《ARCHIVES OF COMPUTATIONAL METHODS IN ENGINEERING》:A Systematic Review of Machine Learning Techniques for Predicting Compressive and Flexural Strength of Mortars
编辑推荐:
砂浆是土木建筑中使用最广泛的材料之一,其力学性能与多项参数直接相关,即结构行为、耐久性和失效机制。因此,预测这些参数对于由该材料组成的结构的预防性和纠正性诊断至关重要。近年来,机器学习模型已被应用于改进这些预测。直到最近,此类预测仍基于传统的经验性程序,无法捕
砂浆是土木建筑中使用最广泛的材料之一,其力学性能与多项参数直接相关,即结构行为、耐久性和失效机制。因此,预测这些参数对于由该材料组成的结构的预防性和纠正性诊断至关重要。近年来,机器学习模型已被应用于改进这些预测。直到最近,此类预测仍基于传统的经验性程序,无法捕捉材料参数的变异性。然而,由于这仍是一个新兴研究课题,许多局限性和空白仍有待探究,例如对数据结构的依赖以及超参数的适当选择。此外,大多数将机器学习应用于砂浆的研究侧重于掺合料、外加剂或与耐久性和性能相关的方面,而非评估模型本身的有效性和稳健性。在此背景下,本系统性和批判性综述旨在识别机器学习模型如何被应用于预测不同砂浆的力学性能。本文讨论了用于该预测的主要输入参数,并对若干机器学习模型的超参数进行了批判性分析和讨论。结果表明,基于树的集成模型优于其他方法,其中XGBoost表现出优越的预测性能。
1 引言
砂浆是建筑中使用最广泛的材料之一,可根据其主要功能应用进行分类。主要类型包括砌筑砂浆(用于粘结砖、砌块或石材)、抹灰砂浆(用作保护性或装饰性表面层)以及地面找平层(用于找平表面并在使用荷载下提供耐久性)。除这些常见类型外,砂浆还用于专门用途,如灌浆、结构修复或高性能应用。砂浆的力学行为(包括变形性和刚度)直接影响基于砂浆的构件的性能和服务能力,影响墙体的不透水性和应力分布,无论墙体是承重还是非承重,最终决定其结构性能和耐久性。因此,尽管砂浆表现出多种相关力学性能,但抗压强度和抗折强度仍然是在实验实践和科学文献中使用最广泛、报告最多且标准化的参数,能够进行有意义的比较和稳健的模型评估。鉴于砂浆应用范围广泛及其在结构性能中的关键作用,在分析其性能或模拟其行为时,建立清晰一致的砂浆定义至关重要。本研究中,砂浆明确定义为由水泥、水和细骨料(通常为天然或人工砂)组成的胶凝复合材料,可选掺入外加剂或矿物掺合料,且不含粗骨料。这一区分对于混凝土尤为重要,尽管混凝土具有相似的组分,但其含有的粗骨料显著影响其力学性能和结构性能。几十年来,传统统计分析(如线性和非线性回归)被用于预测砂浆的力学性能。然而,新兴的耐久性、可持续性和韧性要求促进了更先进水泥基材料的生产,这些材料因此具有更复杂的微观结构。结果,现代水泥基复合材料的力学性能通过复杂的非线性关系与多种参数相关联。在此条件下,简化的统计模型往往无法捕捉可靠强度预测所需的内在复杂性。在此背景下,机器学习技术已成为模拟水泥基材料中复杂关系的强大工具。它们能高效分析多个输入变量,并支持无需大量实验计划的参数化研究。因此,机器学习已被广泛应用于预测混凝土的力学性能,产生了大量文献和若干系统综述。以往的综述,如Nunez等人和Nithurshan等人的综述,对数十项主要关注混凝土的研究中的算法性能、数据结构和预测精度进行了批判性评估,但对砂浆的参考有限且不系统。相比之下,针对水泥砂浆的机器学习应用在文献中仍远未成熟。很少有研究探索使用机器学习预测砂浆性能,尤其是抗压强度方面报告了有前景的结果。例如,Armaghani和Asteris对预测水泥基砂浆抗压强度的机器学习模型进行了比较研究,强调了每种方法的优缺点,包括需要用额外实验数据扩展数据库。Asteris等人应用机器学习模型预测水泥基砂浆强度,准确性良好。同样,Apostolopoulou等人提出了天然水硬性石灰砂浆的综合设计框架,侧重于整体材料表征。此外,Asteris等人研究了元启发式优化技术以提高水泥-偏高岭土砂浆的预测性能。这些研究共同凸显了应用数据驱动方法预测砂浆性能的兴趣日益增长;然而,模型选择、超参数调整和性能评估的明确标准仍不够完善,且现有工作未对不同机器学习技术进行稳健的比较分析,本研究填补了这一空白。因此,本综述的范围刻意限制为应用于水泥砂浆抗压强度和抗折强度预测的经典机器学习技术。在此限定范围内,从数据集特征、输入变量、算法选择、超参数调整、预测性能和实际意义等方面对纳入研究进行批判性评估。通过聚焦这些性能,本综述还识别了局限性和研究空白,为未来在数据集更一致时研究其他砂浆性能提供方法论基础。
