基于可解释机器学习的锂渣填料道路应用动态特性及累积塑性变形预测

利用锂渣作为道路路基填料可促进可持续交通发展，但其长期循环变形行为尚缺乏深入理解。为此，研究人员开展了不同围压、动态应力幅值和加载循环次数下的动态三轴试验，以探究锂渣的累积塑性应变和安定（shakedown）行为。基于试验数据，训练了集成机器学习（Ensemble Machine Learning）模型以预测变形。模型超参数通过量子启发进化算法（Quantum-Inspired Evolutionary Algorithm, QIEA）进行优化，并采用SHAP（SHapley Additive exPlanations, 沙普利加性解释）方法进行可解释性分析。结果表明，优化后的CatBoost模型取得了最高的预测精度（R₂>0.95）。SHAP分析揭示，动态应力幅值是控制累积塑性变形的主导因素。围压通过约束颗粒骨架来调节变形速率，而加载循环次数则反映了循环扰动的累积效应。本研究为预测长期变形及评估锂渣作为路基填料的可行性提供了可靠框架。

本研究聚焦锂渣作为道路路基填料的长期变形特性与塑性应变机制问题，旨在为其工程应用提供理论支撑。

**研究背景与问题**

锂（Li）作为自然界最轻的金属元素，具有极低的电极电位和最高的电化学当量，被誉为21世纪的"能源金属"和"白色石油"。随着新能源汽车产业与储能电池的快速发展，锂资源的开发利用已成为多国关键战略。中国锂资源主要以盐湖锂和矿石锂（锂辉石、锂云母）形式存在。锂云母虽储量大、开采难度低，但矿物类型与晶体结构复杂、品位极低（理论Li₂O含量仅0.886%），提锂过程产生大量废渣——每生产1吨碳酸锂可产生40~50吨锂渣，以及160吨长石粉和压滤污泥。目前锂渣主要以堆存和填埋方式处置，不仅占用土地、造成严重环境污染，还存在潜在安全风险。尽管现有研究探索了锂渣在水泥混凝土掺合料、尾矿回填、免烧砖、无机合成材料及高值材料制备等方面的利用途径，但普遍存在利用效率低、消纳能力不足的问题，难以契合长期低碳发展理念。

与此同时，道路建设领域消耗巨量自然资源，传统砂石材料面临短缺困境。将无害化改性后的锂渣作为路基填料的部分替代材料，既可缓解当地砂石短缺，又能实现锂渣的绿色高值高效利用。然而，锂渣作为路基填料时，其长期变形与稳定性是评价其工程适用性的关键指标，尤其在长期交通荷载下的变形特性直接关系到道路安全运营。现有关于矿渣类路基填料的研究多集中于无害化改性及其在特殊环境下的物理力学性能劣化，针对锂渣在循环交通荷载下的长期变形特性及其预测模型研究仍较为有限。

**研究设计与结论**

基于此，研究人员开展了系列动态三轴试验，考虑高速公路运营期间的车型与行驶速度，设置不同围压（confining pressure）、动态应力幅值（dynamic stress amplitude）和加载循环次数，阐明围压与动态应力幅值对锂渣填料动力响应与变形发展的耦合效应。研究系统分析了道路动力特性与累积塑性应变演变规律，揭示了循环加载过程中的典型变形模式（塑性安定、蠕变及增量破坏）。以围压、动态应力幅值和循环加载次数为输入特征，构建了累积塑性应变数据集；引入随机森林（Random Forest, RF）、XGBoost、LightGBM和CatBoost等集成学习模型，并采用量子启发进化算法进行模型超参数全局优化；最终运用Python SHAP库（v0.51.0）中的TreeSHAP方法对最优CatBoost模型进行可解释分析。

研究得出以下核心结论：优化后的CatBoost模型预测精度最高（R₂>0.95）；SHAP分析表明动态应力幅值是控制累积塑性变形的首要因素，围压通过约束颗粒骨架调节变形速率，加载循环次数则体现循环扰动的累积效应。该研究为评估锂渣作为路基填料的可行性、评价其道路性能稳定性及预测长期变形提供了理论依据与参考。论文发表于《Soil Dynamics and Earthquake Engineering》。

**关键技术方法**

研究采用的技术路线包含三个核心环节：第一，通过分级循环加载试验获取数据并构建数据集；第二，评估四种主流机器学习算法（RF、XGBoost、LightGBM和CatBoost），以量子启发进化算法全局优化超参数，最小化验证均方误差；第三，基于Shapley值理论的一致性特征贡献计算，运用TreeSHAP方法对最优模型进行全局重要性排序、蜂群图（beeswarm plot）、热图及依赖分布等多维度可解释分析。

**研究结果**

**循环塑性变形与安定行为**：变形特性是评价路基材料循环荷载下力学性能的关键指标。在重复加载下，路基土总变形主要由可恢复弹性变形和不可恢复塑性变形组成。研究定性分析了总应变、弹性应变与累积塑性应变之间的演化关系，揭示了锂渣在循环荷载条件下的典型变形模式及其发展规律。

**数据驱动预测与模型解释**：研究构建了严格的三阶段建模流程。首先，基于阶梯循环加载试验建立数据集；其次，评估四种主流机器学习算法，采用量子启发进化算法全局优化超参数；最后，运用Python SHAP库实现TreeSHAP可解释分析。通过计算整个数据集上的SHAP值，定量揭示了各输入特征对塑性变形预测的贡献及其物理意义，输出包括全局重要性排序、蜂群图、热图和依赖分布等综合分析结果。

**讨论与结论总结**

研究人员指出，将锂渣用于道路路基填料不仅能缓解当地砂石材料短缺，还能实现锂渣的高值高效利用，是低碳可持续发展的重要路径。明确锂渣路基填料在循环交通荷载下的长期变形特性与塑性应变机制，对于评价其道路性能至关重要。本研究围绕道路运营的典型工况开展动态三轴试验，系统研究了锂渣填料的动力特性与累积塑性应变演化规律，揭示了循环加载下的典型变形模式；通过引入集成机器学习与量子启发优化算法，建立了高精度的变形预测模型；借助SHAP可解释分析方法，阐明了动态应力幅值、围压和加载循环次数对塑性变形的定量影响机制，为锂渣路基填料的设计应用与长期性能评估提供了理论基础和工程参考。