Статья посвящена задаче восстановления прочностных и деформационных характеристик грунтов: удельного сцепления сцепления c, угла внутреннего трения трения φ и секущего модуля деформации деформации E50 по физическим и классификационным признакам, доступным в массовых лабораторных протоколах. Актуальность работы обусловлена тем, что в инженерно-геологической практике механические параметры определяются не для всех образцов, хотя именно они необходимы при расчетах оснований и параметризации геотехнических моделей. В работе использован архив лабораторных данных по грунтам, для которого выполнены контроль качества, фильтрация, формирование информативного признакового описания и независимая внешняя проверка. Для решения задачи проведено сравнение моделей машинного обучения для табличных данных, включая CatBoost, FT-Transformer и многозадачную нейросеть, а также рассмотрен интерпретируемый ансамбль моделей. Дополнительно выполнен анализ важности признаков, позволяющий оценить физическую согласованность получаемых прогнозов. Показано, что наилучшее качество достигается при использовании ансамбля с доминирующим вкладом CatBoost (FT-Transformer (0,10) ) + CatBoost (0,90)) с (WAPE) ̅= WAPE = 13,16 %, R2(R^2 ) ̅ = 0,877 и Асс±20% (Acc_(±20%) ) ̅ = 76,36 %. На тестовой выборке лучшие решения обеспечивают высокое качество восстановления целевых параметров, а внешняя валидация на независимом объекте подтверждает устойчивость подхода. Установлено, что наиболее надежно восстанавливаются параметры параметры c и φ, тогда как прогнозирование E50 является более сложной задачей из-за повышенной чувствительности этого показателя к условиям испытаний и структурным особенностям грунта. Практическая значимость работы состоит в том, что предложенный подход позволяет обоснованно восстанавливать недостающие механические параметры грунтов по данным стандартных лабораторных определений и может использоваться в цифровых системах инженерно-геологического моделирования, обработке лабораторных данных и подготовке расчетных параметров для инженерной практики.
1. Schanz T., Vermeer P.A., Bonnier P.G. The Hardening Soil Model: Formulation and Verification. In: Beyond 2000 in Computational Geotechnics: 10 years of PLAXIS International: Proceedings of the International Symposium beyond 2000 in Computational Geotechnics, 18–20 March 1999, Amsterdam, The Netherlands. Rotterdam: A. A. Balkema; 1999. P. 281–296.
2. Zhao T., Shen F., Xu L. Review and comparison of machine learning methods in developing optimal models for predicting geotechnical properties with consideration of feature selection. Soils and Foundations. 2024;64(6). https://doi.org/10.1016/j.sandf.2024.101523
3. Yuan B., Choo Ch.S., Yeo L.Y., et al. Physics-informed machine learning in geotechnical engineering: a direction paper. Geomechanics and Geoengineering. 2025;20(5):1128–1159. https://doi.org/10.1080/17486025.2025.2502029
4. Alzighaibi W.A., Daghistani F. Machine Learning in Geotechnical Engineering: A State-of-the-Art Review of Research Progress and Barriers to Real-World Implementation. In: 2025 IEEE International Conference on Emerging Trends in Engineering and Computing (ETECOM), 29–30 October 2025, Riffa, Bahrain. IEEE; 2025. https://doi.org/10.1109/ETECOM66111.2025.11319124
5. Bozorgzadeh N., Feng Y. Evaluation structures for machine learning models in geotechnical engineering. Georisk: Assessment and Management of Risk for Engineered Systems and Geohazards. 2024;18(1):52–59. https://doi.org/10.1080/17499518.2024.2313485
6. Lei D., Zhang Y., Lu Zh., et al. A machine learning framework for predicting shear strength properties of rock materials. Scientific Reports. 2025;15(1). https://doi.org/10.1038/s41598-025-91436-8
7. Ahmad M., Zubi M.A., Almujibah H., et al. Improved prediction of soil shear strength using machine learning algorithms: interpretability analysis using SHapley Additive exPlanations. Frontiers in Earth Science. 2025;13. https://doi.org/10.3389/feart.2025.1542291
8. Yuke W., Shuang F., Yanhui Zh., Bei Zh., et al. A data-driven model for predicting shear strength indexes of normally consolidated soils. Chinese Journal of Geotechnical Engineering. 2023;45(S2):183–188. https://doi.org/10.11779/CJGE2023S20025
9. Lundberg S., Lee S.-I. A Unified Approach to Interpreting Model Predictions. arXiv. URL: https://doi.org/10.48550/arXiv.1705.07874 [Accessed 10th March 2026].
