基于迁移学习的堆叠机器学习模型预测钢纤维混凝土界面粘结性能研究

推荐：研究人员针对钢纤维混凝土(FRC)界面粘结性能预测难题，开发了基于迁移学习的堆叠机器学习(ML)模型。该研究整合472组数据点，通过18种ML算法对比分析，最终提出的集成模型实现了平均误差仅0.25%、R2达99.4%的预测精度，并开发了用户友好的GUI界面，为工程实践提供了高效可靠的预测工具。

　　

钢纤维混凝土(FRC)作为现代工程建设的核心材料，其抗裂性和耐久性直接关系到建筑结构的安全性能。然而，传统评估钢纤维-混凝土界面粘结性能的方法依赖耗时费力的实验测试，且难以全面考虑纤维几何参数、埋置角度等复杂因素的交互影响。随着人工智能技术的发展，机器学习(ML)为这一领域带来了新的解决方案，但现有研究存在模型泛化能力不足、多目标预测精度低等瓶颈问题。

针对这些挑战，来自首尔国立大学和国内高校的联合研究团队在《Engineering Applications of Artificial Intelligence》发表了创新性研究成果。该研究通过系统整合472组实验数据，开发了基于迁移学习的堆叠ML模型，实现了对平均粘结强度(τ_avg)、等效粘结强度(τ_eq)、拔出能量(W)、最大荷载(F_max)及其对应滑移量(S)五项关键参数的同步精准预测。研究采用18种主流ML算法进行横向对比，包括梯度提升机(GBM)、随机森林(RF)、人工神经网络(ANNs)等，并通过特征重要性分析发现纤维抗拉强度(σ_t)和直径(d)对预测结果影响最大（分别占24.94%和24.0%）。

关键技术方法包括：1) 采用k-fold交叉验证和网格搜索优化超参数；2) 开发基于迁移学习的多目标堆叠架构，将预训练基模型与元学习器结合；3) 运用Pearson相关系数和Milne公式进行特征选择；4) 通过实验样本验证模型泛化能力。

研究结果显示：

1. 平均粘结强度预测中，优化后的装袋回归(BR-FT)表现最佳（R²=0.962），其预测误差比常规BR模型降低57%。
2. 等效粘结强度分析表明，梯度提升机(GBM)以98%的准确度领先，且嵌入长度(L_e)与输出参数呈现0.43的强相关性。
3. 对于拔出能量预测，随机森林(RF-FT)的R²达95.5%，而GBM和ANNs表现较差（R²分别为71.3%和81%），揭示不同算法对特定目标的适应性差异。
4. 在滑移量预测中，极端随机树(ERTR)以93.1%的准确度胜出，验证了纤维倾角(θ)对该参数的显著影响（相关系数0.59）。

最终提出的转移学习堆叠ML模型在验证实验中展现出卓越性能：对τ_eq、τ_avg、F_max、W和S的预测误差分别仅为0.38%、1.03%、0.97%、0.20%和0.49%，显著优于单一模型。通过Friedman检验（统计量120.47>临界值30.191）证实模型差异的统计学显著性。

该研究的突破性意义体现在三方面：首先，开发的GUI工具将专业预测转化为可视化操作，使工程师无需编程基础即可获得可靠结果；其次，提出的多目标堆叠框架为复杂工程问题的ML建模提供了新范式；最后，研究建立的12项评价指标体系为后续研究提供了标准化比较基准。值得注意的是，作者也明确指出当前模型的适用范围受限于训练数据边界，未来需要通过扩大数据集来进一步提升泛化能力。这项研究不仅推动了FRC材料设计的智能化进程，也为土木工程领域的数字孪生技术发展奠定了重要基础。