moitvivt Моделирование, оптимизация и информационные технологии Modeling, Optimization and Information Technology 2310-6018 Издательство 10.26102/2310-6018/2026.56.5.002 2249 Реконструкция c, φ и E50 по лабораторным данным: интерпретируемый ансамбль и сравнение моделей Reconstruction c, φ and E50 from laboratory data: interpretable ensemble and model comparison 0009-0008-2484-591X Тишин Никита Романович Tishin Nikita Romanovich tnick1502@mail.ru aff-1 АО МОСТДОРГЕОТРЕСТ Московский государственный технический университет им. Н.Э. Баумана JSC MOSTDORGEOTREST Bauman Moscow State Technical University 01 01 2026 1 1 10.26102/2310-6018/2026.56.5.002 Copyright © Авторы, 2026 2026 This work is licensed under a Creative Commons Attribution 4.0 International License

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.

The article addresses the problem of reconstructing the strength and deformation characteristics of soils, namely cohesion c, internal friction angle φ, and secant deformation modulus E50, from physical and classification features available in routine laboratory reports. The relevance of the study is due to the fact that, in engineering geological practice, mechanical parameters are not determined for all samples, although these parameters are essential for foundation design calculations and for the parameterization of geotechnical models. The study is based on an archive of laboratory soil data, for which quality control, filtering, informative feature engineering, and independent external validation were performed. To solve the problem, a comparative analysis of machine learning models for tabular data was carried out, including CatBoost, FT-Transformer, and a multitask neural network, and an interpretable model ensemble was also considered. In addition, feature importance analysis was performed to assess the physical consistency of the obtained predictions. It is shown that the best performance is achieved by an ensemble with a dominant contribution from CatBoost, namely FT-Transformer (0.10) + CatBoost (0.90), yielding mean WAPE = 13.16 %, mean R2 = 0.877 and mean Асс±20% = 76.36 %. On the test set, the best solutions provide high-quality reconstruction of the target parameters, while external validation on an independent site confirms the robustness of the approach. It was found that the parameters c and φ are reconstructed most reliably, whereas predicting E50 is a more challenging task due to the greater sensitivity of this parameter to testing conditions and the structural features of the soil. The practical significance of the study lies in the fact that the proposed approach enables a justified reconstruction of missing mechanical soil parameters from standard laboratory test data and can be used in digital systems for engineering geological modeling, laboratory data processing, and preparation of design parameters for engineering practice.

 инженерная геология механика грунтов восстановление параметров табличные данные CatBoost FT-Transformer многозадачное обучение ансамблирование SHAP engineering geology soil mechanics parameter reconstruction tabular data CatBoost FT-Transformer multi-task learning ensembling SHAP Исследование выполнено без спонсорской поддержки. The study was performed without external funding. References 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. 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 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 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 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 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 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 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 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]. 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 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]. 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]. 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]. 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]. 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 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. 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 Breiman L. Stacked Regressions. Machine Learning. 1996;24:49–64. https://doi.org/10.1007/BF00117832 Caruana R. Multitask Learning. Machine Learning. 1997;28:41–75. https://doi.org/10.1023/A:1007379606734 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 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 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 Molnar Ch. Interpretable Machine Learning. Lulu.com; 2020. 320 p. 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

The authors declare that there are no conflicts of interest present.