基于机器学习的电导率预测技术，用于导电水泥基复合材料中的智能结构健康监测

《Journal of Building Engineering》：Machine Learning-Driven Predictions of Electrical Resistivity for Smart Structural Health Monitoring in Conductive Cementitious Composites

本研究系统评估了九种机器学习算法在预测导电水泥基复合材料电导率中的性能，发现XGBoost在准确性和效率方面表现最优，并揭示了噪声影响下的模型鲁棒性差异。通过SHAP和增益分析量化了关键变量影响，为智能材料设计提供数据驱动支持。

　　

邱瑞鹏|唐杰|陈思远|刘宇石|田伟晨

香港理工大学应用数学系，中国香港九龙红磡

摘要

导电水泥基复合材料（ECBCs）的优化对于开发具有自感知能力的智能基础设施至关重要。本研究对九种机器学习算法在高精度预测ECBCs电阻率方面的性能进行了严格的比较分析。我们基于预测准确性、计算效率和抗噪声能力评估了包括XGBoost、支持向量回归、线性回归和K最近邻在内的模型。其中，XGBoost算法表现出优异的预测性能，获得了最高的R2值0.9803，以及最低的MAE和RMSE值，分别为333.72和1116.41。基于树的集成算法在所有评估指标上均表现出色，而线性模型的性能相对较差。尽管KNN算法也显示出较高的准确性（R2=0.9781），但由于其基于实例的学习范式，导致了最高的计算延迟。值得注意的是，KNN算法对高斯噪声具有出色的鲁棒性，在20%的噪声水平下仍保持了0.9565的R2值，这是因为引入的噪声并未严重破坏邻域结构。使用Shapley Additive Explanations（SHAP）和基于增益的重要性分析定量解释了关键输入变量的影响。这项工作展示了ECBCs在实际应用中的巨大潜力，并为多功能建筑材料的数据驱动设计铺平了道路。

引言

作为人类使用量仅次于水的第二大物质，混凝土是最重要的建筑材料[1]、[2]、[3]。由于其广泛的应用，将传统混凝土升级为功能性材料在土木工程中起着关键作用，以突破其仅承重的单一功能[4]、[5]、[6]。混凝土从被动结构材料发展为主动功能性材料标志着一个重要的进化，尤其是在对实时自诊断和快速自修复系统有迫切需求的情况下[7]、[8]、[9]。虽然传统混凝土具有高抗压强度和成本效益的优势，但它无法解决某些现代挑战，如老化基础设施监测、节能供暖和腐蚀检测[10]、[11]。为了解决这些问题，开发了导电水泥基复合材料（ECBCs），因为它们能够将结构完整性与电响应性结合起来，使ECBCs成为下一代智能基础设施的基础材料[12]、[13]。

ECBCs的功能化依赖于在水泥基质中加入导电元素（例如碳纤维（CFs）、钢纤维（SFs）、纳米碳纤维（NCFs）、石墨烯等）以建立导电网络[14]、[15]、[16]。这些网络可以提高混凝土材料的导电性，使其电阻率（ER）发生变化，这与机械应变、温度变化和微裂纹扩展直接相关[17]、[18]。与非导电功能性混凝土不同，ECBCs通过同时承担承重组件和嵌入式传感器的双重角色，超越了单一功能[19]、[20]、[21]。这一特性消除了对外部传感器阵列的需求，从而降低了维护成本，并提高了在腐蚀性或地震环境中的耐久性。此外，ECBCs的自感知能力源于其在机械或环境作用下的导电网络的动态变化[22]、[23]、[24]。当受到压缩载荷时，微裂纹会破坏填充物的连通性，导致电阻率增加；而拉伸应变可能会延长导电路径，引起可测量的电阻波动[25]、[26]。然而，应注意的是，ECBCs的电阻率会受到多种因素的显著影响，包括环境温度、湿度、纤维含量、外力效应、固化年龄等[27]、[28]、[29]。因此，准确预测ECBCs的电阻率对于反映导电混凝土结构的状态至关重要。

