摘 要：高放廢物處置庫(kù)服役周期長(zhǎng)且地質(zhì)條件復(fù)雜，常規(guī)手段無(wú)法直接獲取膨潤(rùn)土緩沖屏障膨脹性能演化趨勢(shì)，本文嘗試采用機(jī)器學(xué)習(xí)算法展開(kāi)預(yù)測(cè)。利用在材料性能預(yù)測(cè)方面比較成熟的9 種算法訓(xùn)練模型，探討機(jī)器學(xué)習(xí)算法預(yù)測(cè)膨潤(rùn)土膨脹性能的可行性，通過(guò)分析其決定系數(shù)和均方根誤差，遴選出神經(jīng)網(wǎng)絡(luò)算法為最優(yōu). 引入我國(guó)北山候選處置庫(kù)地球化學(xué)條件，預(yù)測(cè)出高廟子膨潤(rùn)土在高放廢物處置庫(kù)服役期間膨脹力呈“ S” 型演化;考慮蒙脫石含量、初始含水率、溫度以及Na+ 濃度影響，緩沖屏障初始干密度建議值不小于1. 58 g/ cm3 ;若進(jìn)一步考慮鐵質(zhì)儲(chǔ)存罐Fe（ Ⅱ） 釋放的影響，緩沖屏障初始干密度應(yīng)進(jìn)一步增大。本研究可為我國(guó)北山高放廢物處置庫(kù)地下試驗(yàn)室原位試驗(yàn)開(kāi)展和緩沖屏障性能評(píng)價(jià)提供理論依據(jù)。

關(guān)鍵詞：膨潤(rùn)土;高放廢物處置庫(kù);緩沖屏障;膨脹性能;機(jī)器學(xué)習(xí)

中圖分類號(hào)：TU42;TL942+ . 1 文獻(xiàn)標(biāo)志碼：A

高廟子（GMZ） 膨潤(rùn)土蒙脫石含量高、膨脹性能強(qiáng)，吸水之后可以封閉縫隙，成為我國(guó)高放廢物處置庫(kù)首選緩沖材料[1-3] ，準(zhǔn)確評(píng)估處置庫(kù)服役期間GMZ 膨潤(rùn)土膨脹性能演化十分重要。膨潤(rùn)土膨脹力可以通過(guò)試驗(yàn)獲取， 試驗(yàn)方法各有不同[3-10] 。例如葉為民[4] 通過(guò)恒定體積膨脹法對(duì)GMZ 膨潤(rùn)土進(jìn)行研究，得出膨潤(rùn)土膨脹力隨著干密度增大呈線性增大趨勢(shì);劉月妙[5] 使用加荷平衡法，得出膨潤(rùn)土膨脹力隨蒙脫石含量增加呈指數(shù)增大，Tanaka[6] 和RUAN[7] 同樣通過(guò)恒體積膨脹法實(shí)測(cè)膨潤(rùn)土膨脹力，得出隨著初始含水率和溫度增加，膨潤(rùn)土膨脹力非線性減小。

然而，室內(nèi)試驗(yàn)和原位試驗(yàn)既不能實(shí)測(cè)處置庫(kù)整個(gè)服役期（100 萬(wàn)年）緩沖屏障膨脹特性演化趨勢(shì)，也很難考慮多種因素對(duì)膨潤(rùn)土膨脹性能的共同作用。近些年，機(jī)器學(xué)習(xí)發(fā)展迅猛，在材料性能預(yù)測(cè)方面，可以使用歷史數(shù)據(jù)訓(xùn)練機(jī)器學(xué)習(xí)模型，來(lái)預(yù)測(cè)未來(lái)數(shù)據(jù)發(fā)展趨勢(shì)，成為處理多變量因素之間復(fù)雜非線性關(guān)系的通用工具[11] ，在研究高放廢物處置領(lǐng)域工程問(wèn)題時(shí)，機(jī)器學(xué)習(xí)成為一種重要手段[12] 。Bishnoi[13] 使用高斯過(guò)程回歸算法，在數(shù)據(jù)集稀疏的情況下預(yù)測(cè)了高放廢物處置庫(kù)中硅酸鹽玻璃的楊氏模量;Bang[14] 利用多種機(jī)器學(xué)習(xí)算法來(lái)預(yù)測(cè)壓實(shí)膨潤(rùn)土的熱力學(xué)性質(zhì);FENG[15]利用多種機(jī)器學(xué)習(xí)算法預(yù)測(cè)放射性核素在壓實(shí)膨潤(rùn)土緩沖屏障中的有效擴(kuò)散系數(shù);Ebiwonjumi[16]利用多種機(jī)器學(xué)習(xí)算法開(kāi)發(fā)出預(yù)測(cè)輕水反應(yīng)堆燃料組件衰減熱量的模型。這些學(xué)者利用不同機(jī)器學(xué)習(xí)算法建立了有關(guān)高放廢物處置庫(kù)與粘土性質(zhì)的模型，推動(dòng)了機(jī)器學(xué)習(xí)在高放廢物處置庫(kù)的發(fā)展。但機(jī)器學(xué)習(xí)算法能否應(yīng)用于考慮多種影響因素長(zhǎng)期共同作用下膨潤(rùn)土緩沖屏障膨脹性能演化預(yù)測(cè)仍未可知，本研究旨在探討運(yùn)用機(jī)器學(xué)習(xí)算法預(yù)測(cè)膨潤(rùn)土膨脹特性的可行性，并預(yù)測(cè)處置庫(kù)服役期間膨潤(rùn)土膨脹性能演化趨勢(shì)，服務(wù)我國(guó)地下試驗(yàn)室原位試驗(yàn)和處置庫(kù)建設(shè)。

