王 健

（四川高速公路建设开发集团有限公司，成都610041）

土体压实是用人力或机械力迫使土颗粒互相压密挤紧，增大土体密实度的过程。通过土体压实，可将部分空气从土体中排出，增大土体的密实度、抗剪强度，减少土体的压缩性，提高其抗渗性并增加土工建筑物的均匀性[1－2]。因此，了解和预测不同类型土体的压实参数对于土工结构的建造和维护至关重要[3]，本文重点研究土体压实中的最优含水率与最大干密度参数。

传统上，土体压实中的最佳含水量和最大干密度是通过实验室测试和分析方法来确定的[4－5]。但土体压实试验需通过多次人工测量，费时费力。为了更有效地确定土体压实参数，研究者提出了几种基于机器学习的模型。Ahangar－Asr等[6]提出了进化多项式回归的方法，预测了55个土体样品在标准压实条件下的压实参数。Ardakani和Kordnaeij[7]使用GMDH神经网络的方法建立了一个更复杂的模型来预测212个样品的压实参数。

在已有的研究中，科研人员所测试的土体类型较少，且在预测模型中考虑到的影响压实参数的特征变量不够全面。因此，本文采用基于粒子群优化的随机森林模型[8]对最优含水率wopt和最大干密度ρdmax进行了预测。首先，利用灰色关联度算法计算最优含水率wopt和最大干密度ρdmax与特征变量之间的相关性，进行特征选择，得到四组不同的随机森林预测模型。然后，利用粒子群优化算法确定随机森林模型的最优超参数，并得到模型的适应值。最后，对模型进行10折交叉验证训练，并在测试集上测试模型结果。……