《Buildings》：Predicting Compressive Strength of Pozzolanic Concrete by Mixing Various Admixtures Using Analytical and Machine Learning Approaches
编辑推荐：
数据正则化与去除噪声是评估火山灰混凝土抗压强度（CS）的关键问题。由于火山灰混凝土中使用了多种不同百分比的外加剂，以往研究采用机器学习（ML）技术来预测外加剂百分比对CS的影响。考虑这些外加剂的影响来预测CS仍具有挑战性。多种ML技术可能能够克服这些挑战。为此
数据正则化与去除噪声是评估火山灰混凝土抗压强度（CS）的关键问题。由于火山灰混凝土中使用了多种不同百分比的外加剂，以往研究采用机器学习（ML）技术来预测外加剂百分比对CS的影响。考虑这些外加剂的影响来预测CS仍具有挑战性。多种ML技术可能能够克服这些挑战。为此，研究人员对解析方法和ML方法进行了全面的比较分析，以预测火山灰混凝土的CS。共利用了1030个已发表的实验数据点，开发了五个基于回归的解析模型和ML模型。采用七项统计指标评估模型性能。使用八个实验数据变量参数来预测CS，包括水泥、高炉矿渣、粉煤灰、水、减水剂、粗骨料、细骨料和混凝土龄期。随机森林（RF）在CS范围为20至40 MPa内表现出最高的预测准确率。RF的R2值为0.99，表明良好的交叉验证。RF的准确率比最佳解析模型高15%，尽管ML整体表现优于解析模型。基于SHapley加性解释（SHAP）和偏依赖图（PDPs），混凝土龄期和水泥含量是预测CS的最有效因素，而水显示出强烈的负面影响。因此，本研究可作为预测CS的指南，用于开发可持续混凝土配合比设计。
本研究旨在解决火山灰混凝土抗压强度（CS）预测中因多种外加剂（如粉煤灰、减水剂、高炉矿渣等）的复杂影响而带来的挑战。火山灰混凝土的CS直接影响结构响应（如漂移、挠度、弯矩、剪力、扭转等），而弹性模量是这些响应的函数。以往研究虽采用机器学习（ML）技术预测CS，但在考虑多种变量外加剂时仍存在改进空间。为此，研究人员开展了全面的比较分析，利用1030个来自文献[6]的已发表实验数据点（包括水泥、高炉矿渣、粉煤灰、水、减水剂、粗骨料、细骨料和混凝土龄期），开发了五种解析模型和五种ML模型，以选择最优预测模型并识别主导影响因素。研究得出，ML模型（特别是随机森林RF）在20至40 MPa范围内表现最佳，R2值达0.99，比最佳解析模型（全二次FQ）准确率高15%。混凝土龄期和水泥含量是预测CS的最有效因素，而水具有强烈的负面影响。该研究发表在《Buildings》上，可作为可持续混凝土配合比设计的指南。
关键技术方法概括：研究人员从文献[6]收集了1030个实验室测试数据点（样本来源：实验室测试，粗骨料粒径<20 mm，试件为150 mm高圆柱体，减水剂来自不同公司）。数据经z-scoring标准化后，按70%训练、30%测试划分。采用五种解析模型：多元线性回归（MLR）、基于幂的MLR（PBMLR）、部分二次（PQ）、全二次（FQ）和交互方法（IA）；五种ML模型：随机森林（RF）、决策树（DT）、梯度提升（GB）、XGBoost（XGB）和集成袋装（EB）。使用七项统计指标评估性能：决定系数（R2）、均方根误差（RMSE）、平均绝对误差（MAE）、平均绝对百分比误差（MAPE）、方差解释率（VAF）、RMSE与标准差比（RSR）和±20%内准确率（A20）。通过网格搜索和随机搜索进行超参数调优，并利用SHapley加性解释（SHAP）和偏依赖图（PDP）分析变量贡献。
研究结果部分：
3.1 解析模型：通过训练和测试性能分析，FQ模型表现最佳，训练阶段R2=0.804，测试阶段R2=0.861，MAE、RMSE、MAPE分别为5.72、7.35、20.26（训练）和4.91、6.31、17.37（测试），VAF和A20值也优于其他解析模型。