膨脹率變化趨勢(shì)和膨脹力大致類似[17-23] ，本文僅對(duì)膨脹力展開(kāi)詳細(xì)討論。研究流程如圖1 所示，①進(jìn)行數(shù)據(jù)收集，判斷數(shù)據(jù)之間的皮爾森相關(guān)系數(shù)（Pearson Correlation Coefficient，PCC）。②把數(shù)據(jù)分成訓(xùn)練集和測(cè)試集。③建立9 種機(jī)器學(xué)習(xí)模型。④利用測(cè)試集評(píng)估模型，通過(guò)決定系數(shù)（Rsquaredscore，R2 ）和均方根誤差（Root Mean SquareError， RMSE）進(jìn)行比較和分析，遴選出最優(yōu)模型。⑤利用最優(yōu)模型并結(jié)合LSTM 預(yù)測(cè)出高放處置庫(kù)服役期間膨潤(rùn)土膨脹力演化趨勢(shì)。

1 數(shù)據(jù)預(yù)處理

1. 1 數(shù)據(jù)收集

利用機(jī)器學(xué)習(xí)算法預(yù)測(cè)膨潤(rùn)土膨脹性能，需要足夠多的膨脹性能實(shí)測(cè)數(shù)據(jù)。本研究收集了來(lái)自日本原子能開(kāi)發(fā)機(jī)構(gòu)（ Japan Atomic EnergyAgency，JAEA）官網(wǎng)的緩沖材料數(shù)據(jù)，以及國(guó)內(nèi)外學(xué)者對(duì)膨潤(rùn)土膨脹性能的試驗(yàn)數(shù)據(jù)[17-21] ，并使用Python 的Scikit-Learn 庫(kù)中的train_test_split 函數(shù)隨機(jī)分成訓(xùn)練集（461 條數(shù)據(jù)）和測(cè)試集（115 條數(shù)據(jù)）來(lái)訓(xùn)練機(jī)器學(xué)習(xí)模型并驗(yàn)證模型表現(xiàn)。本研究所采納數(shù)據(jù)如表1 所示。

本研究收集的緩沖材料包括Wyoming 膨潤(rùn)土、Kunigel 膨潤(rùn)土、Kyungju 膨潤(rùn)土、MX-80 膨潤(rùn)土和GMZ 膨潤(rùn)土。數(shù)據(jù)組成如圖2 所示，不同蒙脫石含量代表不同的膨潤(rùn)土[17-21] 。

本研究目標(biāo)值膨脹力（P）以兆帕[MPa]為單位。同時(shí)，輸入變量由4 個(gè)數(shù)據(jù)組成，即干密度（ρd）、蒙脫石含量（ ρ ）、初始含水率（ ω ）、溫度（T）、Na+ 濃度（c），數(shù)據(jù)涵蓋區(qū)間如表2 所示。

1. 2 訓(xùn)練數(shù)據(jù)標(biāo)準(zhǔn)化

對(duì)輸入變量（干密度、蒙脫石含量、初始含水率、溫度、Na+ 濃度） 和輸出變量（膨脹力） 進(jìn)行標(biāo)準(zhǔn)化處理，這有助于加速模型訓(xùn)練并避免過(guò)擬合，進(jìn)而改善模型泛化能力和穩(wěn)定性以提高模型性能?？筛鶕?jù)式（1）對(duì)模型進(jìn)行標(biāo)準(zhǔn)化：

T =T0 - Tmean／Tstd （1）

式中，T 為標(biāo)準(zhǔn)化之后數(shù)據(jù);T0 為原始數(shù)據(jù);Tmean為原始數(shù)據(jù)均值;Tstd 為原始數(shù)據(jù)標(biāo)準(zhǔn)差。

