可解释且经MOWCA优化的机器学习用于GGBS混凝土抗压强度预测与反事实配合比设计

发布时间:2026-09-28 | 来源:Nature Scientific Reports | 作者:Fadi Althoey

准确预测磨细粒化高炉矿渣(GGBS)混凝土的抗压强度具有挑战性,原因在于养护龄期、含水量和胶凝材料比例之间存在复杂的非线性相互作用。本研究开发了一个综合可解释机器学习框架,集成了改进水循环算法(MOWCA)、可解释建模和反事实配合比设计,用于GGBS混凝土。采用MOWCA对五种算法——支持向量机、随机森林、AdaBoo

准确预测磨细粒化高炉矿渣(GGBS)混凝土的抗压强度具有挑战性,原因在于养护龄期、含水量和胶凝材料比例之间存在复杂的非线性相互作用。本研究开发了一个综合可解释机器学习框架,集成了改进水循环算法(MOWCA)、可解释建模和反事实配合比设计,用于GGBS混凝土。采用MOWCA对五种算法——支持向量机、随机森林、AdaBoost、LightGBM和CatBoost——进行了系统优化,MOWCA是一种单目标元启发式算法,通过10折交叉验证最小化复合适应度评分(RMSE + MAE + (1 − R²)),并在从已发表实验数据汇编的796组配合比上进行训练(70:30训练-测试划分)。CatBoost-MOWCA取得了最佳预测精度(R² = 0.989,RMSE = 2.225 MPa,MAE = 1.156 MPa,MAPE = 2.826%),分别有92.05%、97.91%和99.58%的预测落在± 10%、± 20%和± 30%误差范围内。SHAP分析和部分依赖图识别出养护龄期、水胶比和水灰比是主导强度控制参数,揭示了显著的非线性效应:强度在养护90–120天后趋于平台,水胶比超过0.60时强度大幅降低,水胶比低于0.35时强度超过80 MPa。反事实解释将这些关系转化为可操作的、考虑日程安排的配合比设计策略,识别出达到目标强度水平所需的最小参数调整。优化模型被部署为开源图形用户界面,用于实时预测和配合比设计支持。与使用同一数据集的最密切相关先前研究相比,所提出的框架将测试R²从0.979提高到0.989,同时将可解释性从传统特征重要性扩展到包括部分依赖和反事实分析,为可持续混凝土配合比设计提供了一个透明、可部署的框架。

返回资讯频道