基于可解释机器学习与多目标优化的生态混凝土抗压强度预测及配合比设计研究

《Scientific Reports》：Intelligent prediction of eco-concrete compressive strength based on SHAP-interpretable BO-XGBoost and NSGA-II multi-objective optimization

　　

摘要

准确预测和优化生态混凝土的抗压强度对于平衡力学性能与材料利用具有重要意义。本研究基于400条实验记录，开发了一个集成的可解释预测-优化框架，该框架结合了Optuna-TPE优化的机器学习模型、SHAP和NSGA-II。以七个配合比设计和养护变量作为输入，建立了BO-XGBoost、BO-RF和BO-SVR三种抗压强度预测模型。在独立测试集上，BO-XGBoost、BO-RF和BO-SVR分别取得了R²值为0.958、0.957和0.950，RMSE值为0.466、0.475和0.509 MPa，MAE值为0.376、0.382和0.392 MPa。因此，在当前评估流程下，BO-XGBoost在三个模型中表现出最佳的测试集综合性能。SHAP分析识别出养护龄期和孔隙率为模型预测的主要贡献因素，其次为水泥用量和水胶比，并进一步揭示了各变量取值范围内的非线性模型归因模式。随后将BO-XGBoost嵌入NSGA-II中，以最大化预测的28天抗压强度，同时最小化水泥用量和水胶比。所得到的帕累托前沿清晰地展示了这些目标之间的权衡关系。在基线工程偏好下，推荐的折中方案水胶比为0.250，水泥用量为351.47 kg/m³，预测抗压强度为10.87 MPa。所提出的框架为生态混凝土配合比设计提供了一种可解释的决策支持方法。