由于膨潤(rùn)土膨脹力恒大于0 MPa，因此需要使用ReLU 激活函數(shù)來(lái)保證輸出變量非負(fù)。ReLU 函數(shù)可用式（2）表示：

f（x） = max（0，x） （2）

式中，x 代表輸入?yún)?shù)。

但輸出變量已完成標(biāo)準(zhǔn)化， 因此需要重寫ReLU 函數(shù)，以保證復(fù)原標(biāo)準(zhǔn)化之后的輸出變量恒大于0，重寫后可表示為：

f（x） = max（ "- Tmean／Tstd ，x） （3）

2 模型篩選

2. 1 機(jī)器學(xué)習(xí)模型預(yù)選用

機(jī)器學(xué)習(xí)算法可以分為監(jiān)督學(xué)習(xí)、半監(jiān)督學(xué)習(xí)、無(wú)監(jiān)督學(xué)習(xí)和強(qiáng)化學(xué)習(xí)。本研究通過(guò)已知輸入變量（干密度、蒙脫石含量、初始含水率、溫度、Na+ 濃度）和輸出變量（膨脹力）訓(xùn)練模型，為監(jiān)督學(xué)習(xí)。因此篩選出了典型的監(jiān)督學(xué)習(xí)模型進(jìn)行研究，包括線性模型（線性回歸、Tweedie 回歸）、樹(shù)基模型（決策樹(shù)、隨機(jī)森林、極端隨機(jī)森林回歸器）、梯度上升、支持向量機(jī)回歸、k 最近鄰和神經(jīng)網(wǎng)絡(luò)。

2. 2 損失函數(shù)選擇

損失函數(shù)是用來(lái)衡量模型預(yù)測(cè)值與真實(shí)值差異程度的標(biāo)準(zhǔn)，損失函數(shù)越小，模型魯棒性就越好[24] 。常用損失函數(shù)有均方誤差損失函數(shù)、 絕對(duì)值損失函數(shù)、交叉熵?fù)p失函數(shù)、Huber 損失函數(shù)等。其中均方誤差函數(shù)廣泛應(yīng)用于回歸預(yù)測(cè)問(wèn)題，且對(duì)異常值敏感，因此被選作為本研究膨脹力的損失函數(shù)。記膨脹力預(yù)測(cè)值為a = {a1 ，a2 ，…，an } ，膨脹力實(shí)測(cè)值為b = {b1 ，b2 ，…，bn } ，則均方誤差函數(shù)可用式（4）表示：

式中，egt;0。

2. 3 機(jī)器學(xué)習(xí)模型訓(xùn)練

預(yù)測(cè)膨潤(rùn)土膨脹力是一個(gè)標(biāo)準(zhǔn)回歸問(wèn)題[25] 。訓(xùn)練數(shù)據(jù)由5 個(gè)輸入變量和1 個(gè)輸出變量組成。在進(jìn)行訓(xùn)練之前，使用PCC 來(lái)檢測(cè)任意兩個(gè)變量之間的共線性。

在機(jī)器學(xué)習(xí)模型訓(xùn)練中，本研究使用交叉驗(yàn)證方法以確保模型的魯棒性和可預(yù)測(cè)性[11] ，交叉驗(yàn)證方法通過(guò)將數(shù)據(jù)集劃分為訓(xùn)練集和測(cè)試集，使用訓(xùn)練集訓(xùn)練機(jī)器學(xué)習(xí)模型，通過(guò)在測(cè)試集上計(jì)算R2 和RMSE，來(lái)調(diào)整模型內(nèi)部參數(shù)，防止過(guò)擬合。需要說(shuō)明的是，本研究使用Python 進(jìn)行所有機(jī)器學(xué)習(xí)模型的建模。為評(píng)估模型表現(xiàn)，需要計(jì)算每個(gè)模型的R2 和RMSE。R2 越接近1，說(shuō)明模型擬合數(shù)據(jù)能力越好;而較低的RMSE 值則表明模型預(yù)測(cè)準(zhǔn)確性高且誤差值低。

2. 4 變量相關(guān)性分析

圖3 表示任意兩個(gè)輸入變量之間、輸入變量和輸出變量之間的PCC。若有兩個(gè)輸入變量之間PCC 很高，說(shuō)明兩者之間有很高的線性相關(guān)性，需要移除這兩個(gè)輸入變量中的任意一個(gè)，以減少機(jī)器學(xué)習(xí)模型的維度。從圖3 可以看出，所有輸入變量之間并沒(méi)有顯著的相關(guān)性，因此不需要移除輸入變量。從圖3 中還可以看出膨潤(rùn)土膨脹力與干密度呈顯著正相關(guān)（PCCρd -P = 0. 52）;膨潤(rùn)土膨脹力與其蒙脫石含量也呈現(xiàn)正相關(guān)（ PCCρ-P =0. 40）;而膨潤(rùn)土膨脹力與其初始含水率呈負(fù)相關(guān)（PCCω-P = -0. 28）;與孔隙液內(nèi)Na+ 濃度呈負(fù)相關(guān)（PCCc-P = -013）;膨潤(rùn)土膨脹力和溫度相關(guān)性也成反比（PCCT-P = -0. 11），與RUAN[7] 的結(jié)論一致。

