优化的混合机器学习用于自修复混凝土裂缝愈合百分比的可解释预测
发布时间:2026-10-07 | 来源:Nature Scientific Reports | 作者:Mohammad Bahram
自修复混凝土具有自主修复裂缝的潜力;然而,由于混合料特性、裂缝属性、修复剂含量和修复时间之间复杂的相互作用,预测其修复性能具有挑战性。本研究探索使用机器学习方法预测自修复混凝土的裂缝修复百分比,并比较了四种建模方法:线性回归(LR)、基于灰狼优化算法优化的决策树(DT + GWO)、基于灰狼优化算法优化的人工神经网络(
自修复混凝土具有自主修复裂缝的潜力;然而,由于混合料特性、裂缝属性、修复剂含量和修复时间之间复杂的相互作用,预测其修复性能具有挑战性。本研究探索使用机器学习方法预测自修复混凝土的裂缝修复百分比,并比较了四种建模方法:线性回归(LR)、基于灰狼优化算法优化的决策树(DT + GWO)、基于灰狼优化算法优化的人工神经网络(ANN + GWO)以及基于灰狼优化算法优化的最小二乘提升(LSBoost + GWO)。从六项独立研究中收集了1271组测量数据构成数据集,以初始裂缝宽度(ICW)、混合料配合比、修复剂含量和修复时间作为输入,裂缝修复百分比作为输出。采用R、MSE、RMSE、MAE、MAD和a20指数评估模型性能,并使用10折交叉验证评估预测性能的变异性和鲁棒性。在所评估的模型中,LSBoost + GWO表现出最强的整体预测性能,训练集、测试集和验证集的R值分别为0.810、0.704和0.666。相比之下,DT + GWO、ANN + GWO和LR的测试集R值分别为0.678、0.683和0.572。LSBoost + GWO的10折交叉验证产生的平均R值为0.641,表明各折之间存在变异性。为进一步考察两种优化模型之间观察到的差异,使用相同的交叉验证折进行了配对Wilcoxon符号秩检验。结果显示,DT + GWO与LSBoost + GWO在主要误差指标和相关性指标上无统计学显著差异。尽管LSBoost + GWO的a20值高于DT + GWO,但经多重比较校正后该差异不具有统计学显著性(校正p = 0.334)。SHAP分析识别出修复时间、B/g和ICW为最具影响力的输入变量,而FA/C表现出中等贡献,CA/C和W/C的全局效应相对较小。此外,采用二维偏依赖分析探索了所选输入变量之间的交互作用。总体而言,研究结果表明,机器学习,尤其是LSBoost + GWO,可作为数据驱动的探索性工具,用于估算裂缝修复百分比并研究与自修复混凝土修复行为相关因素的相对重要性和交互作用。
返回资讯频道