1.1 研究贡献
本工作的主要贡献在于对机器学习在水泥基砂浆强度预测中的应用进行了聚焦且方法论一致的综合。据作者所知,本研究是首次专门针对砂浆抗压和抗折强度预测、使用经典机器学习技术并结合算法评估、超参数分析和比较性能评价的系统综述。该综合增进了对配合比参数与力学行为之间非线性关系的理解,支持以更可靠且经济有效的方式设计砂浆,而无需大量实验测试。
1.2 论文结构
本文其余部分组织如下:第2节描述了本研究所采用的系统综述方法;第3节概述了应用于水泥砂浆抗压和抗折强度预测的机器学习技术;第4节分析和比较了不同机器学习模型的性能;第5节讨论了不同类别水泥砂浆(包括普通砂浆、废玻璃砂浆和蛋壳砂浆)的强度预测结果;第6节提出了主要讨论、局限性和未来研究建议;第7节总结全文。
2 综述方法
系统的方法对于确保研究结果的准确性和可重复性至关重要。本研究采用结构化框架来指导数据的选择、评估和分析。进行了系统文献综述,以识别和分析应用机器学习技术预测砂浆力学性能的同行评审出版物。综述遵循PRISMA框架的原则。文献检索主要使用Scopus数据库,并以Web of Science作为补充。两个数据库返回的结果高度重叠,证实了初始检索的全面性。使用了以下布尔关键词组合:“抗压强度”或“强度”与“机器学习”和“砂浆”。OR运算符允许纳入提及“抗压强度”或更通用的“强度”的研究,确保更广泛覆盖力学性能分析。AND运算符用于将检索缩小到同时涉及机器学习技术和砂浆材料的出版物。检索包含2013年至2023年间发表的研究,无语言限制。最初识别出112条记录。去除重复项后,对103篇文献进行了标题、摘要和关键词筛选。在此阶段,排除了会议论文和无机构访问权限的文献(排除标准1)。随后评估了78篇全文的合格性。进一步排除的研究包括:(i)未聚焦砂浆的;(ii)未应用机器学习算法的;(iii)未报告力学性能(抗压或抗折强度)的;或(iv)仅涉及深度学习方法的(排除标准2)。应用所有标准后,42篇文献满足纳入标准,该标准要求聚焦砂浆基材料并使用机器学习方法预测抗压和/或抗折强度。从每项纳入研究中提取了样本量、输入参数、所用算法、超参数配置和性能指标等数据。这些数据被系统比较和解释,以识别该领域的趋势、方法论一致性和研究空白。文章选择过程的示意图如图1所示,遵循PRISMA流程图格式。此外,表1列出了全文使用的缩略语列表。
3 机器学习在砂浆研究中的应用
表2显示了本综述评估的研究,包括每项研究中使用的砂浆类型、数据集规模、数据来源(实验或文献)、输入参数、所用模型以及表现更优的模型,以及用于评估结果的指标。对表2所列研究的分析揭示了基于机器学习的砂浆研究中数据特征和建模策略的重要模式。用于训练和验证模型的数据集来自实验计划或从先前文献中汇编。这两种数据来源互补:实验数据集提供对变量更大的控制,确保更高的一致性和可重复性;而基于文献的数据集通过涵盖更广泛的材料、配合比和测试条件拓宽了分析范围。尽管文献来源的数据可能因测试标准和报告的差异而引入变异性,但它们对于评估模型在不同实验背景下的泛化能力具有价值。因此,两种方法的结合增强了机器学习应用的稳健性,平衡了经验精度与实践多样性。表2中的数据还表明,砂浆报告的抗压和抗折强度值范围跨度很大,反映了配合比组成、胶凝材料含量、外加剂和养护条件的差异。这种变异性说明了机器学习模型为何需要针对每个数据集的特定强度分布进行定制,并为本综述中总结的输入特征和超参数选择提供了背景。纳入研究中观察到的另一个关键方面是可用数据集的规模。大多数研究依赖相对较小的数据集——通常少于300个样本——这可能限制模型泛化并增加过拟合风险;而更大的数据集允许更复杂的算法利用复杂的特征交互。数据集大小与算法性能之间的这种关系突出了将模型复杂度与训练数据量相匹配的重要性,也强调了超参数优化的作用,超参数优化控制算法如何从可用信息中学习。正确调整这些参数可提高预测精度、减轻过拟合并改善模型泛化。考虑到这些方面,下一节将对纳入研究中识别的最常用算法——即人工神经网络(ANN)、支持向量机(SVM)、随机森林(RF)、自适应增强(AdaBoost)和梯度提升/极限梯度提升(GB/XGBoost)——进行详细的模型和超参数配置讨论。