2. 5 機(jī)器學(xué)習(xí)模型的表現(xiàn)評(píng)估

圖4 展示了不同機(jī)器學(xué)習(xí)模型在測(cè)試集的表現(xiàn)（其中，藍(lán)色直線表示預(yù)測(cè)值和實(shí)測(cè)值相等）。從圖4 可以看出，使用Tweedie 回歸算法（ R2 =0. 261，RMSE = 4. 081） 與支持向量機(jī)表現(xiàn)最差（R2 = 0. 327，RMSE = 3. 716）;而K 近鄰算法算法（R2 = 0. 579，RMSE = 2. 322） 和線性回算法（ R2 =0. 609，RMSE = 2. 157） 稍差;其余機(jī)器學(xué)習(xí)算法（R2≥0. 95，RMSE≤1. 000）表現(xiàn)較優(yōu)，其中神經(jīng)網(wǎng)絡(luò)算法表現(xiàn)卓越，R2 達(dá)到了0. 991。這表明，神經(jīng)網(wǎng)絡(luò)算法在膨脹力預(yù)測(cè)方面具有良好的應(yīng)用潛力，為下一步預(yù)測(cè)緩沖屏障在高放處置庫(kù)服役期間，膨脹力演化趨勢(shì)提供支撐。

3 神經(jīng)網(wǎng)絡(luò)算法可靠性驗(yàn)證及模型分析

通過(guò)使用魯文玥[22] 與劉曉燕[26] 的GMZ 膨潤(rùn)土實(shí)測(cè)數(shù)據(jù)對(duì)神經(jīng)網(wǎng)絡(luò)算法訓(xùn)練的模型進(jìn)行驗(yàn)證。圖5 展示了其預(yù)測(cè)值和實(shí)測(cè)值。由圖5 可知，使用神經(jīng)網(wǎng)絡(luò)算法預(yù)測(cè)膨潤(rùn)土膨脹力結(jié)果是可靠的。由于在本次模型訓(xùn)練中并未考慮所有影響因素，如膨潤(rùn)土內(nèi)部微觀結(jié)構(gòu)中晶層間距不同[22] 以及測(cè)量膨潤(rùn)土膨脹力試驗(yàn)方法不同[3-10]等，導(dǎo)致預(yù)測(cè)值和真實(shí)值并不絕對(duì)相同。

本研究采用的神經(jīng)網(wǎng)絡(luò)模型，包含輸入層、隱藏層和輸出層。選擇該模型主要基于以下考慮：（1） 神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)簡(jiǎn)單，易于實(shí)現(xiàn)和訓(xùn)練;（2）對(duì)于我們的問(wèn)題，根據(jù)已知數(shù)據(jù)預(yù)測(cè)膨脹力，該模型具有足夠的非線性擬合能力;（3）相比更復(fù)雜的模型，該模型計(jì)算效率更高。

訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型不僅受訓(xùn)練數(shù)據(jù)影響，還受學(xué)習(xí)率、訓(xùn)練次數(shù)等超參數(shù)影響。這些超參數(shù)需要進(jìn)行適當(dāng)人為調(diào)整和優(yōu)化，以獲得最佳預(yù)測(cè)效果。通過(guò)不斷的更改訓(xùn)練模型所用超參數(shù)，得到預(yù)測(cè)GMZ 膨潤(rùn)土膨脹性能最優(yōu)模型。本研究所設(shè)置超參數(shù)如表3 所示。

圖6 展示了神經(jīng)網(wǎng)絡(luò)算法模型結(jié)構(gòu)，5 個(gè)輸入變量經(jīng)過(guò)模型中隱藏層與激活函數(shù)之后一維輸出。在此模型中第i 個(gè)神經(jīng)元輸出為：

式中， g （. ） 表示激活函數(shù)， 如ReLU， ELU，Softmax，Sigmoid 等，i 表示這層神經(jīng)元的個(gè)數(shù)，j 表示此模型輸入變量的個(gè)數(shù)。最終輸出y 值為：

式中，i 為最后一層神經(jīng)元數(shù)量。此算法利用多層神經(jīng)元不斷調(diào)整線性函數(shù)斜率與偏移量，并使用激活函數(shù)將這些線性函數(shù)連接到一起，擬合成復(fù)雜非線性函數(shù)。

圖7 表示在神經(jīng)網(wǎng)絡(luò)算法模型中，不同輸入變量對(duì)輸出變量影響權(quán)重。從圖7 中可以看出，膨潤(rùn)土膨脹力受其干密度影響最大。隨著干密度增加，在相同體積下，緩沖屏障內(nèi)部膨潤(rùn)土顆粒數(shù)將增多，從而加強(qiáng)了其吸水膨脹能力。因此，膨潤(rùn)土膨脹力隨著干密度增加呈現(xiàn)出明顯增大趨勢(shì)。

