

目的:本文旨在针对土石料渗透系数预测中存在小样本和可解释性不足的问题,探究基于生成模型的数据增强方法,以提高预测模型在小样本条件下的泛化能力。同时,结合具备可解释性的集成学习算法,增强预测结果的可信度,实现对土石料渗透系数的高精度预测。创新点:1.提出一种基于改进生成对抗网络的数据增强方法,有效提升小样本条件下渗透系数预测模型的性能;2.构建基于改进轻量级梯度提升机(LightGBM)的渗透系数预测模型,结合优化算法实现渗透系数更高精度的预测;3.使用沙普利可加性解释方法(SHAP)对预测结果进行全局和局部解释,增强模型的可解释性;4.将所提方法应用于实际土方工程案例中,验证所提方法在工程实践中的有效性。方法:1.将瓦瑟斯坦(Wasserstein)距离作为损失函数引入到条件生成对抗网络中,并基于Wasserstein条件生成对抗网络;2.利用LightGBM算法建立具有Huber损失函数和鱼鹰优化算法的高精度渗透系数预测模型;3.使用SHAP方法探究影响预测结果的关键特征,并分析不同特征在数据集中的具体作用。结论:1.基于Wasserstein条件生成对抗网络的数据增强方法能够生成高质量的样本,有效解决小样本数据问题;2.基于结合Huber损失和鱼鹰优化的LightGBM算法建立的渗透系数预测模型具有较高的预测性能;3.使用SHAP方法能够对预测结果进行全局和局部分析,提升预测模型的可解释性。关键词组:渗透系数预测;轻量级梯度提升机(LightGBM);瓦瑟斯坦(Wasserstein)条件生成对抗网络;沙普利可加性解释方法(SHAP)作者:俞承禹,余红玲,瞿晓峰,刘宝熙,徐良嗣,刘新宇,陈翔宇Chengyu YU, Hongling YU, Xiaofeng QU, Baoxi LIU, Liangsi XU, Xinyu LIU, Xiangyu CHEN, 2026. Predicting permeability coefficients of earth-rock material using an improved generative adversarial network and explainable ensemble learning under small sample conditions. Journal of Zhejiang University-SCIENCE A, 27(3):215-230. 《浙江大学学报(英文版)A辑:应用物理与工程》是一本应用物理与工程类的综合性期刊,于2000年创刊,为英文科技月刊。刊发文章范围包括机械及土木工程、环境工程及能源、材料和化工等领域。被SCI-E、EI、CNKI、JST、 Scopus、CA、SA等国内外重要数据库检索和收录。期刊一直执行严格的国际同行评审制度,平均审稿周期为60天,录用后一般2个月左右正式发表。
最新影响因子为3.9,位列JCR-Q1区、中科院二区。本刊于2010年底获得“中国出版政府奖”(首届期刊奖),2013年、2015年、2017年获得“中国百强科技期刊”称号,2013年成为首家获得“中国科技期刊国际影响力提升计划”项目A类资助的大学学报(2013-2015年度),并获得2019-2023年度及2024-2029年度“中国科技期刊卓越行动计划”资助。
本刊坚持“内容为本,诚信为上”,努力提升国际影响力和学术水平;追踪国内外学术研究前沿和热点,积极促进科研成果的对外传播与交流;紧跟国际出版技术新趋势,建设自主网站创新平台。欢迎海内外优秀学者向本刊投稿!
期刊Springer主页:
https://link.springer.com/journal/11582
在线投稿地址:
https://www.editorialmanager.com/zusa/default.aspx
浙大学报英文版是多个英文学术期刊的统称,收录范围涵盖了理工农医各个方向,欢迎向我刊投稿,可关注我刊公众号zdxbywb了解更多信息。