用于评估不同组成档案下公立固体垃圾剪切强度参数的可解释人工智能模型
机器学习
2025-02-28 v2 人工智能
摘要
由于固体垃圾材料的异质性以及随时间演变的降解过程，公立固体垃圾 (MSW) 中剪切强度参数的精确预测仍是一个关键挑战。本文提出了一种新型可解释人工智能 (XAI) 框架，用于评估不同 MSW 组成档案下的 cohesion 和摩擦角。该模型将多层感知器架构与 SHAP (SHapley Additive exPlanations) 分析相结合，提供透明的洞察，说明特定垃圾组成如何影响力学特性。训练数据包括来自各种垃圾组成和降解状态的大规模直接剪切试验。该模型的预测准确性优于传统的梯度提升方法，分别实现了摩擦角和 cohesion 预测的平均绝对百分比误差为 7.42% 和 14.96%。通过 SHAP 分析，研究发现纤维材料和粒径分布是剪切强度变化的主要驱动因素，食物垃圾和塑料具有显著但非线性的影响。该模型的可解释性组件成功地量化了这些关系，为垃圾管理实践提供了以证据为依据的建议。该研究弥合了高级机器学习与岩土工程实践之间的鸿沟，为快速评估 MSW 机械性能提供可靠工具，同时保持可解释性以支持工程决策。
引用
@article{arxiv.2502.15827,
title = {Explainable Artificial Intelligence Model for Evaluating Shear Strength Parameters of Municipal Solid Waste Across Diverse Compositional Profiles},
author = {Parichat Suknark and Sompote Youwaib and Tipok Kitkobsin and Sirintornthep Towprayoon and Chart Chiemchaisri and Komsilp Wangyao},
journal= {arXiv preprint arXiv:2502.15827},
year = {2025}
}