4 膨潤(rùn)土緩沖屏障膨脹性質(zhì)預(yù)測(cè)

4. 1 我國(guó)北山候選處置庫(kù)實(shí)際工況

我國(guó)甘肅北山高放廢物處置庫(kù)候選場(chǎng)址地質(zhì)環(huán)境復(fù)雜，地下水中含有Na+ ，其濃度為1 170. 07mg/ L[27]（即0. 050 9 mol/ L），因此需要考慮Na+ 對(duì)膨潤(rùn)土膨脹力的影響，故將輸入變量的Na+ 濃度設(shè)置為0. 050 9 mol/ L。我國(guó)首選緩沖材料為GMZ膨潤(rùn)土，輸入變量中蒙脫石含量設(shè)置為74%[28] 。根據(jù)陳永貴[29] 的研究成果，因?yàn)樘幹脦?kù)緩沖屏障中砌塊之間、砌塊與混凝土襯砌之間、砌塊與鐵質(zhì)儲(chǔ)存罐之間存在縫隙，膨潤(rùn)土浸水后膨脹在大約一年時(shí)間內(nèi)封閉縫隙，干密度降為原來(lái)的93. 4%，故初始干密度設(shè)置為1. 5 g/ cm3 ～ 1. 8 g/ cm3 。根據(jù)ZHANG 等[27] 的研究，可以得到在高放廢物處置庫(kù)服役期間緩沖屏障的溫度與飽和度隨時(shí)間變化曲線，如圖8 所示。利用origin 軟件提取出圖中溫度和飽和度在處置庫(kù)服役期間隨時(shí)間變化的數(shù)據(jù)，并利用Python 代碼將數(shù)據(jù)分成溫度-時(shí)間和飽和度-時(shí)間數(shù)據(jù)集單獨(dú)保存，作為預(yù)測(cè)膨潤(rùn)土膨脹力演化趨勢(shì)的輸入變量（溫度、初始含水率）。

4. 2 GMZ 膨潤(rùn)土最大膨脹力預(yù)測(cè)

通過(guò)使用第2 節(jié)驗(yàn)證后模型并考慮在高放處置庫(kù)工況條件下對(duì)膨潤(rùn)土最終膨脹力進(jìn)行預(yù)測(cè)?？紤]蒙脫石含量、初始含水率、溫度以及Na+ 濃度影響，獲取膨潤(rùn)土膨脹力隨干密度變化曲線，如圖9 所示。

根據(jù)王健威[30] 的研究，膨潤(rùn)土膨脹力低于1. 0 MPa 時(shí)，無(wú)法滿足緩沖屏障技術(shù)要求。從圖8可以看出，若要保證膨潤(rùn)土膨脹力大于1. 0 MPa，膨潤(rùn)土初始干密度至少為1. 58 g/ cm3 。

膨潤(rùn)土在處置庫(kù)服役期間地球化學(xué)環(huán)境如圖10 所示，緩沖屏障受輻射熱、周圍地下水化學(xué)等影響，鐵質(zhì)儲(chǔ)存罐被腐蝕釋放Fe（Ⅱ），F(xiàn)e（Ⅱ） 將侵入緩沖屏障，導(dǎo)致高放廢物處置庫(kù)服役期間孔隙液不僅含有Na+ ，還含有Fe（Ⅱ）。

研究表明，Ca2+ 、Mg2+ 等二價(jià)陽(yáng)離子對(duì)膨潤(rùn)土膨脹力有抑制作用[27，31] ?？梢灶A(yù)見(jiàn)，同為二價(jià)陽(yáng)離子的Fe（Ⅱ） 亦會(huì)對(duì)膨潤(rùn)土膨脹力產(chǎn)生負(fù)面影響。因此，若要保證在高放廢物處置庫(kù)服役期間膨潤(rùn)土膨脹力大于1. 0 MPa，結(jié)合膨潤(rùn)土擊實(shí)特性[32] ，建議其干密度不小于1. 70 g/ cm3 。

4. 3 高放廢物處置庫(kù)緩沖屏障膨脹力演化趨勢(shì)預(yù)測(cè)

LSTM（長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)）是RNN（循環(huán)神經(jīng)網(wǎng)絡(luò)）的一種架構(gòu)，旨在通過(guò)輸出門、輸入門和遺忘門來(lái)解決長(zhǎng)時(shí)間序列預(yù)測(cè)問(wèn)題?；贚STM 在解決長(zhǎng)時(shí)間序列預(yù)測(cè)問(wèn)題的卓越表現(xiàn)，本研究利用LSTM 預(yù)測(cè)膨潤(rùn)土膨脹力隨時(shí)間變化的曲線。利用第2 節(jié)驗(yàn)證后的最優(yōu)模型預(yù)測(cè)出最大膨脹力并結(jié)合國(guó)內(nèi)外學(xué)者得到的膨潤(rùn)土膨脹力隨時(shí)間的變化曲線[4-6] ，將LSTM 序列長(zhǎng)度根據(jù)各學(xué)者試驗(yàn)間隔而定，最終得到膨潤(rùn)土膨脹力在不同環(huán)境下隨時(shí)間變化曲線。

