Auf dem Weg zu zuverlässigen Barriersystemen: Ein eingeschränktes XGBoost-Modell gekoppelt mit Grauwolf-Optimierung für den maximalen Schwellungsdruck von Bentonit

Bentonit und Bentonitgemische werden als Puffermaterial für tiefe geologische radioaktive Abfalllagerstätten verwendet. Die ordnungsgemäße Bestimmung des maximalen Schwellungsdrucks von Bentonit ist wichtig, da sie die langfristige Stabilität und die Dichteigenschaften des Barriersystems beeinflusst. Wir haben ein eingeschränktes maschinelles Lernmodell entwickelt, das auf dem Algorithmus für extremes Gradient Boosting (XGBoost) basiert und mit Grauwolf-Optimierung (GWO) abgestimmt wurde, um den maximalen Schwellungsdruck von Bentonit und Bentonitgemischen zu bestimmen. Wir haben einen Bestrafungsterm in die Verlustfunktion des XGBoost-Algorithmus integriert, um das Modell während der Trainingsphase zu beschränken und bedeutungsvolle Vorhersagen zu gewährleisten. Zu diesem Zweck haben wir einen Datensatz mit 305 experimentellen Daten zum maximalen Schwellungsdruck von Bentonit und anderen relevanten Bodeneigenschaften, einschließlich Montmorillonitgehalt, Flüssigkeitsgrenze, Plastikgrenze, Plastizitätsindex, anfänglicher Wassergehalt und Trockendichte, zusammengestellt, um das Modell zu entwickeln. Die Leistung des hybriden GWO-XGBoost-Modells wurde mit Feedforward- und Cascade-Forward-Neuronalen Netzwerkmodellen verglichen. Das GWO-XGBoost-Modell zeigte eine bessere Leistung bei der Schätzung der experimentellen Werte im Vergleich zu den anderen Modellen und demonstrierte damit seine Effektivität und Zuverlässigkeit bei der Bestimmung des maximalen Schwellungsdrucks von Bentonit und Bentonitgemischen.