基于可解释人工智能框架的粉煤灰基地聚物混凝土抗压强度预测研究

《Next Materials》：Explainable artificial intelligence framework for predicting the compressive strength of fly ash-based alkali-activated concrete

　　

水泥混凝土作为全球最主要的建筑材料，其生产过程对环境有害，每生产一吨水泥就会向大气释放一吨CO2。地聚物混凝土（geopolymer concrete, GPC）通过利用废弃物材料可将温室气体排放量减少70%。然而，粉煤灰（fly ash, FA）基碱激发混凝土的配合比组成与抗压强度（compressive strength, CS）之间存在非线性关系，使得选择合适的配合比成为一项挑战性任务。本研究开发了三种人工神经网络（artificial neural network, ANN）模型，分别采用莱文贝格-马夸尔特（Levenberg-Marquardt, LM）、灰狼优化器（Grey Wolf Optimizer, GWO）和人工兔优化（Artificial Rabbits Optimization, ARO）算法进行训练，以预测粉煤灰基碱激发混凝土的抗压强度。研究使用了162组混凝土配合比数据和16个输入变量。ANN-LM模型的预测精度最高（测试集R2 = 0.9296）。通过SHAP（SHapley Additive exPlanations）分析确定了最重要的配合比参数。研究采用了十折交叉验证以提高模型的鲁棒性和泛化能力。此外，还开发了一个基于MATLAB的图形用户界面GeoMixAI，用于初步抗压强度估算。所提出的方法能够在最小化测试成本的同时实现可持续的配合比设计。

基于可解释人工智能框架的粉煤灰基地聚物混凝土抗压强度预测研究解读

研究背景与问题

混凝土是建筑行业最常用的建筑材料之一，全球每年消耗26亿吨水泥，生产25亿吨混凝土，且未来十年水泥消耗量预计增长25%。水泥生产过程对环境危害巨大，每生产一吨水泥即释放一吨CO₂。研究人员发现，地聚物混凝土（geopolymer concrete, GPC）可作为波特兰水泥的替代方案，通过利用粉煤灰等废弃物材料，可将温室气体排放量减少约70%。GPC由铝硅酸盐原料（天然或废弃物）、骨料、碱溶液和水四种组分经聚合反应制成，包括溶解、缩合、缩聚和凝胶结晶四个阶段。

然而，即使使用相同的粉煤灰（fly ash, FA）原料，其抗压强度（compressive strength, CS）值也可能从5 MPa到70 MPa以上剧烈变化。配合比组成与抗压强度之间的非线性关系使选择合适配合比成为难题。尽管已有研究探索了多种机器学习技术预测混凝土性能，但在综合考量ANN训练策略、不同数据分区的预测性能、输入变量影响解释以及可访问的软件实现等方面仍存在不足。因此，研究人员需要一个整合比较模型评估、交叉验证、可解释性和实际应用的统一框架。

研究方法与技术

研究人员构建了包含16个输入神经元和1个输出神经元的多层感知器（multilayer perceptron, MLP）ANN模型，隐藏层采用双曲正切S型（tansig）传递函数。数据集随机划分为训练集（70%）、验证集（15%）和测试集（15%），所有变量通过最小-最大归一化变换至[-1, 1]范围。模型训练采用三种优化算法：莱文贝格-马夸尔特（Levenberg-Marquardt, LM）算法作为梯度下降基准方法；灰狼优化器（Grey Wolf Optimizer, GWO）模拟灰狼社会等级和合作狩猎行为，设置50个搜索代理和100次最大迭代；人工兔优化（Artificial Rabbits Optimization, ARO）模拟兔子随机觅食和躲藏两种生存策略，设置50个搜索代理和50次最大迭代。模型性能评价采用均方误差（MSE）、均方根误差（RMSE）、平均绝对误差（MAE）、平均绝对偏差（MAD）、决定系数（R2）以及预测误差的均值（μ）和标准差（σ）等多个统计指标。同时采用十折交叉验证提高模型鲁棒性，并应用SHAP（SHapley Additive exPlanations）方法解释输入变量对预测结果的贡献。

研究结果

模型预测性能比较

研究人员对比了ANN-LM、ANN-GWO和ANN-ARO三种模型的预测性能。在所有数据分区中，ANN-LM模型表现最佳，测试集R2达到0.9296，MSE为23.6441，RMSE为4.8625，MAE为3.4978。ANN-GWO模型测试集R2为0.9091，MSE为31.5942，RMSE为5.6209，MAE为4.1418。ANN-ARO模型测试集R2为0.8925，MSE为37.3152，RMSE为6.1086，MAE为4.5791。ANN-LM在各项指标上均优于其他两个模型，显示出最高的预测精度。

十折交叉验证结果

通过十折交叉验证进一步评估模型稳定性。ANN-LM的平均R2为0.9122，标准差为0.0501；ANN-GWO的平均R2为0.8957，标准差为0.0538；ANN-ARO的平均R2为0.8743，标准差为0.0656。结果表明ANN-LM不仅预测精度最高，而且在不同数据子集上的性能波动最小，具有最佳的泛化能力。

SHAP分析结果

研究人员采用SHAP分析识别影响抗压强度预测的最重要输入变量。分析结果显示，养护龄期（curing age）是最重要的影响因素，其次依次为碱活化剂与粉煤灰之比（alkali activator-to-FA ratio）、粉煤灰用量（FA content）、细骨料用量（fine aggregate content）、氢氧化钠浓度（NaOH concentration）和粗骨料用量（coarse aggregate content）。这些变量的SHAP值分布揭示了它们对抗压强度预测的正负影响方向及其相对重要性排序。

GeoMixAI图形用户界面开发

研究人员开发了名为GeoMixAI的MATLAB图形用户界面，集成了最优的ANN-LM模型，允许用户输入配合比参数即可快速获得抗压强度初步估算值，从而降低试验成本和缩短设计周期。

结论与讨论

该研究提出了一个集成可解释人工智能框架，用于预测粉煤灰基碱激发混凝土的抗压强度。通过比较三种ANN训练方法，ANN-LM模型展现出最优的预测性能和泛化能力。十折交叉验证确保了模型的稳健性，SHAP分析揭示了关键影响因素，GeoMixAI界面提供了实用的工程工具。研究的主要贡献在于将比较性ANN评估、交叉验证、SHAP可解释性和软件实现整合在一个统一框架内，连接了模型开发与实际初步强度估算。然而，研究结果应限于可用数据集的范围，需要使用独立数据集进行进一步验证以建立更广泛的模型泛化能力。