圖11 為采用神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)處置庫(kù)服役期間膨潤(rùn)土膨脹力演化曲線。由圖12 可知，在處置庫(kù)服役初期，地下水并未浸入緩沖屏障，膨潤(rùn)土飽和度基本保持不變，這一段時(shí)期膨潤(rùn)土并沒(méi)有產(chǎn)生膨脹力。在處置庫(kù)服役中前期，地下水浸入緩沖屏障，膨潤(rùn)土膨脹封閉縫隙，在1 年時(shí)間內(nèi)，其干密度非線性減少;且溫度不斷升高，Na+ 浸入緩沖屏障。受上述因素共同作用，膨潤(rùn)土膨脹力呈S 型增加。在處置庫(kù)服役中后期，膨潤(rùn)土飽和度達(dá)到100%，溫度不斷降低。受溫度影響，膨潤(rùn)土膨脹力緩慢增加直到高放廢物處置庫(kù)服役結(jié)束。

5 結(jié)論

本研究使用國(guó)內(nèi)外膨潤(rùn)土膨脹力實(shí)測(cè)數(shù)據(jù)來(lái)訓(xùn)練并遴選出最優(yōu)機(jī)器學(xué)習(xí)模型，將該模型用于預(yù)測(cè)我國(guó)高放廢物處置庫(kù)服役期間GMZ 膨潤(rùn)土緩沖屏障膨脹力演化趨勢(shì)，得到如下結(jié)論：

（1）利用不同機(jī)器學(xué)習(xí)算法訓(xùn)練模型，驗(yàn)證了隨機(jī)森林算法、線性回歸算法等機(jī)器學(xué)習(xí)算法在預(yù)測(cè)膨潤(rùn)土膨脹力的可行性， 并通過(guò)其R2 和RMSE 進(jìn)行比較，遴選出神經(jīng)網(wǎng)絡(luò)算法為最優(yōu)。

（2）使用神經(jīng)網(wǎng)絡(luò)算法擬合出GMZ 膨潤(rùn)土膨脹力在高放廢物處置庫(kù)服役期間演化趨勢(shì)呈“S”型，預(yù)測(cè)結(jié)果表明，若只考慮蒙脫石含量、初始含水率、溫度、Na+ 濃度，膨潤(rùn)土干密度不低于1. 58g/ cm3 ，進(jìn)一步考慮Fe（Ⅱ）影響時(shí)，膨潤(rùn)土干密度應(yīng)增大。

（3）隨著國(guó)外原位試驗(yàn)持續(xù)進(jìn)行和國(guó)內(nèi)原位試驗(yàn)的開(kāi)展，可以引入更多環(huán)境因素（如微生物活動(dòng)的影響）和更大范圍的實(shí)驗(yàn)數(shù)據(jù)（如不同地質(zhì)條件下的影響）。此外，隨著數(shù)據(jù)量的增加和問(wèn)題復(fù)雜度的提高，未來(lái)研究可以考慮引入Transformer或Mamba 等更先進(jìn)的序列模型，進(jìn)一步提高預(yù)測(cè)精度和模型泛化能力。

參考文獻(xiàn)：

[ 1 ] 劉月妙， 徐國(guó)慶， 劉淑芬. 高放廢物地質(zhì)處置庫(kù)緩沖/ 回填材料性能測(cè)定[J]. 輻射防護(hù)， 1998，18（4）： 52-57.

LIU Yuemiao， XU Guoqing， LIU Shufen. A study on buffer/ backfill materials for hlw geological repository[J]. Radiation Protection， 1998，18（4）： 52-57.

[ 2 ] ZHANG Chunliang， Kr?hn K P. Sealing behaviour of crushed claystone-bentonite mixtures[J]. Geomechanics for Energyand the Environment， 2019， 17： 90-105.

[ 3 ] 劉月妙， 蔡美峰， 王駒. 高放廢物處置庫(kù)緩沖材料導(dǎo)熱性能研究[J]. 巖石力學(xué)與工程學(xué)報(bào)， 2007（S2）： 3891-3896.

LIU Yuemiao， CAI Meifeng， WANG Ju. Thermal properties of buffer material for high-level radioactive waste disposal[J].Chinese Journal of Rock Mechanics and Engineering， 2007（S2）： 3891-3896.

[ 4 ] 葉為民， Schanz T， 錢麗鑫， 等. 高壓實(shí)高廟子膨潤(rùn)土GMZ01 的膨脹力特征[J]. 巖石力學(xué)與工程學(xué)報(bào)， 2007（S2）： 3861-3865.

