基于机器学习和SHAP分析的纤维增强再生骨料混凝土劈裂抗拉强度预测研究

本研究针对建筑行业资源消耗与环境污染问题，通过机器学习模型（GBRT/XGBoost/RFR/BR）结合SHAP分析，精准预测纤维增强再生骨料混凝土（FRRAC）的劈裂抗拉强度（STS）。结果表明GBRT模型表现最优（测试R2=0.83，RMSE=0.276），揭示水泥用量（CR）和纤维添加量为关键影响因素，为可持续建材设计提供数据驱动方案。

　　

随着全球建筑行业对自然资源的过度消耗和碳排放问题的加剧，再生骨料混凝土（Recycled Aggregate Concrete, RAC）作为传统混凝土的环保替代品备受关注。然而，RAC的力学性能尤其是劈裂抗拉强度（Split Tensile Strength, STS）存在显著波动性，而传统实验方法耗时耗力。更棘手的是，添加纤维（Fiber Reinforcement）虽能改善RAC性能，但纤维类型、掺量等参数与STS的非线性关系使得精准预测成为难题。

针对这一挑战，研究人员创新性地将四种机器学习模型——梯度提升回归树（Gradient Boosted Regression Trees, GBRT）、极限梯度提升（XGBoost）、随机森林回归（Random Forest Regression, RFR）和装袋回归（Bagging Regressor, BR）应用于155组FRRAC实验数据，结合SHAP（SHapley Additive exPlanations）可解释性分析，首次系统预测了FRRAC的STS。研究发现GBRT模型表现最优，测试集R²达0.83，不确定性指数低至0.597；SHAP分析则揭示水泥用量（CR）和纤维添加量是最关键影响因素，而再生粗骨料（RCA）吸收率影响最小。这项发表于《Hybrid Advances》的研究为建筑行业提供了一种高效、精准的STS预测工具，显著降低了材料研发成本。

关键技术方法包括：1）从文献中收集155组FRRAC实验数据，划分70%训练集和30%测试集；2）采用网格搜索优化GBRT/XGBoost/RFR/BR的超参数；3）通过R²、RMSE、MAE和MAPE评估模型性能；4）应用SHAP分析特征重要性；5）开展95%置信区间的 uncertainty分析验证模型稳定性。

3.1. Prediction performance of STS
通过误差分布和性能指标对比，GBRT在测试集表现最优（R²=0.83，RMSE=0.276），其90%预测值误差控制在±10%内；而RFR模型误差最大（RMSE=0.333）。值得注意的是，GBRT的MAE（0.2148）和MAPE（7.10%）均显著低于其他模型，证明其对STS极端值的预测更稳健。

3.2. Uncertainty analysis
采用95%置信区间评估显示，GBRT在训练和测试阶段的不确定性指数最低（0.619和0.597），而RFR和BR模型的不确定性高达0.8以上，表明GBRT预测结果具有更高的可重复性。

3.3. SHAP Analysis
特征重要性分析发现：1）CR用量（kg/m³）贡献度最高（SHAP值+0.25）；2）纤维添加量（kg/m³）和CR细度模数次之；3）RCA吸收率（%）影响最弱。SHAP依赖图进一步显示，当纤维添加量>1.5kg/m³时，其对STS的提升作用呈现非线性增长。

这项研究通过机器学习与可解释性分析的结合，不仅证实了GBRT在FRRAC性能预测中的优越性，更首次量化了各材料参数对STS的贡献度。其现实意义在于：1）工程师可优先优化CR和纤维参数，快速设计高性能FRRAC；2）相比传统试错法，该方法节省约80%的试验成本；3）为《绿色建筑评价标准》中RAC的应用提供了数据支撑。未来研究可扩展至抗压/抗折强度预测，并探索卷积神经网络（CNN）等深度学习模型的适用性。