混凝土强度预测基于领域驱动特征工程与可解释LightGBM

《Scientific Reports》：Concrete strength prediction using domain-driven feature engineering and explainable LightGBM

　　

准确预测混凝土抗压强度对于优化配合比设计、确保结构完整性以及降低施工成本至关重要。本研究将领域驱动的特征工程与优化的基于树的集成模型相结合，在广泛认可的Yeh数据集上对混凝土强度预测进行基准测试。研究人员在基线特征集基础上扩展了11个工程变量，评估了五种架构：随机森林（Random Forest）、XGBoost、LightGBM、Extra Trees以及投票回归器（Voting Regressor）。其中LightGBM表现最佳，决定系数（R2）为0.959，均方根误差（RMSE）为3.47 MPa。SHAP（SHapley Additive exPlanations）分析表明，新构建的工程特征是最具影响力的预测因子，其中龄期-水泥交互（Age-Cement Interaction）与胶凝材料-水比（Cementitious-to-Water Ratio）被识别为模型精度的首要驱动因素。为促进实际采用，该优化框架通过基于PyQt5的桌面界面和FastAPI网络服务部署，支持不同用户环境下的配合比设计优化。

研究背景方面，混凝土作为现代建筑中基础性、经济高效的材料，其抗压强度（Compressive Strength, CS）预测对基于性能的配合比设计、成本控制、安全性及全生命周期风险管理具有关键作用。传统方法依赖Abrams定律等经验公式与28天标准立方体/圆柱体破坏试验，存在耗时、昂贵及易受材料比例与环境干扰等局限；而普通线性回归难以刻画水泥、骨料、水与外加剂之间高度非线性的耦合作用。近年来机器学习（Machine Learning, ML）模型虽在材料信息学中展现出优势，但既有研究多直接将原始组分质量送入树模型，缺乏物理交互特征构造与严格统计验证。为此，研究人员在Yeh基准数据集（N=1030）上，提出融合混凝土物理化学知识的特征工程并配合可解释树集成框架，以兼顾精度、稳健性与工程可部署性。

主要关键技术方法上，研究人员采用UCI Yeh混凝土抗压强度数据集（1030组实验样本，8个原始输入：水泥、高炉矿渣、粉煤灰、水、减水剂、粗骨料、细骨料、养护龄期）。通过领域驱动构造11个工程特征（如水胶比W/C、总胶凝材料T_cm、胶凝材料-水比TW_R、总骨料T_A、细粗骨料比FC_R、质量浆体比MP_R、组分百分含量CC_p、对数龄期Lg_A、龄期分类A_c、龄期-水泥交互AC_I、水泥与水二次项式P_c与P_w）。数据划分80%训练与20%独立测试，标准化仅拟合训练集以防泄露；模型比对随机森林、XGBoost、Extra Trees、LightGBM与Voting Regressor，超参由Optuna（Tree-structured Parzen Estimator）在20折交叉验证下寻优；以R²与RMSE评价，并用Wilcoxon符号秩检验（α=0.05）、1000次bootstrap 95%置信区间及残差诊断验证稳定性；最优LightGBM经SHAP做全局与局部解释；最终封装为PyQt5桌面GUI与FastAPI RESTful服务。

研究结果部分，各小节结论如下。

混凝土数据集：确认使用Yeh基准（1030样本，目标为CS MPa），原始8特征覆盖主要配合比变量。

探索与预处理：描述统计与可视化揭示水泥多集中于200–300 kg/m³、龄期偏早期（0–30天）、CS近似正态居中20–50 MPa；采用StandardScaler（仅训练集拟合）与OrdinalEncoder处理龄期分类，避免泄露。

特征工程：11个领域特征从物理化学机制嵌入模型，如W/C关联Abrams孔隙律，TW_R逼近凝胶空间比，AC_I表征水化动力学，P_c/P_w捕捉抛物线式优化边界。

集成树机器学习模型：五模型机制综述后，基线（默认参数）测试显示特征工程使全体RMSE下降、R²上升；LightGBM基线RMSE由3.966降至3.545 MPa，R²由0.947升至0.958。

超参数优化与调谐：Optuna调优后XGBoost（R²=0.9602, RMSE=3.4481 MPa）与LightGBM（R²=0.9595, RMSE=3.4778 MPa）统计等价（Wilcoxon p=0.9563），但LightGBM因效率与原生SHAP可解释性被选为核心；其20折CV均值R²=0.9325±0.0421，测试集R²=0.9595，bootstrap 95%CI为[2.8534, 4.1229] MPa，方差最窄。

残差诊断与异方差分析：预测vs实测沿y=x聚集；残差零中心对称；|残差|vs预测斜率0.012示同方差；Q-Q图R=0.959近正态；故点预测配±1.96×RMSE≈±6.82 MPa经验区间。

基准对比：在Yeh集上本框架R²=0.959、RMSE=3.47 MPa，优于Deepforest（0.91）、ANN（0.93）、GBM（0.93）等仅用原始特征的模型，并与文献XGBoost（0.95/3.06 MPa）持平且增加物理解释层。

模型解释与特征分析：SHAP全局重要性中龄期（8.13）、水泥（5.94）、水（3.57）领先，工程特征Age-Cement Interaction与Cementitious-to-Water Ratio被确认为主要驱动力；依赖图显示长龄期与高水泥正向推高CS，高水与高细骨料负向。

模型部署：PyQt5离线GUI与FastAPI在线API共用同一LightGBM后端，支持滑块调参与程序化调用。

讨论与结论翻译总结：研究人员指出，既有文献少将物理材料交互显式编码并以多层统计检验闭环验证。本文贡献为（1）领域驱动特征经SHAP验证主导性；（2）20折CV+Wilcoxon+bootstrap+残差诊断的多级验证；（3）Yeh集上R²=0.959/RMSE=3.47 MPa的量化优势；（4）开源PyQt5与FastAPI双端工具。结论认为，系统特征工程与树集成融合显著提升混凝土CS预测精度，Age-Cement Interaction与Cementitious-to-Water Ratio为关键物理驱动；该可解释框架降低对耗时实验室试验依赖，支持更安全高效的配合比设计，并已通过双平台部署至工程实践。论文发表于《Scientific Reports》。