使用可解释的机器学习估算建于透水地基上的非均质土石坝渗流

为什么水通过大坝渗漏很重要

在世界各地，许多社区依赖土坝来蓄储饮用水、灌溉农田和治理洪水。然而，这些看似坚固的结构始终在泄漏。少量、受控的渗流是安全的；但过多的隐匿渗流可能在坝体或基底内部冲刷出通道并引发突然失稳。本文探讨了现代机器学习如何帮助工程师更准确、更快速地预测这种看不见的流动，尤其是针对在透水地基上、具有分层内部结构的更现实情形。

大坝如何在地下漏水

土石坝并非均质的土堆。通常它们有一个相对不透水的中芯，两侧是更多孔的侧体，整体坐落在可能透水的基底上。当水库水位冲击上游面时，一部分水会通过坝体并沿基底下方渗流，沿着由水深、土质和坝体几何形状共同控制的复杂通路运动。传统的手工计算将这一情形简化到只适用于理想化形状的程度。基于有限元方法的详细数值模拟效果更好，但往往耗时且需要专业知识，这限制了它们在快速设计检验或常规安全检查中的应用。

教计算机识别渗流模式

作者构建了一个包含4,374个渗流情景的大型数字库，每个情景均由可信的模拟程序生成，计算通过和通过大坝及其下方的水流。对每一种情况，他们改变了工程师可以测量或设计的七个关键输入：坝顶宽度、地基深度、水库水位、上游和下游坡长、地基渗透性，以及中芯相对于侧体的透水性降低程度。针对每组输入组合，模拟输出一个主要结果：每米坝长的泄漏水量。这个经过细心策划的数据集成为若干机器学习模型的训练基础，这些模型旨在直接从七个输入预测渗流量。

寻找最可靠的预测引擎

研究团队测试了五类在表格化工程数据上广泛使用的模型：单棵决策树、随机森林和三种将许多小树组合成强大集成的“提升”方法。研究者没有凭猜测设定模型参数，而是使用贝叶斯优化——一种系统的搜索策略，将每次试验视为实验，并在避免过拟合的同时锁定最有前景的选项。性能通过一套误差度量、将预测与模拟结果比较的可视化图表以及使用多次数据划分的交叉验证来评判。明显的胜出者是类别梯度提升（CGB）模型，它在未见数据上几乎完美地再现了模拟渗流，而更简单的树模型则落后。

揭开机器学习的黑箱

为了让这些复杂模型对坝工程师有用，作者需要解释是什么驱动了它们的预测。他们采用了一种现代可解释性工具SHAP，它为每个输入在每个情景中的输出分配责任份额。该分析表明，两个因素主导了渗流行为：水库水深和中芯相较于侧体的致密程度。更深的水强烈推动渗流上升，而中芯渗透性远低于侧体则显著抑制渗流。地基渗透性和地基深度起次要作用，坝顶宽度具有适度的稳定作用。在所研究的范围内，坡度细节相对影响较小，这一结果有助于将注意力集中在最具影响力的设计杠杆上。

从研究模型到日常工具

为了弥合理论与实践之间的差距，表现最好的CGB模型被封装进一个简单的桌面应用。用户可以输入七个坝体和地基参数，并即时获得渗流估算，既可单次计算也可批量情景计算。该模型的预测与先前的数值研究以及巴基斯坦胡布水坝的独立案例研究相符，在多个水位下与既定结果的偏差约为10%以内。对于非专业人员，结论是令人安心的：通过结合高保真模拟、先进的机器学习和对关键因素的清晰解释，工程师现在拥有一种快速且透明的方法来预测复杂土坝的渗漏量，并检查这些渗漏是否保持在安全限度内。

引用: Sayed Ahmed, M.M., Khursheed, M.Z., Alshameri, B. et al. Estimating seepage in heterogeneous earthfill dams on permeable foundations using explainable machine learning. Sci Rep 16, 12060 (2026). https://doi.org/10.1038/s41598-026-45048-5

关键词: 土石坝, 渗流, 机器学习, 大坝安全, 岩土工程