集成机器学习模型预测颤杨（Populus tremuloides）规格材极限抗拉强度（UTS）的应用

《Developments in the Built Environment》：Application of ensemble machine learning models for predicting ultimate tensile strength of trembling aspen ( Populus tremuloides) dimension lumber

　　

颤杨（Populus tremuloides）规格材是轻型木框架结构中有前景的产品，但因天然缺陷导致的高变异性使其极限抗拉强度（UTS）难以预测。研究人员开发了四种集成机器学习模型，即随机森林（RF）、极端梯度提升（XGBoost）、梯度提升回归树（GBRT）和自适应提升（AdaBoost），以预测颤杨木材的UTS。数据集涵盖321个截面为38 mm × 89 mm的试件，含12个输入特征，包括等级、几何尺寸、比重（SG）、含水率（MC）、节子特征，以及来自机器应力分等（MSR）和纵向应力波（LSW）测试的弹性模量（MOE），均可锯木厂测量。GBRT取得最佳性能（R2 = 0.718），最小MSR-MOE为最具影响力预测因子。相较经验模型（R2 = 0.239–0.487）与多元线性回归（MLR，R2 = 0.585），GBRT将R2提升0.133–0.479，支撑面向工业的单个试件UTS预测与经济性材料利用人工智能（AI）。

研究背景与动机

颤杨（Populus tremuloides）在北美硬木资源中占比高但在结构规格材中利用不足，其纤维短、死节大，力学性能受天然缺陷影响变异性强。极限抗拉强度（UTS，ultimate tensile strength）只能由破坏性拉伸至失效获得，无法在生产线逐根实测。传统经验模型与单一弹性模量（MOE，modulus of elasticity）关系对软木研究较多，对硬木规格材逐根预测研究有限。研究人员旨在用锯厂可获取的无损/准无损测量特征，借助集成机器学习实现逐根UTS预测，以支持机器分等与经济用材。该文发表于《Developments in the Built Environment》。

主要关键技术方法

研究人员在加拿大阿尔伯塔省Hines Creek锯厂采集321根38 mm × 89 mm截面颤杨规格材（Select Structural与No. 2两个目测等级，长度3048 mm与3658 mm），经窑干与调湿后，测量几何与物理属性（宽厚比、含水率MC、比重SG）、目测缺陷（最大两节直径、节子和、节比）、以及两种无损刚度：纵向应力波（LSW）手持仪所得LSW-MOE，与机器应力分等（MSR）中点弯曲所得MSR-MOE均值与最小值；以ASTM D198平行纹拉伸破坏值作为UTS目标。数据集按8:2划分训练与测试集，采用五折交叉验证与网格搜索调参，构建RF、XGBoost、GBRT、AdaBoost四种决策树集成模型，用R²、RMSE、MAPE、Pearson r评价，并以Tree SHAP解释特征贡献，同时将最优GBRT与单变量线性/三参数幂律MOE经验式及同12输入的多元线性回归（MLR）比较。

研究结果

1. 1.
   Dataset
   321根试件统计显示，最小MSR-MOE与UTS相关系数最高（r = 0.704），节子和与UTS呈最强负关联（r = -0.523）。输入含等级、长度、宽厚比、MC、SG、节子#1/#2、节子和、节比、LSW-MOE、MSR-MOE min.、MSR-MOE mean共12特征，输出为UTS。
2. 2.
   Development of ML models
   经6:4至8:2五种划分比敏感分析，8:2在R²与MAPE上最优。四模型超参由网格搜索+五折交叉验证确定；GBRT定参为300树、深度3、学习率0.01、子采样0.6、min_samples_leaf=3等。
3. 3.
   Performance of developed ML models
   测试集上GBRT与XGBoost最优：GBRT R²=0.718、RMSE=7.047 MPa、MAPE=0.238；XGBoost R²=0.715；RF最弱（R²=0.678）。训练-测试R²差以AdaBoost最小（0.021）但精度低，GBRT差0.054且综合最优。预测/实测比均值GBRT为1.092（CoV 0.285）。Tree SHAP表明MSR-MOE min.、长度、MSR-MOE mean为前三重要因子，其中MSR-MOE min.代表沿材长最弱刚度区（通常对应大节子控制断口），主导拉伸响应。
4. 4.
   Performance comparison with empirical models and MLR
   同数据集100次重抽样8:2评估：单变量线性以MSR-MOE min.最佳（测试R²=0.476），三参数幂律同输入下R²=0.487；LSW-MOE单变量最差（R²=0.239–0.255）。同12输入的MLR测试R²=0.585，低于GBRT的0.718，绝对提升0.133，说明在相同可测输入下非线性集成模型较线性统计模型可额外解释UTS变异。
   讨论与结论翻译
   讨论指出，MSR-MOE min.较均值或LSW全局动态MOE更利于捕获局部弱区，节子作为硬木强度主控缺陷与SHAP重要性一致；MLR已吸收节子/SG/等级信息但仍受线性形式限制。GBRT在精度与泛化平衡上最佳，XGBoost相近，RF偏差与离散度最大，AdaBoost稳定但欠拟合。研究人员结论如下：四种集成模型中梯度提升回归树（GBRT）对颤杨规格材UTS预测最优（测试R²=0.718，RMSE=7.047 MPa），最小机器应力分等弹性模量（MSR-MOE min.）为最关键预测因子；相较于基于MOE的经验模型（R²=0.239–0.487）与多元线性回归（R²=0.585），GBRT显著提升决定系数0.133–0.479；所建工业可测输入驱动模型支持逐根UTS估计、机器分等与经济用材，并为其他硬木规格材提供可迁移框架。