. Добавление исходного ройного поиска еще больше повысило точность. Рой на основе секторов показал наилучшие результаты, снизив ошибку прогноза примерно на 42 процента по сравнению с базовой моделью и на 19 процентов по сравнению с ранней версией метода fruit fly, при этом сохраняя вычисления достаточно легкими для обычного ноутбука. Большинство предсказанных значений прочности были близки к измеренным, а характер ошибок указывал на то, что модель хорошо обобщает, а не просто запоминает тренировочные данные.

Перевод сложных моделей в практические рецептуры грунта

Чтобы приоткрыть «черный ящик», исследователи применили технику SHAP-анализ, которая назначает каждому входу вклад в итоговый прогноз. Это показало, что содержание шлака (GGBS) является самым влиятельным фактором для повышения прочности, а пластичность глины и предел текучести также играют значительные роли. Некоторые параметры смеси — например, чрезмерное содержание золы-уноса или очень высокая пластичность — как правило, снижали прочность, в то время как адекватная концентрация щелочи и соотношение натрия к алюминию обеспечивали более умеренные положительные эффекты. Эти выводы в сочетании с точными предсказаниями делают улучшенную секторным роем обучающуюся машину перспективным инструментом для руководства разработкой рецептур геополимеров, помогая инженерам выбирать смеси, которые дают прочный и стабильный грунт с меньшим числом испытаний и меньшим экологическим следом.

Цитирование: Abdellatief, M., mortagi, M. Predicting unconfined compressive strength of geopolymer-stabilized clays using a sector fruit fly–based extreme learning machine. Sci Rep 16, 12723 (2026). https://doi.org/10.1038/s41598-026-47208-z

Ключевые слова: глина, стабилизированная геополимером, прогноз прочности грунта, машинное обучение в геотехнике, устойчивое укрепление грунтов, экстремальная обучающаяся машина