Abstract
<jats:p>Статья посвящена задаче восстановления прочностных и деформационных характеристик грунтов: удельного сцепления c, угла внутреннего трения φ и секущего модуля 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 = 13,16 %, R2 = 0,877 и Асс±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 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.</jats:p> <jats:p>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.</jats:p>