机器学习（ML）作为一种有效的工具被开发出来用于预测混凝土性能，通过数据驱动的模式识别解决了传统模型的局限性[30]、[31]。与受理想化假设约束的基于物理的方程不同，ML算法能够自主解码多个输入变量（包括材料组成、加工条件和固化条件）与水泥基材料所产生的机械或功能性能之间的复杂非线性关系[32]、[33]、[34]，从而在材料信息学中成为一种变革性工具。需要强调的是，对不同ML算法在预测混凝土性能方面的比较分析对于推进数据驱动的建筑材料科学具有根本意义。具体来说，不同的机器学习算法（如基于树的算法、基于核的算法）基于不同的工作机制，它们在预测ECBCs电阻率方面的性能可能有显著差异。因此，系统地评估它们的预测性能、计算效率和鲁棒性等对于指导最佳电阻率预测模型的开发至关重要。

考虑到迫切需要解决ECBCs电阻率预测问题，以便应用于结构健康监测，并明确不同类型机器学习方法的预测效果。本研究在一个收集齐全的ECBC数据集上评估了九种ML算法，并全面比较了八种“积极学习者”（包括基于树的算法、线性回归及其变体以及基于核的算法）和一种“懒惰学习者”（K最近邻回归）的效果。首先比较了每种算法的模型预测性能，然后分析了每种算法在超参数调整、训练和预测条件下的计算成本。随后，在数据集中引入不同水平的噪声以模拟测量不准确和人为操作错误等错误，以评估算法的鲁棒性。进一步，进行了Shapley Additive ExPlanations（SHAP）分析和基于增益的重要性分析，以量化每个独立变量对目标变量的影响。总体而言，这项工作提供了两个主要的科学和实践贡献：（1）它提供了一个多维决策框架，包括预测准确性、计算效率和抗噪声能力，以指导选择用于预测ECBCs电阻率的机器学习模型。准确预测电阻率对于实现后续应用（如结构健康监测和智能材料设计）至关重要。（2）它利用模型解释算法来识别影响ECBCs电阻率的关键因素，从而为未来的ECBCs设计和优化提供了见解。

部分摘录

机器学习算法

本研究中使用了九种机器学习算法来预测ECBCs的电阻率，算法的选择基于两个主要标准：（1）包含机器学习领域中具有代表性的经典算法；（2）通过涵盖具有不同工作机制的算法来确保方法多样性。如图1所示，系统地选择了三类“积极学习者”：基于树的算法、线性回归

数据收集

基于高质量的文献数据[8]、[35]、[36]、[37]、[38]、[39]，建立了一个包含754个样本的数据集，这些样本具有9个独立变量和1个因变量（电阻率）。ECBCs的电阻率可能受到多种因素的影响。本研究主要关注关键因素，这些因素分为三类：复合材料配方、固化制度和环境温度（如图3所示）。为了便于信息表示

实验环境和超参数配置

本研究的实验代码使用Python 3编写，关键包包括scikit-learn 1.1和xgboost 3.1。超参数调整、模型训练、预测性能评估、鲁棒性评估等是在配备2.3 GHz四核Intel Core i5处理器和macOS 12.5的操作系统的计算机上进行的。计算成本分析是在运行Ubuntu操作系统的设备上进行的，该设备配备了32核AMD EPYC 9654 CPU处理器。

由于重要影响

结论

在这项工作中，共使用了九种算法来高精度预测ECBCs的电阻率，并评估和全面比较了这些ML算法的预测性能、计算效率和模型鲁棒性。根据实验结果和分析，可以得出以下关键结论：

(1)。

在所研究的九种机器学习算法中，XGBoost在电阻率预测方面取得了最高的准确性

CRediT作者贡献声明

刘宇石：监督、形式分析、数据管理、概念化。田伟晨：撰写 – 审稿与编辑、方法论、调查、形式分析、数据管理、概念化。邱瑞鹏：撰写 – 原始草稿、软件、方法论、调查、形式分析、数据管理、概念化。唐杰：方法论、调查、数据管理。陈思远：资源、方法论、形式分析

利益冲突声明

作者声明本文的发表不存在利益冲突。

致谢

本工作得到了江西省自然科学基金（20252BAC200605）的财政支持。