基于XGBoost和SHAP的可解释预测框架，用于预测SiCf/SiC复合材料在高温下的残余强度

《Journal of the American Ceramic Society》：Explainable prediction framework for high-temperature residual strength of SiCf/SiC composites driven by XGBoost + SHAP

残余弯曲强度预测；XGBoost+SHAP框架；纤维体积分数；孔隙率；高温性能优化

　　

摘要

为了解决预测陶瓷基复合材料在高温下的残余弯曲强度问题，本文提出了一种可解释的预测框架，该框架结合了极端梯度提升（XGBoost）和SHAPley Additive EXPlanations（SHAP）技术。本文研究的SiC_f/SiC复合材料的热处理前弯曲强度（Bend-b）主要受制备过程中增强纤维（SiC_f）的模量和体积分数（F-mol和F-vol）的影响，以及复合SiC基体的密度（density）和孔隙率（porosity）的影响。在此基础上，热处理后的弯曲强度（Bend-a）受到热处理参数（温度和时间）的影响，并表现出不同程度的性能退化。在填补缺失值、去除异常值以及可视化特征分布和相关性之后，训练了六种预测模型：线性模型、ElasticNet、支持向量回归、多层感知器、随机森林和XGBoost。通过网格搜索和五折交叉验证优化超参数后，使用R²、平均绝对误差和均方根误差来评估模型性能。结果显示XGBoost具有最高的准确率和最低的误差。随后，通过全局和局部SHAP分析明确了每个特征的贡献路径和大小，揭示了F-vol和孔隙率在决定Bend-b中的主导作用，以及Bend-b、温度和时间对Bend-a的联合驱动效应。结果表明，XGBoost + SHAP框架不仅显著提高了预测精度，还具有良好的可解释性，为高温环境下陶瓷基复合材料的力学性能设计和优化提供了可靠的工具。

利益冲突声明

所有作者声明他们与本手稿中讨论的主题或材料无关，也未涉及任何在该主题或材料上具有财务或非财务利益的组织或实体。