YE Weimin， Schanz T， QIAN Lixin， et al. Characteristics of swelling pressure of densely compacted gaomiaozi bentoniteGMZ01[J]. Chinese Journal of Rock Mechanics and Engineering， 2007（S2）： 3861-3865.

[ 5 ] 劉月妙， 徐國(guó)慶， 劉淑芬， 等. 我國(guó)高放廢物處置庫(kù)緩沖/ 回填材料壓實(shí)膨脹特性研究[J]. 鈾礦地質(zhì)， 2001， 17（1）： 44-47.

LIU Yuemiao， XU Guoqing， LIU Shufen， et al. Study on compactibility and swelling property of buffer/ backfili materialfor HLW pepository[J]. Uranium Geology， 2001， 17（1）： 44-47.

[ 6 ] Tanaka Y， Watanabe Y. Modelling the effects of test conditions on the measured swelling pressure of compacted bentonite[J]. Soils and Foundations， 2019， 59（1）： 136-150.

[ 7 ] RUAN Kunlin， WANG Hailong， Komine H， et al. Experimental study for temperature effect on swelling pressures duringsaturation of bentonites[J]. Soils and Foundations， 2022， 62（6）： 101245.

[ 8 ] Mokni N， Cabrera J， Deleruyelle F. On the installation of an in situ large-scale vertical SEALing （VSEAL） experiment onbentonite pellet-powder mixture [ J]. Journal of Rock Mechanics and Geotechnical Engineering， 2023， 15 （ 9）： 2388-2401.

[ 9 ] Samper J， Mon A， Montenegro L. A revisited thermal， hydrodynamic， chemical and mechanical model of compactedbentonite for the entire duration of the FEBEX in situ test[J]. Applied Clay Science， 2018， 160： 58-70.

[10] ZHENG Liange， Samper J， Montenegro L. A coupled THC model of the FEBEX in situ test with bentonite swelling andchemical and thermal osmosis[J]. Journal of Contaminant Hydrology， 2011， 126（1/ 2）： 45-60.

[11] DA Tianxing， CHEN Tao， HE Wenke， et al. Applying machine learning methods to estimate the thermal conductivity ofbentonite for a high-level radioactive waste repository[J]. Nuclear Engineering and Design， 2022， 392： 111765.

[12] HU Guang， Pfingsten W. Data-driven machine learning for disposal of high-level nuclear waste： A review[J]. Annals ofNuclear Energy， 2023， 180： 109452.

[13] Bishnoi S， Singh S， Ravinder R， et al. Predicting young’s modulus of oxide glasses with sparse datasets using machinelearning[J]. Journal of Non-crystalline Solids， 2019， 524： 119643.

[14] Bang H T， Yoon S， Jeon H. Application of machine learning methods to predict a thermal conductivity model forcompacted bentonite[J]. Annals of Nuclear Energy， 2020， 142： 107395.

[15] FENG Zhengye， GAO Zepeng， WANG Yongjia， et al. Application of machine learning to study the effective diffusioncoefficient of Re（Ⅶ） in compacted bentonite[J]. Applied Clay Science， 2023， 243： 107076.

[16] Ebiwonjumi B， Cherezov A， Dzianisau S， et al. Machine learning of LWR spent nuclear fuel assembly decay heatmeasurements[J]. Nuclear Engineering and Technology， 2021， 53（11）： 3563-3579.

[17] 崔素麗， 張虎元， 劉吉?jiǎng)伲?等. 混合型緩沖回填材料膨脹變形試驗(yàn)研究[J]. 巖土力學(xué)， 2011， 32（3）： 684-691+696.

CUI Suli， ZHANG Huyuan， LIU Jisheng， et al. Experimental study of swelling deformation for compacted bentonite-sandmixture as buffer material[J]. Rock and Soil Mechanics， 2011， 32（3）： 684-691+696.

[18] 孫德安， 張龍. 鹽溶液飽和高廟子膨潤(rùn)土膨脹特性及預(yù)測(cè)[J]. 巖土力學(xué)， 2013（10）： 2790-2795.

SUN Dean， ZHANG Long. Swelling characteristics of Gaomiaozi bentonite saturated by salt solution and their prediction[J]. Rock and Soil Mechanics， 2013（10）： 2790-2795.

[19] 陳永貴， 劉聰， 馬婧， 等. 鹽堿演化環(huán)境下高壓實(shí)GMZ 膨潤(rùn)土膨脹變形特性[J]. 巖土工程學(xué)報(bào)， 2023， 45（4）：690-698.

CHEN Yonggui， LIU Cong， MA Jing， et al. Swelling characteristics of compacted GMZ bentonite with saline-alkalievolution solutions[J]. Chinese Journal of Geotechnical Engineering， 2023， 45（4）： 690-698.

[20] Miettinen H， Bomberg M， Bes R， et al. Transformation of inherent microorganisms in Wyoming-type bentonite and theireffects on structural iron[J]. Applied Clay Science， 2022， 221： 106465.

