基于强化学习的高斯过程回归方法在混凝土抗氯性双重预测与网络部署中的应用

《ARABIAN JOURNAL FOR SCIENCE AND ENGINEERING》：Reinforcement Learning-Guided Gaussian Process Regression for Dual Prediction and Web Deployment of Chloride Resistance in Concrete

　　

摘要

氯离子侵入是钢筋混凝土腐蚀的主要原因，会威胁其长期耐久性和结构完整性。本研究提出了一种可解释的框架，结合高斯过程回归与基于强化学习的超参数优化方法，用于预测氯离子扩散系数及传递的电荷量。该模型以132种不同比例的水泥、矿渣、粉煤灰、硅灰、水及骨料组成的混凝土混合物为训练数据。通过强化学习策略网络自动优化核参数，经消融实验验证，模型的性能得到了显著提升。与采用相同强化学习方法优化的四种基准模型——包括人工神经网络、梯度提升法、轻量级梯度提升机以及自适应提升法相比，所提出的框架在预测精度和泛化能力方面更具优势。在输入数据存在±10%噪声的情况下进行的稳健性分析表明，超过92%的氯离子扩散预测值仍保持在±3×10^?12 m²/s的范围内。此外，使用来自不同条件及材料来源的90种混凝土混合物构成的独立数据集进行外部验证，进一步证明了该模型的可迁移性。在实际应用中，预训练好的模型被整合为一个用户友好的网络平台，可根据混凝土配合比参数快速进行耐久性评估。通过可解释人工智能分析方法，如Shapley加性解释、累积局部效应分析以及偏依赖分析，实现了模型的可解释性。研究结果揭示了与机制相符的规律：辅助胶凝材料，尤其是矿渣和硅灰，不仅能减少氯离子的侵入，还能减轻高水胶比带来的不良影响。总体而言，所提出的框架为基于性能要求的耐久性混凝土设计提供了一种可靠且易于理解的工具。