使用基于不确定性量化的可解释机器学习模型(LightGBM)预测含再生粗骨料自密实混凝土抗压强度的可靠方法

《Journal of Composites Science》：Reliable Compressive Strength Prediction of Self-Compacting Concrete with Recycled Coarse Aggregate Using an Interpretable Machine Learning Model (LightGBM) with Uncertainty Quantification

　　

机器学习日益被用于预测含再生粗骨料自密实混凝土（SCRCAC）的抗压强度，文献中报告的决定系数（R²）为0.81至0.87。本文首先表明，广泛使用的包含603组配合比的参考数据集实际仅包含504种独立配合比，其中84组相同，21组存在矛盾。这导致相同的配合比在训练集与测试集之间发生泄露。在客观且无泄露的评估下（在去重后的数据集上对模型进行重新调参），决定系数降至约0.73，这一修正确用于该数据集上的所有模型。随后，研究人员提出了一种可解释且经过超参数优化的LightGBM模型，其优势在于：首先，在标准协议下达到已发表最佳结果的水平（种子平均五折交叉验证（CV）R²=0.813）；其次，通过分裂保形预测（split-conformal prediction）为每次预测提供校准后的不确定区间，在90%名义水平下实现了0.906的经验覆盖率；最后，该模型保持完全可解释性（SHAP（SHapley Additive exPlanations），部分依赖图），其中水泥为主导预测因子，其次为水和矿物外加剂。在平均超过25次迭代的70/30协议下，该模型实现了R²=0.794 ± 0.033和均方根误差（RMSE）=6.20 ± 0.48 MPa，优于参考研究中的四种机器学习模型。此外还讨论了参考研究保持优势的其他相关方面。

在可持续建筑发展的推动下，使用建筑废弃物中产生的再生骨料替代天然骨料已成为减少碳排放和资源消耗的有效手段。然而，再生骨料表面附着的残余旧砂浆会增加吸水率和孔隙率并削弱界面过渡区，使得目标强度难以达成。在配合比设计过程中，依赖昂贵且耗时的实验室试验不再实际，而传统的经验公式无法捕捉非均质材料成分间的非线性交互作用。近年来，机器学习方法，尤其是人工神经网络（ANN），逐渐成为预测抗压强度的标准工具，但神经网络存在“黑箱”问题，无法解释预测依据，限制了其在实际工程中的信任度与应用。此外，当前关于配合比基准数据集的数据质量评估和预测不确定性量化仍属空白。因此，开展一项兼顾可解释性与可靠性的机器学习研究对再生骨料混凝土的强度预测具有重要意义。该论文发表在《Journal of Composites Science》。

为开展此项研究，研究人员采用了以下关键技术方法：首先，使用LightGBM（基于直方图的决策树梯度提升框架）构建单一的回归预测模型；其次，引入Optuna库中的TPE搜索算法在五折交叉验证下进行超参数优化；再次，应用SHAP分析以量化各特征对预测结果的贡献，提供模型可解释性；最后，采用分裂保形预测和共形分位数回归（CQR）技术量化预测的不确定性并输出校准区间。样本队列来源于参考文献收集的公开数据集，包含14年间发表的603组含再生粗骨料自密实混凝土配合比及其28天标准抗压强度。

在预测性能方面，通过重复的70/30协议评估，所提出的LightGBM模型在25次独立随机划分中的平均表现优于参考研究中的四种机器学习模型，表现出更高的预测准确性和稳定性。在残差分析与稳定性方面，残差近似正态分布且无显著系统偏差，学习曲线显示过拟合得到有效控制。在模型可解释性方面，特征重要性图与SHAP分析一致表明水泥是主导预测变量，其次是水和外加剂，部分依赖图揭示了强度随水泥含量增加而增加、随水量增加而降低的单调趋势，符合 Abrams 定律，赋予了模型物理层面的合理性。

在数据泄露评估方面，发现基准数据集中存在大量相同配合比。去重并重新调参后，模型的R²由约0.81降至0.73。通过分组感知交叉验证进一步证实了重复记录导致的训练集与测试集间的信息泄露是先前报告准确度虚高的原因。在自适应不确定区间校准方面，保形预测在90%名义水平下实现了0.906的经验覆盖率，CQR区间虽宽度稍大但能根据局部不确定性自适应调整。研究发现较宽的区间宽度并非模型缺陷，而是由数据固有噪声引起的，真实反映了模型可靠性的边界。

在讨论部分，研究人员指出，尽管单个LightGBM模型在测试集上的报告性能可能略低于神经网络的峰值表现，但其在可解释性和简洁性上具优势。执行留一来源交叉验证表明该模型预测性能局限于基准数据分布内，不可泛化至全新来源数据。研究结论部分说明，该基准网络报告的高准确度部分源于数据泄露，客观的无泄露估计的真实R²约为0.73。提出的优化LightGBM模型结合了校准的不确定区间，在保障准确性的同时提供了高水平的可解释性。该研究平衡了准确度、简洁性与可靠性，证实了可解释的梯度提升模型在再生骨料混凝土强度预测中的实用价值和物理一致性。