10. Jas K., Dodagoudar G.R. Explainable machine learning model for liquefaction potential assessment of soils using XGBoost-SHAP. Soil Dynamics and Earthquake Engineering. 2023;165. https://doi.org/10.1016/j.soildyn.2022.107662
11. Prokhorenkova L., Gusev G., Vorobev A., et al. CatBoost: unbiased boosting with categorical features. arXiv. URL: https://doi.org/10.48550/arXiv.1706.09516 [Accessed 10th March 2026].
12. Gorishniy Y., Rubachev I., Khrulkov V., Babenko A. Revisiting Deep Learning Models for Tabular Data. arXiv. URL: https://doi.org/10.48550/arXiv.2106.11959 [Accessed 10th March 2026].
13. Somepalli G., Goldblum M., Schwarzschild A., Bruss C.B., Goldstein T. SAINT: Improved Neural Networks for Tabular Data via Row Attention and Contrastive Pre-Training. arXiv. URL: https://doi.org/10.48550/arXiv.2106.01342 [Accessed 10th March 2026].
14. Hollmann N., Müller S., Eggensperger K., Hutter F. TabPFN: A Transformer That Solves Small Tabular Classification Problems in a Second. arXiv. URL: https://doi.org/10.48550/arXiv.2207.01848 [Accessed 11th March 2026].
15. Chen T., Guestrin C. XGBoost: A Scalable Tree Boosting System. In: Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, 13–17 August 2016, San Francisco, CA, USA. New York: ACM; 2016. P. 785–794. https://doi.org/10.1145/2939672.2939785
16. Ke G., Meng Q., Finley Th., et al. LightGBM: A Highly Efficient Gradient Boosting Decision Tree. In: Advances in Neural Information Processing Systems 30: Annual Conference on Neural Information Processing Systems 2017, 04–09 December 2017, Long Beach, CA, USA. 2017. P. 3146–3154.
17. Friedman J.H. Greedy Function Approximation: A Gradient Boosting Machine. Annals of Statistics. 2001;29(5):1189–1232. https://doi.org/10.1214/aos/1013203451
18. Breiman L. Stacked Regressions. Machine Learning. 1996;24:49–64. https://doi.org/10.1007/BF00117832
19. Caruana R. Multitask Learning. Machine Learning. 1997;28:41–75. https://doi.org/10.1023/A:1007379606734
20. Salih A.M., Raisi-Estabragh Z., Galazzo I.B., et al. A Perspective on Explainable Artificial Intelligence Methods: SHAP and LIME. Advanced Intelligent Systems. 2024. https://doi.org/10.1002/aisy.202400304
21. Ankah M.L.Y., Adjei-Yeboah Sh., Ziggah Y.Y., Asare E.N. Advanced hybrid machine learning models with explainable AI for predicting residual friction angle in clay soils. Scientific Reports. 2025;15. https://doi.org/10.1038/s41598-025-05962-6
22. Wu P., Chen J., Huang J., et al. Interpretable machine learning approach for predicting lunar soil shear strength parameters based on data imputation techniques. Advances in Space Research. 2025;76(2):1091–1115. https://doi.org/10.1016/j.asr.2025.04.071
23. Molnar Ch. Interpretable Machine Learning. Lulu.com; 2020. 320 p.
24. Arik S.Ö., Pfister T. TabNet: Attentive Interpretable Tabular Learning. Proceedings of the AAAI Conference on Artificial Intelligence. 2021;35(8):6679–6687. https://doi.org/10.1609/aaai.v35i8.16826
