基于可解释机器学习的混凝土与超高性能混凝土领域特定强度预测及部分碳筛选

《KSCE Journal of Civil Engineering》：Explainable machine learning for domain-specific strength prediction and partial carbon screening of concrete and UHPC

　　

可靠的早期筛选水泥基混合物需要预测准确性，同时避免混淆内部插值、对新来源的泛化或不完整的环境清单。本研究开发了一个可复现的工作流程，防止数据泄漏，针对两个独立分析的领域：包含1030条记录的Yeh高性能混凝土基准数据库和从文献中汇编的2188条超高性能混凝土（UHPC）混合物数据库。质量控制分别移除了25条和4条完全重复记录；来自165篇出版物的2069条UHPC记录保留了报告的28天目标值。随机记录拆分作为内部基准保留，而UHPC模型选择采用训练数据内按出版物分组的交叉验证，测试集包含33篇完全保留的出版物。使用训练数据选择的模型在Yeh基准上实现了R2=0.908和均方根误差（RMSE）=5.23 MPa，在按记录随机验证下UHPC实现R2=0.806和RMSE=15.84 MPa。当UHPC验证按出版物分组时，性能下降至R2=0.537和RMSE=21.21 MPa，证明了材料来源依赖性。累积局部效应表明，在Yeh域中强度随龄期增加和水胶比降低而提高，而在观测数据范围内UHPC响应最敏感于养护温度和纤维掺量。一个紧凑的UHPC响应面以牺牲精度换取透明度（在保留出版物上R2=0.392）。碳计算仅限于涵盖的材料组分，在可识别时包括钢纤维，分离养护类别，并传播低/基准/高因子情景。它们是对缺失组分或热养护能量的记录的下限部分材料指标，而非生命周期评估或设计值。该方法论的贡献在于一个可审计的、领域特定的框架，整合了经过验证的来源追溯、防泄漏预处理、按出版物分组的验证、显式基线、方向性和交互作用分析、自助法和共形不确定性，以及由性能匹配的覆盖率控制的碳比较。该研究不将混凝土和UHPC视为可直接比较的材料。

研究背景与问题

在水泥基材料的研发过程中，对大量配比进行实验筛选耗时耗力，因此利用机器学习模型预测抗压强度成为减少实验工作量的有效手段。然而，模型的实用性高度依赖于其验证方式是否匹配预期的预测场景。现有研究中普遍存在的两个关键问题限制了模型的可靠性与泛化能力。首先，许多研究采用随机划分记录的方式进行验证，这仅能衡量模型在同一数据库内部的内插能力。当数据库来源于多篇文献时，同一出版物的混合物共享原材料、实验室条件、养护实践、试件几何形状及报告惯例，这些隐藏的“来源签名”若未被妥善处理，会导致模型性能被乐观估计。其次，环境筛选分析面临边界问题：仅将报告组分的质量乘以通用排放因子，可能遗漏特种粉末、纤维、热养护能耗等关键项，使得某些混合物因计数不全而显得更环保，从而产生误导性的低碳结论。此外，混凝土与超高性能混凝土（UHPC）在材料组成、性能范围和应用场景上差异显著，不应被视为可直接比较的同类材料，需建立各自独立的预测与分析框架。

研究目的与意义

为解决上述问题，本研究旨在开发一个可审计、可复现且领域特定的工作流程，用于两个独立的水泥基材料领域：Yeh高性能混凝土基准和UHPC。该研究的创新性不在于使用常见的回归算法，而在于将这些算法整合到一个严谨的框架中，具体包括：验证数据库来源的可追溯性与记录流动；在UHPC模型中实施按出版物分组的验证，确保所有预处理和模型选择均在训练出版物内部完成；建立经验性与可解释的基线模型，分析方向性效应与交互作用，并提供预测区间；以及在控制清单覆盖率的条件下，进行性能匹配的部分碳筛选。研究目标包括量化随机验证与按出版物分组验证之间的性能差异，阐明精度与可解释性之间的权衡，确定在支持数据范围内的条件模型趋势，并界定碳指标的合理适用范围。这一工作为水泥基材料领域的机器学习建模提供了方法论上的重要参考，强调了数据泄漏防范和来源依赖性的关键影响。

