《Next Materials》：Towards sustainable concrete: Estimating the compressive strength of SCM-enriched concrete via machine learning techniques
编辑推荐：
对可持续和高性能混凝土日益增长的需求加速了补充胶凝材料（SCMs）作为普通波特兰水泥（OPC）部分替代品的采用。本研究提出一个全面的机器学习（ML）框架，用于预测SCM掺合混凝土的抗压强度，采用七种回归算法，即XGBoost、Gradient Boosting
对可持续和高性能混凝土日益增长的需求加速了补充胶凝材料（SCMs）作为普通波特兰水泥（OPC）部分替代品的采用。本研究提出一个全面的机器学习（ML）框架，用于预测SCM掺合混凝土的抗压强度，采用七种回归算法，即XGBoost、Gradient Boosting、CatBoost、Random Forest、LightGBM、支持向量回归（SVR）和k近邻（KNN）。研究人员使用了包含1456个实验混凝土配合比的数据库，涵盖了配合比设计变量，包括水泥含量、胶凝材料含量、水含量、骨料含量、水胶比和OPC替代率。通过随机搜索优化模型超参数，并使用10折交叉验证评估预测性能。在评估的模型中，XGBoost取得了最佳整体性能，平均决定系数R2 = 0.8016 ± 0.0433，平均绝对误差MAE = 5.19 ± 0.51 MPa，均方根误差RMSE = 7.35 ± 0.76 MPa，同时表现出最高的相关系数R = 0.900。为增强模型可解释性，SHapley Additive exPlanations（SHAP）分析确定水胶比、水泥含量和胶凝材料含量是控制抗压强度预测的最具影响力变量，依赖性图显示出这些预测变量与模型输出之间明显的非线性关系。研究人员基于优化模型在Python中开发了一个离线图形用户界面（GUI）原型，用于演示从混凝土配合比参数快速估算抗压强度。所提出的框架提供了一种可解释的基于ML的方法，用于支持可持续SCM掺合混凝土配合比的评估与设计，同时GUI原型展示了其实际应用的潜力。
**论文解读：基于机器学习预测SCM掺合混凝土抗压强度的综合框架**
**研究背景与问题**
混凝土作为全球使用最广泛的建筑材料，其生产过程中的水泥制造贡献了约8%的人为CO?排放，对环境和可持续发展构成重大挑战。为应对这一问题，补充胶凝材料（SCMs），如粉煤灰、矿渣和硅灰，被广泛用于替代部分普通波特兰水泥（OPC），以减少碳排放并提升混凝土的长期性能。然而，SCM的掺入导致混凝土配合比设计复杂化，其抗压强度受多种因素（如水泥含量、水胶比、SCM类型与替代率等）的协同影响，传统经验公式难以准确预测。尽管已有研究利用机器学习（ML）模型预测混凝土强度，但大多局限于单一算法或小规模数据集，且缺乏对模型可解释性和工程实用性的系统关注。为此，本研究旨在建立一个基于大规模数据集的集成ML预测框架，系统比较多种算法，并通过SHAP分析和图形用户界面（GUI）提升模型透明度和实际应用价值。
**研究内容与结论**
研究人员从Liu等人（2022）公开的SCM掺合混凝土数据库中提取了1456个实验配合比，以水泥含量、水含量、骨料含量、胶凝材料含量、水胶比和OPC替代率作为输入变量，圆柱体抗压强度（MPa）作为目标变量，系统比较了七种回归算法（XGBoost、Gradient Boosting、CatBoost、Random Forest、LightGBM、SVR和KNN）。在统一采用10折交叉验证和随机搜索超参数优化后，XGBoost表现最佳，平均R2 = 0.8016 ± 0.0433，MAE = 5.19 ± 0.51 MPa，RMSE = 7.35 ± 0.76 MPa。进一步通过20次重复10折交叉验证的统计检验（Wilcoxon符号秩检验和Cohen's d效应量）确认了XGBoost显著优于其他模型。SHAP分析揭示水胶比为最具影响力的变量，其次为水泥含量和胶凝材料含量，依赖性图展示了这些变量与预测输出之间的非线性关系。基于优化后的XGBoost模型，研究人员开发了一个离线Python GUI原型，使用户无需编程即可输入配合比参数并快速获得强度预测。该研究发表于《Next Materials》。
