通过加入纳米结构采石场细粉（NQF）提高增补不饱和土摩擦与内聚力的预测精度

为什么更强的土壤对日常生活很重要

道路、堤坝和建筑基础都依赖其下方土体的强度。在许多热带地区，这类土为对水分敏感的红壤粘土，遇湿会变弱、干燥时又会变强，导致开裂、车辙和昂贵的维修。本文研究如何通过添加回收矿物粉末并利用人工智能来预测处理后土体的性能，使此类土壤更强且更可预测。目标是实现更安全、寿命更长的基础设施，同时减少实验室中的反复试验。

把本地废料变成有用的土壤添加剂

研究者以尼日利亚南部的一种问题性红壤为起点，该土被归类为高塑性，含黏土较多且天然抗剪强度一般。他们将该土与两种细磨、主要由废弃物制成的材料混合。一种是用少量石灰活化的稻壳灰制成的“混合胶结料”，另一种是通过将采石场粉尘研磨至极细颗粒得到的纳米结构采石细粉。这些添加剂含有可反应的氧化物，能够与土壤矿物发生结合；且由于颗粒极小，可填充在土粒之间的孔隙中，从而可能同时增加土体体系内的摩擦力和内聚力。

从繁重测试到智能预测

传统上，工程师必须进行耗时且需专用设备的剪切试验来确定两个关键的土壤强度参数：摩擦角和内聚力。研究并不完全依赖这些试验，而是建立了丰富的实验数据库，然后训练计算机模型以从更简单的测量中预测这些参数。团队进行了多次实验配合，变化混合物中混合胶结料和纳米结构采石细粉的用量，并测量了11个输入属性，如黏土含量、塑性、密度和含水特征。他们以简单的线性回归模型作为基线，然后应用三种更先进的“智能”方法：支持向量机、径向基函数网络和多层感知器神经网络。

机器如何学会“读懂”土壤

数据集包含121条记录，按较大比例用于训练、较小比例用于测试，类似于学生先看例题再参加考试。每个模型学习将11个输入土壤描述映射到两个目标输出：摩擦角和内聚力。性能通过若干标准指标评判，以检验预测与实测结果的接近程度及模型对未见数据的泛化能力。虽然所有方法均表现良好，但基于神经网络的方法——尤其是多层感知器——表现尤为突出。它们捕捉到了数据中的微妙非线性关系，与实测强度具有很高的相关性，并在摩擦与内聚力的预测中均实现了很低的误差。

处理后土体强度的真正控制因素

为超越“黑箱”式的预测，作者进行了敏感性分析以排序各输入的重要性。结果显示，不饱和土的重力（单位重）是控制摩擦角的主导因素，强调了压实和含水状态如何左右颗粒间的摩擦与咬合。就内聚力而言，黏土含量是最有影响力的，这与活性细粒黏土和胶结产物将颗粒粘结在一起的机制一致。矿物添加剂本身——混合胶结料和纳米结构采石细粉——也表现出强烈的正向影响，尤其在与密度和含水参数一起考虑时。这一结论与显微证据相符：纳米颗粒和灰质胶结物填充空隙、包覆颗粒，构建更致密、更具黏结性的骨架。

从研究代码到可用的设计工具

为使成果对工程实践具有直接价值，团队将表现最好的神经网络嵌入到图形用户界面中。工程师可在该工具中输入基本的土壤与配比信息，立即获得摩擦和内聚力的估算值，而无需安排新的高级剪切试验。该界面基于每个参数的实验支持范围设计，但可随着更多数据的获得而扩展，或调整以适应其他土壤类型。

对真实工程项目的意义

对非专业人士而言，结论很直观：研究表明，本地的废弃物衍生粉末可以显著增强问题热带土的强度，现代机器学习工具能够可靠地从易测量的属性预测这种改良效果。两者结合既减少了环境足迹——通过回收农业和采石废料——也降低了岩土测试的成本与复杂性。在实际应用中，这意味着在实验室资源有限但对高韧性基础设施需求强烈的地区，可以做出更有依据的道路与土方工程设计。

引用: Kamchoom, V., Van, D.B., Hosseini, S. et al. Enhanced forecasting of friction and cohesion of augmented unsaturated soil with nanostructured quarry fines (NQF) addition. Sci Rep 16, 8899 (2026). https://doi.org/10.1038/s41598-026-43458-z

关键词: 不饱和土, 机器学习, 土壤加固, 纳米结构采石场细粉, 岩土工程