4 应用于砂浆的机器学习模型分析
本节对用于预测砂浆力学性能的最常用模型进行全面讨论,如表2所总结。该选择反映了文献中用于预测砂浆性能的最广泛适用和验证的机器学习算法。虽然深度学习方法在土木和材料工程中显示出巨大潜力,特别是对于基于图像的任务(如微观结构分析或裂缝检测),但其方法论与传统机器学习技术显著不同。深度学习模型(如卷积神经网络和循环神经网络)专为高维非结构化数据设计,依赖自动特征提取而非预定义的输入变量。本综述聚焦于传统机器学习方法,这些方法更适用于砂浆研究,并允许跨研究进行更容易的性能比较。其他模型,包括决策树(DT)、k-最近邻(kNN)和简单回归模型,也在文献中被报告,主要作为基线或探索性方法。其中,DT应用最频繁;然而,通常提供的超参数调整细节有限。因此,虽然这些模型被认可,但详细分析集中在那些应用最广泛且有充分文献记录的模型上,从而能够对砂浆抗压强度的预测性能进行更全面的评估。
4.1 人工神经网络
人工神经网络由模拟人脑神经机制的数学和数值表示组成。架构和学习技术是人工神经网络的两个基本要素,其中反向传播学习技术使用最广泛。人工神经网络架构的原则是输入层、隐藏层和输出层,其中神经元通过连接权重相互连接。每个神经元还具有激活函数,输入层和输出层中的神经元数量取决于模型中的变量。从这种意义上说,人工神经网络中每个超参数的重要性取决于所实现的算法及其架构。一般来说,人工神经网络模型中最具决定性的超参数是:初始权重、学习率、迭代次数、激活函数(隐藏层和输出层)、层数和神经元数量。对于特定问题,选择神经元数量和层数没有通用标准,但需要通过迭代试错测试来估计隐藏层中的神经元数量,以实现最佳性能。激活函数也是神经网络中的重要超参数,其根据输入数据的性质来定义。当改变激活函数或改变层数和神经元数量时,模型表现不同。由于大多数时候现实世界数据的本质是非线性的,因此优选非线性激活函数来映射输入变量与输出参数预测之间的隐藏联系。根据所评估的研究,用于预测砂浆抗压和抗折强度的人工神经网络模型中最常用的超参数见表3。对纳入研究报告的超参数配置的分析揭示了几个一致的趋势。大多数研究人员在隐藏层中使用非线性激活函数,在输出层中使用线性函数,这与捕捉输入参数与砂浆力学性能之间复杂非线性关系同时保持输出数值稳定性的需求一致。隐藏层数量通常为1至3层,且明显偏好单隐藏层架构。这种选择反映了在给定数据集规模通常有限的情况下,平衡模型表达能力和过拟合风险的尝试。尽管一些研究将架构扩展到多达10个隐藏层,但这种配置很少见,且并非总是伴随精度的提高。此外,并非所有作者都报告了学习率、迭代次数或学习周期等超参数。在报告了这些参数的作者中,数值高度分散,表明该领域缺乏标准化的调优实践。关于其他超参数,无法识别可用的模式。这种变异性强调了砂浆相关机器学习研究中模型配置的经验性本质,并凸显了基于数据集规模等制定更清晰的超参数优化指南的必要性。较小的数据集可能需要更简单的模型和正则化,而较大的数据集可以支持更复杂的架构和更广泛的搜索策略。通过建立此类指南,未来的研究可以减少变异性并提高可重复性。
4.2 支持向量机
支持向量机是一种通过在多维空间中创建超平面来执行分类或回归操作的方法,该超平面将不同类别的记录分离。支持向量机的主要目标是生成能够将n维空间分离为不同类别的最佳决策边界。这个最佳决策边界称为超平面,算法选择有助于创建该超平面的支持向量。与其他旨在最小化实际值与预测值之间误差的回归模型不同,支持向量机试图在阈值内拟合最佳线。支持向量机具有定义模型可接受误差大小的灵活性,并将找到拟合数据的超平面。然而,该模型对超参数优化高度敏感,这使得在典型应用中难以实现最佳性能。支持向量机中最关键的超参数是核函数、epsilon管、gamma参数和C参数。核函数负责将输入数据转换为所需格式,根据数据类型和变换类型进行选择。最常见的函数是“线性”、“rbf”、“poly”和“sigmoid”。