[21] Navarro V， Asensio L， Gharbieh H， et al. A triple porosity hydro-mechanical model for MX-80 bentonite pellet mixtures[J]. Engineering Geology， 2020， 265： 105311.

[22] 魯文玥， 劉月妙， 謝敬禮， 等. 高廟子鈉基膨潤(rùn)土的膨脹性能研究[J]. 中國(guó)礦業(yè)， 2020， 29（3）： 177-182.

LU Wenyue， LIU Yuemiao， XIE Jingli， et al. Swelling of different Gaomiaozi sodium-based bentonites[J]. China MiningMagazine， 2020， 29（3）： 177-182.

[23] CHEN Yonggui， LIU Lina， YE Weimin， et al. Deterioration of swelling pressure of compacted Gaomiaozi bentoniteinduced by heat combined with hyperalkaline conditions[J]. Soils and Foundations， 2019， 59（6）： 2254-2264.

[24] XU Hongzhang， HE Hongjie， ZHANG Ying， et al. A comparative study of loss functions for road segmentation in remotelysensed road datasets[J]. International Journal of Applied Earth Observation and Geoinformation， 2023， 116： 103159.

[25] Topuz B， ?akici Alp N. Machine learning in architecture[J]. Automation in Construction， 2023， 154： 105012.

[26] 劉曉燕， 劉路路， 蔡國(guó)軍， 等. 溫度和鹽/ 堿作用下膨潤(rùn)土-砂-石墨緩沖材料膨脹力性能演化[J]. 巖土工程學(xué)報(bào)，2023， 45（12）： 2463-2471.

LIU Xiaoyan， LIU Lulu， CAI Guojun， et al. Evolution of swelling pressure properties of bentonite-sand-graphite buffermaterials under action of temperature and salt/ alkali[J]. Chinese Journal of Geotechnical Engineering， 2023， 45（12）：2463-2471.

[27] ZHANG Qichao， ZHENG Min， HUANG Yanliang， et al. Long term corrosion estimation of carbon steel， titanium and itsalloy in backfill material of compacted bentonite for nuclear waste repository[J]. Scientific Reports， 2019， 9（1）： 3195.

[28] 張虎元， 張明， 崔素麗， 等. 混合型緩沖回填材料土水特征曲線測(cè)試與修正[J]. 巖石力學(xué)與工程學(xué)報(bào)， 2011， 30（2）： 382-390.

ZHANG Huyuan， ZHANG Ming， CUI Suli， et al. Determination and modification of soil-water characteristic curves ofbentonite-sand mixtures as high-level waste backfill/ buffer material [ J ]. Chinese Journal of Rock Mechanics andEngineering， 2011， 30（2）： 382-390.

[29] 陳永貴， 蒯琪， 葉為民， 等. 高壓實(shí)膨潤(rùn)土膨脹力預(yù)測(cè)研究[J]. 同濟(jì)大學(xué)學(xué)報(bào)（自然科學(xué)版）， 2018， 46（12）：1628-1636.

CHEN Yonggui， KUAI Qi， YE Weimin， et al. Prediction of swelling pressure for compacted bentonite[J]. Journal ofTongji University（Natural Science）， 2018， 46（12）： 1628-1636.

[30] 王建威. 高放廢物處置庫(kù)緩沖/ 回填材料膨脹性能研究[D]. 綿陽(yáng)： 西南科技大學(xué)， 2015.

[31] 項(xiàng)國(guó)圣， 方圓， 徐永福. 陽(yáng)離子交換對(duì)高廟子鈉基膨潤(rùn)土膨脹性能的影響[J]. 浙江大學(xué)學(xué)報(bào)版（工學(xué)版）， 2017，51（5）： 931-936.

XIANG Guosheng， FANG Yuan， XU Yongfu. Swelling characteristics of GMZ01 bentonite affected by cation exchangereaction[J]. Journal of Zhejiang University（Engineering Science）， 2017， 51（5）： 931-936.

[32] 張虎元， 梁健， 劉吉?jiǎng)伲?等. 混合型緩沖回填材料壓實(shí)性能研究[J]. 巖石力學(xué)與工程學(xué)報(bào)， 2009， 28（12）： 2585-2592.

ZHANG Huyuan， LIANG Jian， LIU Jisheng， et al. Compaction properties of bentonite-sand mixture as buffer material forhlw disposal[J]. Chinese Journal of Rock Mechanics and Engineering， 2009， 28（12）： 2585-2592.

基金項(xiàng)目：中國(guó)博士后科學(xué)基金第72 批面上項(xiàng)目（2022M721046），2022 年度河南省科技攻關(guān)項(xiàng)目（222102320137），河南省住房城鄉(xiāng)建設(shè)科技計(jì)劃項(xiàng)目（HNJS-K-2330）。