3.2 机器学习模型：所有ML模型训练阶段R2>0.95，RF在训练阶段R2=0.987，DT在测试阶段R2=0.990，均表现出高精度，且预测值集中在±10%偏差带内。
3.3 模型性能评估：通过蜘蛛图分析，解析模型中FQ的R2（0.804）和A20（0.667）最高；ML模型中RF和XGB训练性能最佳（R2分别为0.987和0.983），RF的RMSE和MAE范围分别为1.90~1.99和1.10~1.14；测试阶段RF和DT表现强劲，DT的RMSE为1.66。
3.4 范围性能：按CS≥40 MPa、20~40 MPa、≤20 MPa三个区间评估，解析模型中FQ在≥40 MPa时表现最好；ML模型中RF、DT和XGB在≥40 MPa时R2均>0.95，RF在20~40 MPa区间表现一致，R2>0.95。
3.5 解析与ML模型比较：采用复合评分（基于R2、RMSE、MAE、MAPE、VAF、RSR、A20的归一化加权，权重分别为25%、20%、15%、15%、10%、5%、10%），DT在≥40 MPa时得分100，RF在20~40 MPa时得分最高；解析模型中IA在≥40 MPa得分40.5，MLR得分最低（2.3）。ML模型整体优于解析模型，误差更低。
3.6 SHAP分析结果：SHAP值显示混凝土龄期（7.64）和水泥（7.04）是最重要变量，高炉矿渣（3.39）、水（3.18）、减水剂（2.29）次之，细骨料（1.00）、粗骨料（0.54）、粉煤灰（0.34）贡献较小。蜂群图展示高炉矿渣高特征值呈正方向，水呈负相关，减水剂呈正方向，而水和减水剂负相关可能间接影响CS。
3.7 材料优化与PDP分析：PDP显示混凝土龄期0~100天CS快速增加，水泥150~500 kg/m3呈正相关，高炉矿渣单调递增，水强烈负相关，减水剂在约10 kg/m3内正相关，细骨料和粗骨料负相关，粉煤灰波动。基于PDP的优化范围：水泥350~500 kg/m3，高炉矿渣100~200 kg/m3，水160~200 kg/m3，减水剂6~10 kg/m3，细骨料700~800 kg/m3，粗骨料900~1050 kg/m3，龄期100~300天。
总结讨论与结论：讨论部分指出，SHAP和PDP分析揭示混凝土龄期和水泥对CS的主导作用，水具有强烈负影响，减水剂通过减少水间接贡献。ML模型（特别是RF和DT）在预测CS方面优于解析模型，FQ是解析模型中的最佳者。研究结论翻译如下：本研究对使用解析和ML技术预测火山灰混凝土CS进行了全面研究。采用三个CS范围（≥40 MPa、20~40 MPa、≤20 MPa）评估模型性能，并通过SHAP和PDP分析主导成分。主要发现如下：混凝土龄期SHAP值最高，表明对预测CS的主导贡献；水泥的SHAP值比龄期低7.85%；龄期、水泥、减水剂和高炉矿渣呈正贡献。高炉矿渣与水泥平均混合比为1:2.615，减水剂与高炉矿渣与水泥比例为1:9.028:23.611，龄期平均为233天。ML模型基于复合评分优于解析模型，RF和DT分别在20~40 MPa和≥40 MPa范围获得最高复合评分。RF的R2在训练和测试阶段分别为0.987和0.990，RMSE、MAE、MAPE分别为1.81、1.03、3.61，均低于其他ML模型。FQ模型的R2在训练和测试阶段分别为0.804和0.861，其RMSE、MAE、MAPE分别比RF高112.2%、205.8%和197.2%。RF的R2比FQ高15%。龄期和水泥在20~40 MPa范围内表现主导，RF为该范围最佳ML模型。本研究结果可作为混凝土配合比设计的指南。研究未使用次级数据集和实验测试，也未考虑养护条件，假设材料均匀性，SHAP和PDP解释范围有限，未来可进一步改进。
