使用贝叶斯优化堆叠集成模型并辅以SHAP分析的幕帷式注浆量预测

为何预测隐蔽的水泥工程至关重要

在水坝和隧道深处，工程师将液态水泥注入岩石裂缝以防止水渗漏。这个过程称为注浆，成本高且难以直接观测，因此施工人员必须估计每个钻孔需要泵入多少浆液。估计过低可能导致仍有渗水；估计过高则浪费资金、材料和时间。本研究展示了现代数据工具如何帮助工程师在施工前更可靠地预测合适的注浆量。

为大型水利工程封堵裂隙

大型水坝和地下洞室依赖于硬化的注浆帷幕来阻断水体可能通过的地下通道。施工人员在岩体上钻许多孔并注入水泥浆，但地表下的岩体不规则，裂隙大小和连通性各异。由于过程隐蔽且不同地点条件变化，预测每个孔所需注浆量长期以来一直是大型水利和水电工程在安全设计与成本控制方面的重大挑战。

从经验法则到从数据中学习

几十年来，工程师使用简化公式、与既往工程比较或流体流动的计算模拟来估算注浆用量。这些方法有所助益，但在面对复杂的实际岩体和嘈杂的现场测量时常常捉襟见肘。本研究的作者转而采用机器学习，直接从数据中学习模式。他们收集了来自新疆某大型水利工程的778条真实注浆记录，每条记录描述了一个钻孔的条件：钻序位置、深度、处理段长度、孔径、注浆前岩体的渗透性、起始水泥-水配比以及注浆时的压力。要预测的结果则是实际泵入的注浆体积。

将多种智能模型融合为一体

研究团队没有依赖单一算法，而是采用称为堆叠（stacking）的策略，让若干不同的预测模型协同工作。作为第一层的是三种特别擅长处理表格型数据中复杂模式的模型。每个模型都基于相同的七个输入因子给出自己的注浆量估计。随后，一个简单但受控的回归模型将这三种估计融合为最终预测。为了确保每个模型的内部参数得到最有效的使用，研究者采用了贝叶斯优化，这是一种以有序、数据驱动方式探索并调优多种参数组合的方法，替代盲目的试错。

检验精度并打开“黑箱”

为验证方法，作者将堆叠模型与其三个组成模型进行比较，比较内容包括调参前后表现。他们使用标准误差指标衡量预测与实际注浆量的吻合程度。经贝叶斯调优的堆叠模型表现最佳，能够解释约92%的注浆量变异，同时保持较小的平均误差。

对实际注浆工作的意义

研究结论是，经过精心调优的堆叠机器学习模型，在该项目情形下能比单一模型或传统经验法提供更准确、更稳定的注浆量预测。通过量化哪些条件最重要及其相互作用，该方法可以帮助工程师更好地规划钻孔与注浆策略、分配材料并在复杂地质条件下更高效地管理风险。虽还需在其他场地进行测试与调整，但这一方法为这个在坝体与隧道建设中至关重要却大多隐蔽的环节提供了通向数据化控制的实用路径。

引用: Ma, Y., Yuan, Z., Xiong, B. et al. Curtain grouting volume prediction using a Bayesian-optimized stacking ensemble model with SHAP analysis. Sci Rep 16, 15374 (2026). https://doi.org/10.1038/s41598-026-45538-6

关键词: 幕帷注浆, 注浆量预测, 机器学习, 贝叶斯优化, SHAP分析