一种用于预测含石墨烯混凝土抗压强度的先进机器学习建模的创新方法：基于SHAP和PDP技术

《Scientific Reports》：Innovative development of an advanced machine learning modeling for predicting compressive strength of graphene-infused concrete: a SHAP and PDP approach

　　

摘要

水泥基材料的准脆性特性继续限制着其结构性能，因此需要先进的加固策略。虽然传统纤维能够提升材料的力学性能，但基于石墨烯的纳米材料的出现为调控界面相互作用以及增强多尺度下的基质凝聚力提供了新的可能性。本研究通过整合配合比设计参数与机器学习技术，构建了一个数据驱动的框架，用于预测经过石墨烯改性的混凝土的抗压强度。研究从已发表的文献中整理出了371组配合比数据，这些数据包含了七个配合比变量以及养护时间。研究者开发了三种集成学习模型——极端梯度提升法、自适应提升法和装袋回归法，并进一步设计了两种混合模型，随后对这些模型进行了评估。模型的性能通过标准统计指标进行衡量，尤其关注其在未见过的数据上的泛化能力。根据研究结果，混合型的极端梯度提升法-装袋回归法模型表现出最高的预测能力，其在训练集和测试集上的R²值分别达到了0.92和0.87，优于其他单一模型及替代的集成模型。通过SHapley加性解释方法进行的可解释性分析表明，水含量（+14.04）和养护龄期（+6.46）是影响混凝土强度发展的主要因素，而石墨烯及辅助材料的影响则呈现非线性特征，并且与其相互作用有关。此外，PDP分析显示，当石墨烯含量在0–2千克/立方米范围内增加时，混凝土的预测强度可从约53兆帕上升至60兆帕左右。所提出的方法不仅具有较高的预测精度，还具备较好的可解释性，可为石墨烯改性混凝土的配合比优化提供可靠的工具。从更广泛的角度来看，这项研究凸显了混合机器学习框架在推动下一代高性能、可持续水泥基复合材料发展方面的潜力。