基于机器学习的山地区变电站回填土中土-砾石混合体抗剪强度因素评估

这与保持供电为何有关

不断扩张的山地区城市需要能够安全输送电力的变电站，常常建在开挖和回填的山坡上。工程师不再总是运入理想的施工土，而是越来越多地重复利用现场产生的由土和碎石混合而成的弃土。这类土–砾石混合体成本低且可持续，但其受荷行为难以预测，增加了在重要电力设备下出现不均匀沉降甚至边坡失稳的风险。本研究展示了一种简单的人工智能方法，如何在多种相互作用的地基属性中找出对维持山地区变电站稳定性最关键的因素。

回收地基，复杂行为

在陡峭地形中，为变电站建造水平平台通常既要开挖也要回填。为控制成本和运输车流量，承包方常重复利用当地弃土，这些弃土由黏土、风化的火山岩和碎裂的玄武岩片段组成。它们共同形成土–砾石混合体：一种难以处理、成分不均的材料，其强度取决于含水量、压实密实程度以及细土如何粘结较大的石块。由于混合体在不同位置和不同层位上可变化，填筑层在承受重型变压器荷载时可能发生不均匀沉降，威胁对位移敏感的电气设备。

从实验室试验到学习模型

研究人员从中国西南部的一处变电站场地采集了代表性材料，经破碎、筛分并按比例混合以制备受控混合料。在实验室中，他们将这些混合料压实成标准样本，并在不同正应力下进行直接剪切试验，以模拟回填层内的荷载。对每个样本，他们测量了关键的物理性质：干密度、含水量、颗粒间空隙比，以及描述细颗粒在不同含水状态下行为的两项简单界限（液限和塑限）。这些测量与相应的抗剪强度（分为摩擦角和粘聚力）一起，构成了112个精心制备样本的数据集。

让神经网络学习土和石

研究团队没有试图将这些复杂关系强行套入简单公式，而是训练了一个前馈神经网络，这是一种从数据中直接学习模式的基础机器学习模型。模型以五项测得的地基属性作为输入，学习预测两个输出：混合体的粘聚力（颗粒之间的黏结程度）和抗滑动能力（内摩擦角）。他们调整网络参数，并将其性能与传统方法（如线性回归、最近邻方法和随机森林）进行了比较。通过对保留数据重复交叉验证，神经网络在这个中等规模的数据集上持续给出准确预测，预测值与实测强度高度一致，并在性能上略优于其他方法。

哪些地基属性最关键？

在得到可靠模型后，作者对其进行了探查，查看哪些输入主导了预测。他们利用网络内部的连接权重作为每项属性的“影响分数”。结果显示，含水量是最重要的因素，占粘聚力和摩擦角变异的大约四分之一到三分之一。当混合体过湿时，水膜润滑颗粒接触并削弱颗粒间的键结，强度显著下降。细土的塑限——细颗粒从脆性固体转变为可流动状态时的含水量——对摩擦角尤其重要，重要性几乎相当。干密度和空隙比也有影响，但程度较小，主要通过改变颗粒的咬合程度起作用。这些结果在证实长期以来的岩土工程直觉的同时，也为各因素的相对重要性给出了量化说明。

为更安全的山地区变电站提供实用指南

对工程师而言，主要结论很直接：在变电站下的回收土–砾石回填中，控制含水量和细基体的塑性行为比任何其他单一属性都更为关键。通过在试验和施工控制中重点关注含水量、塑限与液限以及压实施工质量，设计者可以更好地预测地基的承载表现与沉降风险位置。尽管精确数值来自中国西南一处场地，但这一工作流程——将有针对性的实验室试验与透明的神经网络分析相结合——为世界各地类似工程提供了可重复使用的操作手册，使凌乱的弃土变成更可预测的基础材料。

引用: Huang, X., Liao, J., Ke, H. et al. Machine learning-based evaluation of shear strength factors in soil-rock mixtures for mountain substation fills. Sci Rep 16, 5775 (2026). https://doi.org/10.1038/s41598-026-36601-3

关键词: 土-砾石混合体, 山地区变电站基础, 抗剪强度, 含水量, 地质工程中的机器学习