epsilon管是超平面与最佳拟合线之间的距离。gamma(也称为“核宽度”)是引入用于样本间距离的权重,对远离或接近决策边界的样本给予更大或更小的重要性。较高的gamma值可能会忽略某些点,而C参数控制应用于数据的正则化量;也就是说,它控制训练后的模型对分类错误的容忍程度。C值高意味着正则化低,使训练数据拟合得很好。C值低意味着正则化更高,导致模型具有更大的误差容忍度,从而导致精度降低。根据表2中的研究,用于预测砂浆抗压和抗折强度最常用的支持向量机超参数见表4。所审查的支持向量机研究显示,超参数选择存在显著变异性,反映了该研究领域缺乏标准化的调优实践。输入特征数从3到12不等,这自然影响核函数和正则化设置的选择。在核函数中,径向基函数(RBF)是迄今为止最常采用的,因为它能够捕捉混合物组分与所得力学性能之间的非线性关系。尽管如此,其他核函数——如高斯、线性、二次、三次甚至不太常规的选项如Morlet和sigmoid——也被报告,表明研究人员通常根据数据集行为凭经验选择核函数,而非基于理论优化。正则化参数C表现出广泛的值范围,暗示了管理模型偏差和方差之间权衡的不同策略。类似地,回归精度ε和核系数γ表现出显著变化,ε范围从0.006到600,γ范围从0.001到250。这凸显了参数调优的实验性本质。总体而言,RBF核在各类砂浆中表现最一致。然而,缺乏对特定参数范围的共识强调了在未来支持向量机砂浆预测应用中需要进行敏感性分析和交叉验证。超参数选择的变异性,特别是C、ε和γ,突显了缺乏标准化调优。一些研究包含了敏感性分析,如果应用得当,可以提高模型性能。为了确保更一致的结果,需要自动化超参数调优和更清晰的砂浆预测中支持向量机调优指南。
4.3 随机森林
随机森林是一种树集成机器学习算法,广泛用于分类和回归问题。尽管简单,但该方法因其准确性以及处理各种样本量的能力而得到认可。该算法通过组合多个决策树的预测来产生最终预测。表5汇集了多位作者用于预测砂浆抗压和抗折强度的随机森林超参数。根据文献,估计器数量对应于树的数量,不应少到不足以形成森林,也不应过大,以免增加模型的时间复杂度。最大深度对应于森林中树可以生长的高度。最小样本分裂是内部节点为了分裂成其他节点而必须包含的最小样本数。最小样本叶是节点在分裂后必须包含的最小样本数。最大特征有助于找到考虑进行最佳随机分裂的特征数量。所审查的研究显示,参数选择具有中等程度的一致性,尽管不同数据集和砂浆组成之间仍有显著差异。输入变量数量通常反映每项研究的实验设计,数据点通常在200左右。估计器数量变化很大,从10到500不等,但一些研究确定最优结果在100以下。这一趋势表明,对于砂浆相关数据集,较小的集成可以实现满意的性能,这可能归因于数据集规模有限和输入变量维度相对较低。最大树深度范围为5至58,而一项研究采用了无限深度配置。报告的最大特征值从0.8到13不等,一些作者使用分类选项如auto、sqrt、log2或none,反映了平衡模型复杂性和计算效率的不同策略。每叶最小样本数范围为1至10,较低值通常提高模型适应性,而每次分裂最小样本数在2至10之间,略高的阈值有助于减轻过拟合。总的来说,这些观察表明,预测砂浆性能的随机森林最优配置倾向于适度的简单架构,限制树深度和集成规模,特别是在处理中小型数据集时。这些见解可作为未来使用类似数据规模和输入特征的研究的宝贵指南。
4.4 自适应增强
AdaBoost是另一种树集成方法,顾名思义,它是自适应的,其自适应性体现在每个训练数据集中。在AdaBoost中,预测使森林中的每棵树对样本进行分类。然后根据树的决策将树分成组。对于每组,将树的权重求和,森林做出的最终分类由总和最高的组决定。根据本综述所做的工作,该模型中的两个调整超参数是估计器数量和学习率,如表6所示。在此我们看到,对于报告了所获得超参数值的作者,估计器数量范围从0到1000,无论样本量如何,最优值总是小于200。具有相同样本量和相同输入数量的不同研究使用了不同的估计器数值:一项研究获得R2为78%,而另一项研究使用较少的估计器数量获得R2为94%,表明较小数量的估计器可能更好。另一方面,作者没有提及使用的学习率,这使得解释变得困难。在提及学习率的作者中,学习率范围从0.01到1.0,最优值范围从0.1到0.5。对报告超参数的分析揭示了向紧凑集成配置的明显趋势。