基于堆叠集成学习的数据驱动模型预测再生砖骨料混凝土抗压强度研究及其可持续性应用

本综述系统评估了基模型与堆叠集成（Stacking Ensemble）模型在再生砖骨料混凝土（RBAC）抗压强度（CS）预测中的应用。研究通过无监督隔离森林（IF）算法清洗374条原始数据，构建含7个特征的324条样本集，并开发14种预测模型（含4种基集成模型与10种堆叠模型）。结果显示，堆叠模型平均R2达0.851、RMSE为2.98，显著优于基模型（R2=0.825）。结合SHAP与ICE可解释性分析揭示输入特征边际效应，并开发用户友好型图形界面（GUI）助力工程实践，为绿色混凝土数据驱动设计提供创新框架。

　　

Stacking ensemble learning

嘿，研究者们！本文采用了一种超酷的“堆叠集成学习”（Stacking Ensemble Learning）方法来预测再生砖骨料混凝土（RBAC）的抗压强度（CS）。整个模型分为两层：第一层是各种算法组成的基学习器（Base Learners），第二层则是一个元学习器（Meta-learner），它利用基学习器的输出做出最终预测——就像团队合作中的“终极决策者”！

Tuning the hyperparameters of base learners

调参时间到！基学习器的超参数优化可是提升模型表现的关键。这些外部控制变量直接决定了机器学习（ML）算法的学习行为。本研究采用战略性的超参数优化流程，最大化每个模型的性能——毕竟，好模型是调出来的！

Design of interactive software

实用工具来袭！本研究开发了一款用户友好的交互式图形界面（GUI），支持基于机器学习（ML）的RBAC抗压强度预测。工具包含4种基模型（RF, GBM, ETR, CB）和10种堆叠集成模型（SM-1到SM-10），界面友好、操作简单，还可实时可视化结果——工程师和材料设计师的福音！

Recommendations for future research

未来研究怎么走？虽然本研究提出了针对RBAC抗压强度预测的稳健模型，但仍有许多可探索的方向：扩展数据集涵盖更多配合比和养护条件、加入胶凝材料类型和化学外加剂等新参数、探索深度学习（DL）和混合建模策略，甚至结合多目标优化和生命周期评估（LCA）——可持续混凝土设计的未来一片光明！

Conclusions

总结时刻到！本研究通过数据驱动方法，利用基模型与堆叠集成技术构建了RBAC抗压强度的预测框架，主要发现如下：

• •
  所有基学习器在测试阶段平均R2=0.825、RMSE=3.22，而堆叠模型表现更优，平均R2=0.851、RMSE=2.98——集成学习的力量不容小觑！