关键技术方法

研究人员采用了以下主要技术方法：1）数据审计与预处理：对Yeh基准（1030条记录）和Malik等人汇编的UHPC数据库（2188条记录）进行严格审核，移除完全重复记录（Yeh 25条，UHPC 4条），并对UHPC数据库中缺失28天强度目标的115条记录予以排除，最终获得1005条Yeh记录和来自165篇出版物的2069条UHPC建模记录。2）分区策略与防泄漏：对于Yeh基准采用固定80/20随机记录拆分（种子42）及五折洗牌交叉验证；对于UHPC，采用GroupShuffleSplit将来自132篇出版物的1699条记录作为训练集，来自33篇其他出版物的370条记录作为测试集，并在训练分区内使用GroupKFold保持每篇出版物的完整性，杜绝任何形式的特征、预处理或模型选择数据泄漏。3）模型评估与可解释性分析：评估五种防泄漏管线（岭回归、随机森林、梯度提升、支持向量回归、多层感知机回归器），选用训练数据内交叉验证R2最优的算法；采用累积局部效应（ALE）图描述特征的方向性效应与交互作用，避免传统偏依赖图的边际外推问题。4）不确定性量化：使用200次记录自助法（Yeh）或整篇出版物重采样（UHPC）评估测试指标的抽样不确定性，并通过95%分裂共形预测区间量化单个预测的不确定性。5）碳筛选分析：计算仅限于报告中涵盖的材料组分，在可识别时包括钢纤维，分离不同养护类别（标准与热养护），并传播低/基准/高三种排放因子情景，将其定义为下限部分材料指标。

研究结果

数据审计与记录流

研究人员发现Yeh基准中存在25条完全重复记录，UHPC数据库中存在4条完全重复记录，以及115条缺乏28天强度目标的UHPC记录，经排除后分别得到1005条和2069条建模记录。UHPC数据库原始包含168篇出版物，排除后保留165篇。

模型性能与验证方式的影响

在Yeh基准上，使用训练数据选出的最优模型在随机记录验证下达到R2=0.908和RMSE=5.23 MPa。对于UHPC，在随机记录验证下模型表现良好（R2=0.806，RMSE=15.84 MPa），但当验证方式切换为按出版物分组时，性能显著下降至R2=0.537和RMSE=21.21 MPa。这表明UHPC模型性能存在强烈的材料来源依赖性，随机验证严重高估了模型对新出版物的泛化能力。

可解释性分析

累积局部效应（ALE）分析显示，在Yeh域中，强度随龄期增长和水胶比降低而单调增加。在UHPC域中，在观测数据支持范围内，模型响应最敏感于养护温度（尤其是高温热养护）和纤维掺量。这些方向性效应和交互作用为理解各因素在不同材料体系中的影响机制提供了定量依据。

基线模型与精度-可解释性权衡

研究人员评估了一个紧凑的UHPC响应面模型，该模型使用报告的比例、含量、纤维掺量和温度作为输入。该模型在保留出版物上的R2仅为0.392，远低于集成模型的0.537，清晰展示了在追求模型透明度和简洁性时所付出的精度代价。

不确定性量化

通过自助法获得了测试指标的置信区间，并通过分裂共形预测区间量化了个体预测的不确定性。这些区间反映了抽样不确定性，但不构成基于可靠性的设计值。

碳筛选分析

碳计算结果显示，由于UHPC数据库中对特种粉末、纤维及热养护能耗的覆盖不完全，所获得的碳指标应被视为下限部分材料指标。研究人员强调，该分析并非完整的生命周期评估或设计值，而是用于在控制覆盖率的前提下，在性能匹配的混合物之间进行相对比较。

总结与讨论

本研究成功建立了一个可审计、领域特定的可解释机器学习工作流程，用于Yeh混凝土基准和UHPC两种不同材料的强度预测与环境筛选。研究结论明确指出，对于从文献汇编的数据库，按出版物分组的验证方式是评估模型对新来源泛化能力的必要条件，而随机记录验证会带来严重的乐观偏差。在UHPC域中，模型精度与可解释性之间存在明确的权衡，紧凑响应面的透明度提升是以牺牲预测性能为代价的。ALE分析揭示了不同材料体系中主导因素的差异，为配比优化提供了方向性指导。碳筛选分析则警示，在数据覆盖不完全的情况下，此类指标只能作为有限的下限参考，不能替代全面的生命周期评估。该研究的方法论贡献在于提供了一个整合了来源追溯、防泄漏预处理、分组验证、显式基线、方向性与交互作用分析、不确定性量化及覆盖率控制碳比较的完整框架，为后续水泥基材料的数据驱动研究树立了严谨的范例。