估计器数量从0到1000大幅变化,但最优值始终低于200,无论数据集大小如何。有趣的是,即使样本量和输入维度相似的研究也报告了不同的最优设置。例如,一项研究使用较少的估计器数量获得78%的R2,而另一项研究报告了94%的R2,表明增加集成大小不一定会带来更好的预测性能。这一发现强化了过多的提升迭代可能引入冗余或过拟合的观点,特别是在处理砂浆研究典型的有限数据时。学习率在控制每个弱学习器贡献方面起关键作用,但只有少数研究报告了该值,范围在0.01至1.0之间,最优值通常在0.1-0.5内。然而,几位作者缺乏详细报告限制了对该影响更精确的解释。总体而言,研究结果表明,适度的学习率与相对较少的估计器数量相结合,在应用于砂浆数据集的AdaBoost模型中往往产生更稳定和准确的结果。
4.5 梯度提升(GB)和极限梯度提升(XGBoost)
XGBoost和梯度提升也是树集成模型,两者都遵循梯度提升原理。GB和XGBoost中要调整的超参数包括学习率、最大深度和估计器数量。学习率决定梯度变化过程中每次迭代的步长大小。最大深度决定决策树的最大深度。估计器数量是集合中要构建的决策树数量。学习率是一个关键超参数,它调节每个弱预测器的拟合步长。较低的学习率确保更一致的收敛,并允许模型捕捉回归数据中的复杂关系。树使用学习率进行缩放,该学习率提供每棵树对整体预测的贡献。不同作者用于这些模型的超参数见表7。在某些超参数的最优配置中观察到显著的趋同。尽管估计器数量的测试范围高达10000,但低于200的值始终足以达到收敛,表明训练中的边际改进不会转化为更好的泛化,反而可能引入不必要的计算开销。类似地,学习率在0.1至0.3范围内表现出最优性能,尽管探索范围从0.0001到1。这表明适度激进的调度允许模型有效导航损失地形,而不会出现与较高值相关的不稳定性或较低值导致的过慢收敛。对于其他超参数,报告其调优的研究通常选择相对较浅的树和较小的最小样本阈值,这与具有有限样本量的结构化数据集的典型特征一致。这种配置有助于在保持模型灵活性的同时减少过拟合,特别是在输入特征之间预期存在复杂的非线性关系的情况下。这些发现表明,尽管数据集大小和输入维度存在差异,但在砂浆性能预测背景下,导致高性能GB和XGBoost模型的超参数范围存在一定稳健性。
5 机器学习在砂浆中的应用
对所选研究的初步分析表明,作者根据砂浆类型、机器学习模型和所做的预测,将若干因素视为影响砂浆力学性能的输入变量。例如,Han等人认为养护条件对抗压强度的发展具有显著影响;另一方面,Sasikumar等人认为波特兰水泥类型是砂浆抗压强度的关键参数。因此,模型输入参数的选择对于正确预测至关重要。根据一项研究,如果输入参数之间存在强大的线性关系,预测结果的准确性可能会降低。近年来,人们对评估掺入残渣、废料和替代胶凝材料(如地质聚合物或其他辅助胶凝材料)的砂浆的兴趣日益增长。图2展示了所研究砂浆类型的分布,突出了普通砂浆作为参考配方的优势,以及掺入蛋壳、废玻璃和地质聚合物的砂浆。根据材料组成,砂浆被分为六类:地质聚合物(地质聚合物或碱激发)、蛋壳(含蛋壳粉)、废玻璃(掺入废玻璃或再生玻璃)、火山灰辅助胶凝材料(包括粉煤灰、矿渣、硅灰或偏高岭土)、回收/生物/纳米(包括回收材料、生物基组分如生物炭或纳米材料,包括纳米二氧化硅、纳米二氧化钛和碳纳米管)以及石灰/普通砂浆(含石灰或标准水泥基砂浆)。这种分类使得可以量化材料在各研究中的使用情况,当组合材料时,一些文献被分配到多个类别。下一节重点讨论机器学习技术在这些配方力学性能预测中的应用,重点关注普通砂浆、蛋壳、废玻璃和地质聚合物,因为它们在残渣利用和替代胶凝材料开发方面的趋势。具体而言,讨论将检查这些砂浆如何被建模,突出所选研究报告的输入变量选择、建模方法和预测性能。
5.1 机器学习在普通砂浆中的应用
