含再生废弃物的混凝土在高温下抗压强度预测的机器学习算法

《Array》：Machine Learning Algorithms for Predicting Compressive Strength of Concrete Containing Recycled Wastes at Elevated Temperatures

　　

准确预测含再生废弃物的混凝土经高温暴露后的抗压强度对火灾后结构评估至关重要。然而，现有基于常规混凝土推导的设计与经验关系难以充分捕捉配合比组成与热暴露的非线性效应。此外，已有机器学习研究多聚焦于单一废弃物材料、有限数据集或窄算法范围，亟需更全面的预测框架。研究人员基于8项已发表研究中513条25–800 °C的实验记录构建综合机器学习框架，考虑温度、水胶比（W/C）、胶凝材料用量、细骨料、粗骨料、再生骨料及再生细骨料类型共7个输入参数。在80/20训练-测试划分下，采用相同随机超参数搜索与十折交叉验证对7类模型族共14种算法调优。梯度提升（Gradient Boosting）取得最低单模型测试误差（均方根误差3.371 MPa，决定系数0.938），极端梯度提升（XGBoost）在八指标训练-测试综合评价中居首并被推荐为优选模型，其测试集决定系数0.932、均方根误差3.539 MPa，学习曲线显示具备泛化能力。在同测试集上，极端梯度提升较最优设计关系式降低均方根误差约16%，较最弱经验方程降低60%。沙普利加性解释（SHAP）识别温度为首要预测因子，其次为再生骨料与胶凝材料用量，水胶比影响最弱。最后提供开放获取网络工具实现即时预测与基于SHAP的个案解释。

研究背景方面，建筑业是全球固体废弃物主要来源之一，将再生混凝土骨料、玻璃、陶瓷、塑料、橡胶粉等废弃物掺入混凝土兼具环境可持续性与工程潜力。但废弃物骨料混凝土组分异质、各相热学性质差异大，高温下因水泥基质脱水、浆骨热膨胀失配及微裂纹扩展导致残余抗压强度显著退化，传统实验室试验与经验公式难以刻画配合比、温度、废弃物类型耦合的高度非线性行为。既有机器学习研究常受限于单一废料、小样本、少算法，缺乏可覆盖宽温域与多废料类型的基准框架。为此，研究人员从8篇同行评审实验研究中整理513条含再生细骨料（玻璃粉243条、陶瓷粉225条、橡胶粉25条、塑料20条）混凝土在24–800 °C（均值356.81 °C）暴露后的残余抗压强度记录，输出为2.20–59.78 MPa（均值34.59 MPa），输入涵盖温度、水胶比（0.42–0.53）、胶凝材料（295–479 kg/m³）、细骨料（323.33–784.00 kg/m³）、粗骨料（742–1569 kg/m³）、再生骨料（0–330 kg/m³）及再生细骨料类型七维特征，经去重与物理合理性筛选后无缺失值，以此开展系统建模。

关键技术方法上，研究人员采用七维物理完备特征集，对类别型再生细骨料类型做编码处理；将513样本按80/20划分为训练集（410）与测试集（103）；超参数调优统一使用RandomizedSearchCV（25组候选、十折交叉验证、随机种子42）；基准覆盖线性与正则化线性（LR、RR、Lasso）、实例基（KNN）、单树（DT）、装袋集成（RFR）、提升集成（AdaBoost、Gradient Boosting、XGBoost、CatBoost）、核方法（SVR）、概率（GPR）、神经网络（ANN）及异质元集成（Voting Regressor）共14算法；评价采用R²、调整R²、RMSE、MAE、MAPE、WMAPE、VAF、RSR八指标并结合REC曲线、AOC、Score Analysis、Taylor图、学习曲线；可解释性使用SHAP（Shapley Additive Explanations）；并开发图形用户界面（GUI）工具。

研究结果部分，2.1数据库小节说明数据源自八项独立实验计划，温度覆盖火灾相关区间（270条≥400 °C），通过描述统计、Pearson相关（温度与强度r=-0.52、再生骨料r=0.30）及方差膨胀因子（细骨料21.777、再生骨料13.732、粗骨料11.238呈高共线性但树模型不敏感）论证特征集完备性。2.3模型开发小节指出十四算法跨七族是有意基准设计，四提升法机制互异（AdaBoost指数损失、GB一阶残差、XGBoost含L1/L2与二阶信息、CatBoost有序提升原生处理类别），超参数表列明各模型最优值。3.1统计结果小节显示训练阶段DT与XGBoost R²达0.997但测试下滑，测试阶段Gradient Boosting以RMSE 3.371 MPa、R² 0.938、MAE 2.493 MPa居首，XGBoost次之（RMSE 3.539 MPa、R² 0.932），RR/Lasso/SVR泛化弱。3.2可视化结果小节中REC曲线AOC值测试集GB 0.0712最低、XGB 0.0758次之；Score Analysis综合训练+测试总分XGB 210最高、DT 196、GB 181；Taylor图测试阶段XGB最接近参考点。3.4学习曲线小节中XGBoost与CatBoost训练-验证RMSE收敛且无发散，验证最终RMSE分别为1.773 MPa与2.490 MPa，证伪过拟合。3.5 SHAP分析小节表明六优模型中温度SHAP重要性均第一（高温负向贡献），再生骨料第二（XGB中胶凝材料第二），水胶比因数据集变幅窄（0.43±0.02）被列为最次要因子，与边际相关系数一致。3.7不确定性量化小节中GB测试不确定度4.20 MPa最低、XGB 4.24 MPa次之。

讨论与结论翻译部分，研究人员得出结论：在含再生废弃物混凝土高温后抗压强度预测任务中，提升类树模型尤其Gradient Boosting与XGBoost在精度与泛化上均优于传统经验式与线性/核/概率模型；XGBoost凭八指标综合得分最高被选为推荐模型，其测试RMSE较最优设计规范低约16%、较最弱经验方程低60%；SHAP解释揭示温度为支配性因子、再生骨料与胶凝材料次之、水胶比因数据变幅受限影响最弱，该排序与相关系数及物理机理一致；所建开放获取Web工具结合个案SHAP解释可支持火灾后结构评估的工程落地。该研究发表于《Array》，意义在于首次以513条跨八源多废料数据统一基准14算法，填补高温再生混凝土ML框架空白，并为配合比设计与耐火评估提供可解释数据驱动工具。

（注：全文未引文献标号与图号，上标下标以呈现，无HTML转义、无svg、无表格。）