用于预测土聚合物混凝土抗压强度的机器学习算法的比较研究

《International Journal of Applied Ceramic Technology》：Comparative study of machine learning algorithms for predicting the compressive strength of geopolymer concrete

地聚体混凝土（GPC）28天抗压强度预测中，支持向量机（SVM）模型误差最低（优于响应面法RSM 10%，人工神经网络ANN 58%），经高斯核优化和五折交叉验证后性能更优，响应面法拟合度最高但泛化能力较弱。研究采用粉煤灰和钢渣为胶凝材料，掺入5%-15%稻壳灰和硅灰进行配比优化。通过7/14/28天抗压强度测试，发现SVM在复杂材料替换体系下具有最佳预测精度和稳定性。

　　

摘要

开发地质聚合物混凝土（GPC）对于减少传统水泥对环境的影响至关重要。本研究评估了三种机器学习模型——响应面方法（RSM）、人工神经网络（ANN）和支持向量机（SVM）在预测GPC 28天抗压强度方面的能力。实验中共准备了22种混合料组合，分为两个等级（G40和G60），主要使用粉煤灰和粒化高炉矿渣作为胶凝材料。为了提高性能，将粉煤灰部分替换为稻壳灰和硅灰，替换比例分别为5%、10%和15%。试样在常温下养护，分别在7天、14天和28天时测量其抗压强度。建模重点关注28天时的数据结果。响应面方法（RSM）显示出最高的相关性（R2 = 0.9805），其次是支持向量机（SVM，R2 = 0.9656）和人工神经网络（ANN，R2 = 0.9444）。然而，在误差指标方面，支持向量机的表现优于其他模型：其预测误差比人工神经网络低58%以上，比响应面方法好10%以上。通过使用细高斯核函数和五折交叉验证对支持向量机进行了进一步优化。尽管响应面方法在拟合度上表现最佳，但支持向量机在泛化能力和准确性方面更为出色，因此成为预测GPC抗压强度最可靠的模型。