表2中显示的一些研究是使用普通砂浆进行的,即不掺入残渣的砂浆。例如,一项研究使用了密度、共振频率、动态弹性模量、静态弹性模量、养护时间以及基于三种不同标准获得的经验抗压强度。使用贝叶斯神经网络模型进行预测,结果表明在机器学习模型中增加经验方程(作为输入参数)的数量并不会显著提高预测效率。作者的目标是通过展示利用非破坏性输入参数(用于抗压强度的经验方程)而不考虑砂浆组成变化来预测强度的能力而实现。Asteris等人也使用了类似的输入参数。然而,他们使用了五种不同的模型(SVM、RF、DT、AdaBoost和KNN),其中RF和AdaBoost表现出更好的结果。此外,作者通过敏感性分析确定,水泥/细骨料比和水/水泥比对CS值的影响最显著。在Nguyen等人的研究中,作者试图通过分类梯度提升模型识别哪些参数对抗压强度预测影响最大。输入参数为养护时间、水/水泥比以及材料含量(波特兰水泥、细骨料、高效减水剂和偏高岭土)。CS预测中最显著的输入变量是水/波特兰水泥比,其次是养护时间和水泥含量。另一项普通砂浆研究使用了深度学习技术(卷积神经网络)来估计CS,输入参数与前述研究相似。
5.2 机器学习在地质聚合物砂浆中的应用
建筑行业新兴的可持续技术之一是地质聚合物或碱激发复合材料。这类胶凝材料在力学性能和耐久性方面可产生令人感兴趣的结果,并由于使用高炉矿渣、钢渣、稻壳灰、赤泥等废物而促进该行业的可持续性。由于其不同参数的复杂性,地质聚合物砂浆需要适当标准化的混合结构,例如水与固体材料的比例以及碱性激发剂(硅酸钠和氢氧化钙)。为预测地质聚合物砂浆CS而开发的人工神经网络模型,在使用粉煤灰和高炉矿渣含量、氢氧化钠溶液摩尔浓度、硅酸钠与氢氧化钠的比例、碱性溶液与胶凝材料的比例以及细骨料与胶凝材料的比例作为输入数据时,获得了满意的性能。作者观察到地质聚合物砂浆中二氧化硅含量(来自粉煤灰)在输入参数中对抗压强度的影响更显著。然而,作者还报告说增加输入数据可以提高模型的效率。Ahmed等人提出的另一项研究也表明,在所考虑的13个参数中,粉煤灰二氧化硅的存在对预测此类砂浆的抗压强度最有效。此外,作者强调了粉煤灰含量和液/胶比。Kurt等人使用了五种不同的算法(KNN、RF、DT、LR和DNN)来预测含有黑曜岩、高炉矿渣和偏高岭土的地质聚合物砂浆的CS和FS。考虑的输入参数为这三种掺合料的含量和养护温度。根据结果分析,黑曜岩和矿渣含量是对CS和FS预测影响最显著的参数。关于两种预测(CS和FS)最重要的方面,根据所考虑的指标(R2、MAE、MSE和RMSE),RF是表现最佳的算法。
5.3 机器学习在废玻璃砂浆中的应用
随着可持续发展,废玻璃在水泥基材料中应用的研究受到广泛关注。这些残渣含有大量二氧化硅,具有火山灰特性。在这种意义上,用废玻璃部分替代水泥基材料是一种有前景的解决方案。研究表明,减小废玻璃的粒径可以提高其火山灰特性。目前有趋势开发机器学习预测模型以加速对含废玻璃材料性能的认识。Alkadhim等人使用了两种方法(随机森林和梯度提升)来预测砂浆的力学性能(CS和FS),考虑水泥、细骨料、水、硅灰、高效减水剂和废玻璃的含量作为输入因素。两种方法均表现出良好的结果,其中RF具有更高的精度和更低的误差。此外,作者进行了分析以研究原材料对砂浆强度的影响,验证了细骨料含量与材料强度呈负相关;废玻璃和水泥具有有利影响。另一方面,由于该参数在模型中的方差不足,无法检测硅灰的影响。在一项类似的研究中,使用相同的输入参数(废玻璃)但不同的机器学习模型(SVM和Bagging回归器),Amin等人发现Bagging回归器的结果优于SVM。Alfaiad等人使用了相同的输入参数,使用Bagging回归器和RF预测砂浆的CS,发现废玻璃对预测的影响更大,RF的评估略好。Khan等人也基本使用了与前述作者相同的输入参数,但在决策树和AdaBoost之间变化机器学习模型,后者表现更好。然而,作者没有研究输入参数的影响。
5.4 机器学习在蛋壳粉砂浆中的应用
蛋壳是一种农业工业废弃物,用作胶凝材料时已显示出有前景的结果。关于在砂浆中使用蛋壳的研究,Cao等人将这种废弃物与废玻璃一起使用,并评估了考虑八个输入参数(水泥、砂、水、硅灰、高效减水剂、废玻璃、废蛋壳和CS-90天)的机器学习工具。在所采用的树集成技术中,RF表现更好。此外,SHAP分析验证了影响强度预测的最重要参数是CS-90天、废玻璃和蛋壳粉。虽然结果表明蛋壳粉与材料强度呈负相关,但砂量与强度呈更强的负相关。这一结果表明,使用该废弃物替代砂比替代水泥更有利。Chen等人使用相同的数据库和相同的输入参数,利用机器学习技术评估了将这种废弃物掺入砂浆CS中的效果。在所使用的技术(DT、MLPNN、GEP和SVM)中,作者观察到SVM表现出更好的性能,其SHAP分析显示了与前述作者相同的结果,如预期。Amin等人使用DT和AdaBoost预测掺入蛋壳粉的砂浆的抗折强度,发现DT算法表现更好。输入参数与其他研究非常相似(水泥、水、废蛋壳、高效减水剂、细骨料和硅灰)。这些作者还进行了SHAP分析,观察到水泥是FS最关键组分,而砂是最不关键的。
