评估 Lasso 与 Ridge 模型用于土壤膨胀潜势预测

建筑下方的地基为何重要

许多建筑和道路看起来坚固，但其下方的土壤会随着含水量的增减静静地膨胀和收缩。这种隐蔽的运动会导致墙体开裂、地基倾斜和管线损坏，全球因此产生数十亿的修复费用。本文摘要探讨了现代数据工具如何帮助工程师预测土壤何时何地可能膨胀，从而使住宅、公路和其他结构能够更安全、稳定地设计。

随水“呼吸”的土壤

并非所有土壤在受潮时表现相同。细粒、富含黏土的土壤像海绵一样吸水膨胀，干燥时又收缩。在干旱和半干旱地区，强烈的干湿循环使这一过程尤为严重。传统上，工程师依赖耗时的实验室测试来测量诸如黏土含量、土壤密度以及与水混合后表现出的黏塑性等性质。这些测试可以判断土壤是否可能隆起和开裂，但对每个场地和每个工程都进行全面检测既昂贵又耗时。

把土壤测量转化为智能预测

为减少持续实验室检测的需求，研究者汇集了来自亚洲、非洲和欧洲的四个规模较大的土壤数据集。合计这些数据包含 273 个土样和每个样本的 16 项不同描述性指标，包括黏土和粉砂含量、含水量、密度以及标准的一致性测量。每个样本还有一个实测的“膨胀潜势”，表示在受控试验中土体的膨胀量。研究团队对数据进行了仔细清理和归一化，剔除了冗余信息，并将样本分为训练组和测试组，以便任何预测方法都能在未见过的数据上接受检验。

传统方法与新方法的比较

该研究的核心是将一种熟悉的统计工具与两种更现代的方法进行对比。传统工具称为多元线性回归，它把膨胀潜势估计为各项土壤测量的线性组合。较新的方法 Lasso 与 Ridge 回归仍然使用相同测量的加权组合，但加入了一种“惩罚”机制，阻止模型对某个输入过度依赖或同时使用过多变量。实际上，Lasso 能自动将不重要的属性置为零，突出少数真正驱动膨胀的土壤特征；而 Ridge 则保留所有特征，但当它们高度相关时会削弱各自的影响。

模型对膨胀土壤学到的内容

在四个数据集中，正则化模型——Lasso 和 Ridge——比传统方法始终产生更可靠的预测。在表现良好的数据集上，尤其是 Lasso，能够非常接近实测的膨胀潜势，平均误差小且能解释较高比例的自然变异。两种现代方法比传统直线方法更能处理噪声大且属性重叠的土壤特征，而传统方法在较高膨胀值处常出现过高或过低的估计。分析还证实了某些特征如液限、塑性和黏土含量是膨胀风险的主要信号，而与更致密、孔隙率较低的土壤相关的因素则倾向于降低该风险。

从数据到更安全的地基

对非专业读者来说，关键结论是：现有的土工测试现在可以与数据驱动模型结合，快速识别出地面可能抬升并造成结构开裂的区域。通过使用 Lasso 和 Ridge 回归，工程师可以聚焦于更少但更重要的土壤属性，并在无需对每个场地进行所有可能测试的情况下获得更准确的膨胀估算。这使得在易膨胀地区对地基、路面和土方工程进行适当的防护性设计成为可能，从而减少结构使用寿命中出现昂贵损坏的风险。

引用: Bility, M.T., Vora, T., Lakhani, P.N. et al. Assessment of Lasso and Ridge models for soil swelling potential prediction. Sci Rep 16, 11922 (2026). https://doi.org/10.1038/s41598-026-39917-2

关键词: 膨胀性土壤, 土壤膨胀, 机器学习, Lasso 回归, 岩土工程