**关键技术方法**
本研究采用的主要关键技术方法包括：（1）数据来源于Liu等人公开的SCM掺合混凝土数据库，该数据库由136篇同行评审文献中的实验数据汇编而成，涵盖27个国家，包含1456个配合比。（2）七种监督回归算法：XGBoost、Gradient Boosting、CatBoost、Random Forest、LightGBM（均为树集成方法）、SVR（通过核函数处理非线性关系）和KNN（基于邻近样本的实例学习方法）。（3）超参数优化采用RandomizedSearchCV结合10折交叉验证，搜索空间包括树深度、学习率、子采样比例等。（4）模型性能评估指标包括决定系数R2、皮尔逊相关系数R、平均绝对误差MAE和均方根误差RMSE，并辅以20次重复10折交叉验证及Wilcoxon检验确保统计显著性。（5）SHAP（SHapley Additive exPlanations）分析用于全局和局部特征重要性解释，包括依赖图揭示非线性关系。（6）基于Python的离线GUI原型，集成最优XGBoost模型，实现配合比参数输入到强度预测的快速输出。
**研究结果**
**3.1 机器学习模型：** 通过10折交叉验证，XGBoost取得最佳预测性能（R = 0.900，R2 = 0.8016 ± 0.0433，MAE = 5.19 ± 0.51 MPa，RMSE = 7.35 ± 0.76 MPa），Gradient Boosting和CatBoost性能相近，而KNN和SVR表现较差。20次重复验证和Wilcoxon检验进一步证实XGBoost显著优于其他模型（p < 0.001）。SHAP全局分析显示水胶比（平均绝对SHAP值6.904）是最重要变量，其次为水泥含量（4.194）和胶凝材料含量（2.528）。依赖性图表明：水胶比与SHAP值呈单调递减关系，低水胶比（0.10–0.20）贡献正效应，超过0.35后转为负效应；水泥含量呈单调递增，约250–400 kg/m3时为过渡区，高于400 kg/m3后贡献为正；胶凝材料含量呈现异质性非线性关系，在350–600 kg/m3范围内SHAP值分散，反映其依赖SCM类型和反应性的复杂机制。
**3.2 SCM掺合混凝土中ML模型比较：** 集成树算法（XGBoost、Gradient Boosting、CatBoost、Random Forest、LightGBM）均优于传统回归模型（SVR、KNN）。实际值与预测值散点图显示XGBoost数据点最集中于1:1参考线，证实其最佳预测能力。
**3.3 通过图形用户界面的实际应用：** 基于优化XGBoost模型的离线GUI原型允许用户输入6个配合比参数，自动执行预处理并输出预测强度，无需编程知识，作为概念验证工具展示了框架的工程实用性。
**讨论与结论总结**
讨论部分强调：SHAP分析揭示了模型预测行为与混凝土材料科学原理的一致性——水胶比主导强度发展（控制毛细孔率和水化动力学），水泥和胶凝材料含量通过提供C-S-H凝胶影响强度，但胶凝材料含量的贡献高度依赖于SCM的类型和反应活性。研究还指出，SHAP仅解释模型行为而非因果关系，未来需结合不确定性量化和SHAP交互值分析。
**研究结论翻译：**
本研究开发并评估了一个基于1456个实验配合比数据库的机器学习框架，用于预测掺加补充胶凝材料（SCMs）混凝土的抗压强度。在统一10折交叉验证框架下系统比较了七种回归算法。在评估的模型中，优化后的XGBoost算法取得了最佳整体预测性能（R = 0.900，R2 = 0.8016 ± 0.0433，MAE = 5.19 ± 0.51 MPa，RMSE = 7.35 ± 0.76 MPa）。Gradient Boosting和CatBoost展示了相当的预测能力，而KNN和SVR产生明显较低的预测精度。SHapley Additive exPlanations（SHAP）分析通过量化输入变量的相对贡献，增强了优化预测模型的可解释性。水胶比被确定为最具影响力的预测变量，其次是水泥含量和胶凝材料含量，而水含量、骨料含量和OPC替代率贡献相对较小。SHAP依赖性图进一步展示了最影响力变量与其对应SHAP值之间的明显非线性关系，提供了模型学习到的预测行为的见解。为展示所提出框架的实际应用潜力，研究人员基于优化后的XGBoost模型在Python中开发了一个离线图形用户界面（GUI）原型。该原型能够从混凝土配合比参数快速估算抗压强度，并作为该框架潜在工程用途的概念验证演示。
