利用元启发式优化方法的混合机器学习技术进行SCC强度预测

《Scientific Reports》：Hybrid machine learning for SCC strength prediction using metaheuristic optimization

　　

摘要

自密实混凝土（SCC）在现代混凝土技术中是一项重大创新，因为它具有优异的流动性、可操作性和机械性能。准确预测SCC的抗压强度对于优化配合比设计、减少实验工作量以及促进可持续材料使用至关重要。在这项研究中，通过整合梯度提升（GB）、自适应提升（ADA）和随机森林（RF）模型，并利用灰狼优化器（GWO）、山瞪羚优化器（MGO）、棕熊优化器（BBOA）和狐狸优化器（FO）等元启发式算法进行了优化，开发了一种混合机器学习（ML）框架。研究使用了包含691个SCC样本的数据集，这些样本具有不同的配合比和养护条件，用于模型开发和验证。通过决定系数（R²）、均方根误差（RMSE）、加权平均绝对百分比误差（WMAPE）和Willmott一致性指数（WI）进行统计分析后发现，BBOA-GB模型的预测准确性最高，训练集和测试集的R²值分别为0.9955和0.9645。Shapley加性解释（SHAP）分析表明，矿渣含量、水泥含量和养护时间是影响抗压强度的最重要因素。与所考虑的基线集成模型相比，所提出的混合方法表现出更好的性能。本研究的新颖之处在于对多种元启发式算法与集成方法的比较评估，以及开发了用于实际SCC强度预测的图形用户界面（GUI）。该研究提供了一个可靠且高效的数据驱动框架，有助于改进SCC设计的决策过程，并支持可持续混凝土技术的发展。然而，该研究受到基于文献的数据集和有限配合比范围的限制。未来的研究将重点关注使用更大规模和实时数据集、探索深度学习方法，并将框架扩展到以可持续性为导向的配合比优化领域。