基于元启发式优化机器学习与可解释人工智能的轻集料泡沫混凝土抗压强度预测研究

《Scientific Reports》：Metaheuristic optimized and explainable machine learning for predicting the compressive strength of lightweight foamed concrete

　　

摘要

轻集料泡沫混凝土(LFC)可以提供降低结构自重和改善热工性能的优势，然而LFC的抗压强度由配合比组分、密度和测试龄期之间的复杂非线性相互作用决定，这使得产品预测和配合比设计变得困难。本研究通过抗过拟合机器学习结合元启发式优化和可解释人工智能来解决这一挑战。文献推导的993个观测值数据库按配合比设计组分为795个开发记录(代表276组)和198个未见测试记录(代表69个独立组)，无重叠。随机森林(RF)和极端梯度提升(XGB)模型及其豹海豹优化器(LSO)、哈里斯鹰优化器(HHO)和粘液菌算法(SMA)优化变体，使用10折分组交叉验证和完全留出的测试集进行评估。随后对泛化能力最佳的模型应用SHAP和PDP-ICE分析。LSO-XGB实现了最强的分组折外性能((R² = 0.888)；RMSE = 3.93 MPa)，而HHO-XGB在未见过数据上表现最佳((R² = 0.875)；RMSE = 4.10 MPa)，将基线XGB的RMSE降低了4.1%。HHO-XGB还产生了0.82 MPa的中位绝对误差，95.96%和97.47%的预测值分别在5 MPa和10 MPa范围内。胶凝材料是主要预测因子，贡献了全局SHAP重要性的45.4%，其次是实测密度的16.9%。在所代表的数据域内，所提出的框架可以支持LFC配合比的初步筛选，并指导平衡强度、密度、成本和环境影响的本地验证多目标实验设计。