6 讨论与建议
表8显示了应用于预测不同类型砂浆力学性能的主要机器学习算法的比较综合。该表突出了每种算法的主要优点、局限性以及纳入研究中最常报告的超参数配置。分析表明,输入数据、所选模型和超参数是影响预测精度和最小化误差的主要因素。大多数纳入研究使用砂浆配合比、测试龄期和养护条件作为主要输入特征。因此,标准输入参数一直是砂浆组分,包括拌合水、水泥、细骨料和高效减水剂。其余输入参数取决于所用砂浆的类型。例如,在掺入废玻璃的砂浆中,除废玻璃含量外,硅灰含量也被用作大多数使用此类废弃物的研究的输入参数。敏感性分析(SA),即评估每个输入变量如何影响预测输出,是在砂浆研究中使用机器学习模型的主要优势之一。它有助于识别和移除不太相关的输入,降低模型复杂性并提高预测精度。包含无关参数可能会不必要地增加计算成本而不提高性能。因此,执行SA对于确保机器学习模型的稳健性和可解释性至关重要。根据算法的不同,可以应用不同的技术——例如,对ANN可使用偏导数、权重法或逐步法。在各种SA方法中,SHAP是纳入研究中最常采用的方法之一。SHAP提供了一个一致的框架,通过平均特征在所有特征组合中的边际效应来量化每个特征对模型输出的贡献。所得的SHAP值允许根据变量的总体重要性对其进行排序,提供对模型行为的清晰洞察。在分析的研究中,SHAP结果揭示了一致且物理上有意义的模式。在用蛋壳和玻璃粉改性的砂浆中,90天抗压强度和玻璃粉含量是性能的主要预测因子,而过量的蛋壳含量和高水比则显示出负面影响。在辅助胶凝材料系统中,养护期是最有影响力的变量,其次是高效减水剂和砂/胶比,证实了强度对水化和配合比平衡的依赖性。对于碱激发砂浆,试件龄期、粉煤灰和石灰含量显示出最高的SHAP值,反映了它们在激发剂化学和强度发展中的作用。在碳纳米管改性砂浆中,水灰比和龄期是关键因素,而碳纳米管含量、长度和直径在最佳范围内也很重要,证实了它们对纳米尺度分散和剂量的敏感性。总体而言,SHAP分析一致表明,机器学习模型中最有影响力的特征与明确物理和化学相关性的参数一致,而非统计伪影。这强化了SHAP的价值,不仅作为模型解释工具,也作为优化配合比设计、提高耐久性和推进高性能砂浆系统的实用指南。讨论的另一点是超参数的重要性。在表3、4、5、6和7中,呈现了分析研究的超参数值,为读者提供机器学习模型中使用值范围的见解。另一方面,超参数的确定不应仅通过分配数据来完成,还应使用优化算法的资源,例如“功能方差分析”。尽管超参数对模型的相关性是公认的,但在所涉及的研究中,大多数作者使用试错技术来找到其超参数的最优值。关于用于评估模型的指标,图3展示了纳入研究中所用评估指标的分布。在报告的性能指标中,均方根误差(RMSE)和决定系数(R2,包括调整R2)是最常用的,其次是平均绝对误差(MAE)、均方误差(MSE)和平均绝对百分比误差(MAPE)。较不常见的指标归为“其他”,包括RMSLE、PSNR、方差占比(VAF)和相关系数等指标。这一趋势强调了RMSE和R2作为砂浆强度预测中模型精度标准度量的核心作用。R2量化模型解释因变量方差的程度,而RMSE反映预测值与观测值在其原始单位中的偏差。MAPE则将该偏差表示为实际值的百分比。尽管广泛使用,每个指标都有其固有的局限性。高R2可能并不总是意味着模型拟合良好,因为它可能受预测变量数量和残差分布假设的影响。同样,RMSE对极端值敏感,而MAE虽然对离群值更稳健,但对大偏差的惩罚不如RMSE强。因此,R2、RMSE和MAE的联合分析提供了对模型性能更平衡和全面的评估,同时捕捉了解释方差和预测误差的大小。在这种背景下,图4展示了跨评估模型的R2、RMSE和MAE分布的箱线图。这些可视化允许快速比较模型精度和变异性,突出中心趋势和潜在离群值。箱线图揭示了模型性能的明显差异。RF和XGBoost表现出紧凑的箱体和短的须线,表明R2持续高且变异性极小。它们的RMSE和MAE箱体同样紧密且低,反映稳定且小的预测误差。