基于贝叶斯优化的堆叠集成学习模型预测高性能混凝土抗压强度研究

为解决高性能混凝土(HPC)抗压强度(CS)预测精度不足的问题，研究人员结合贝叶斯算法与堆叠集成学习(XGBoost/RF/GBDT/CatBoost)，通过9:1数据划分和Pearson矩阵筛选变量，构建了以线性回归(LR)为元学习器的双层模型。结果显示该模型预测R2达0.973，SHAP分析揭示龄期、减水剂(WRA)和矿渣(GGBFS)为关键影响因素，为HPC材料设计提供新思路。

　　

高性能混凝土(HPC)因其卓越的力学性能和耐久性，已成为现代建筑工程的核心材料。然而，其抗压强度(CS)的准确预测始终是行业难题——传统实验方法耗时耗力，而单一机器学习模型存在非线性关系拟合不足的缺陷。更棘手的是，混凝土各组分的复杂交互效应使得关键参数难以量化，这直接制约了HPC的配方设计与性能优化。

为突破这些瓶颈，研究人员创新性地将贝叶斯优化与堆叠集成学习相结合，构建了全新的预测框架。研究首先收集了400组包含水泥、粉煤灰、硅灰等9种组分及龄期的HPC样本数据，通过Pearson相关性矩阵筛选出关键变量。采用贝叶斯优化对随机森林(RF)、极限梯度提升(XGBoost)、梯度提升决策树(GBDT)和对称决策树(CatBoost)四种基学习器进行超参数调优，最终构建了以线性回归(LR)为元学习器的双层堆叠模型。

关键技术包括：1) 贝叶斯优化算法自动调参，通过高斯过程建模和采集函数(UCB/PI/EI)平衡探索与开发；2) 堆叠集成框架整合基学习器输出，采用10折交叉验证防止过拟合；3) SHAP值(Shapley Additive Explanations)和偏依赖图(PDP)解析变量贡献度。

研究结果揭示：

1. 模型优化：贝叶斯优化使GBDT模型的R²在76次迭代后达到0.971，较网格搜索效率提升23倍。9:1数据划分策略下，堆叠模型的测试集R²(0.973)显著优于单一模型(RF:0.960)。
2. 变量重要性：SHAP分析显示，龄期(age)、减水剂(WRA)和矿渣(GGBFS)贡献度最高，其中龄期每增加1天可使CS提升0.38MPa。PDP曲线证实WRA存在4.2kg/m³的最优掺量阈值。
3. 误差分析：GBDT基学习器表现最优，99%训练样本和93%测试样本的预测误差控制在±10%内，而RF模型因bagging策略的随机性误差波动较大。

这项发表于《Expert Systems with Applications》的研究，首次将堆叠集成与贝叶斯优化结合应用于HPC强度预测领域。其创新点在于：1) 通过元学习器整合多模型优势，使预测RMSE降低至3.808MPa；2) 开发的自动化调参系统将优化时间从132分钟压缩至6分钟；3) 揭示的材料组分-强度关系为绿色高性能混凝土开发提供了量化依据。该模型已成功应用于某跨海大桥工程，实现混凝土配方的碳足迹降低18%，印证了其工程实用价值。未来研究可进一步融合微观结构特征，构建多尺度预测体系。