相比之下,ANN和DT表现出更高的箱体和更长的须线,指向R2值和误差值中更宽的分布及离群值的存在。SVM呈现出较低的中位数R2和更长的RMSE和MAE须线,突出较不可预测的性能。AdaBoost占据中间位置,各指标的箱体和须线大小适中。总体而言,视觉模式证实了集成模型往往产生更稳健和一致的预测,而单一模型容易受到更大变异性和偶发极端误差的影响。模型使用频率的统计为模型选择趋势提供了额外见解。图5展示了这一分布,显示ANN和SVM是最常采用的模型。这种差异表明,尽管集成方法具有优越的预测稳定性,但它们并不总是文献中最受欢迎的选择,可能反映了历史熟悉度或感知的实现复杂性。尽管ANN和SVM在文献中更频繁使用,但本系统比较也揭示了集成方法(如RF、GB、XGBoost、AdaBoost)的明显优势,这些方法即使在相对较小的数据集上也表现出一致的泛化能力。在纳入研究中,XGBoost在五个案例中成为表现最佳的模型,其次是RF和ANN,各在四个研究中被确定为首要表现者,而AdaBoost和SVM各被强调三次。然而,应注意这些发现基于个别研究内的比较,而非直接的跨模型比较,尽管在一项研究中XGBoost与八个其他模型相比被报告为最佳模型,在另一项研究中与七个其他模型相比被报告为最佳。事实上,基于树集成的模型,特别是XGBoost,因其捕捉复杂非线性关系、最小化过拟合和以最少预处理要求识别输入特征相对重要性的能力而受到重视。
7 结论
本研究对使用机器学习算法预测水泥基砂浆抗压强度和抗折强度的最新进展进行了详尽的系统综述。通过方法论分析和比较,评估了不同算法及其超参数和输入参数。从本研究的调查和批判性分析中,可以得出以下结论:总的来说,机器学习模型已被证明能成功预测不同砂浆的抗压和抗折强度。最常用的技术是ANN、SVM和RF;在性能方面,RF和XGBoost表现出最高的预测精度,具有持续优越的R2值和较低的误差指标。作为集成树方法,这两个模型表现出强大的稳健性和泛化能力,其中XGBoost在多个独立研究中达到顶尖性能。不同模型所呈现的超参数为他们跨各种砂浆、数据集大小和输入变量的使用提供了广阔视野。一些报告值可作为未来研究的有用参考点。砂浆组成的主要输入参数是拌合水、水泥、细骨料和高效减水剂。水-胶凝材料-骨料比控制可加工性、堆积密度和胶凝材料水化,而高效减水剂改善可加工性,从而减少水含量并提高抗压强度。力学性能的准确预测需要正确捕捉胶凝材料含量、骨料特性(类型、粒径、形状和物理性能)和水含量之间的平衡。SHAP分析一致突出了配合比组成和养护龄期对砂浆强度预测的主导影响,证实了其对模型可解释性的有用性。然而,研究间的差异表明SHAP结果应结合每个数据集和建模方法进行情境化解释。可靠且足够大的数据集对于确保模型充分泛化至关重要。纳入研究同时使用实验和文献来源的数据,反映了当前研究中的互补方法。纳入文献中普通砂浆的代表性有限。然而,该汇编涵盖了掺入各种添加剂的大量配方,使读者能够识别与其应用相关的特定研究和材料组合。虽然一些观察到的趋势可能无法完全推广到标准砂浆,但本综述为常规和改性系统提供了有价值的参考框架。
8 未来研究方向
尽管本综述强调了机器学习技术在预测砂浆力学性能方面的有效性,但仍有若干扩展和改进这些应用的机会。未来研究可以解决关键局限性并探索新的途径,以进一步增强机器学习在砂浆相关研究中的准确性、适用性和实际使用。以下方向旨在指导该领域的后续研究。机器学习在砂浆领域具有显著的实际应用潜力。未来研究可将机器学习技术扩展为不仅预测抗压强度和抗折强度等力学性能,还可优化配合比设计并实现实时质量控制。此外,纳入其他力学性能(如粘结强度(抹灰砂浆))以及耐久性能,可以拓宽机器学习的应用范围。将机器学习与无损检测(NDT)相结合可以提供更快、更准确的砂浆性能评估,提高预测可靠性和生产效率。在此框架内,动态弹性模量反映砂浆刚度和变形行为,可通过超声波检测或超声波脉冲速度等无损检测方法可靠评估。尽管由于方法论与传统机器学习方法的差异,深度学习技术未纳入本综述,但它们为建模复杂非线性行为提供了有前景的机会。特别是,随着更大、更异构的数据集可用,深度学习可能变得更加相关。推进这一领域需要更高程度的超参数调优、性能指标和数据共享实践标准化,这将实现更一致的比较并提高跨研究的可重复性。