可解释的集成机器学习方法用于可靠的地混凝土抗压强度预测：一个验证与不确定性评估框架

《Scientific Reports》：Explainable ensemble machine learning for reliable concrete compressive strength prediction: a validation and uncertainty assessment framework

　　

摘要

获得混凝土抗压强度的高精度估算对于安全且经济的结构设计至关重要。然而，混合物组分与强度发展之间的高度非线性关系限制了传统回归和经验模型的应用能力。本研究基于机器学习（ML），利用易于获得的配合比设计参数（水、水泥、砂、粗骨料和养护龄期）来开发预测模型，以估算混凝土的抗压强度。评估了六种机器学习模型，包括随机森林（RF）、XGBoost、CatBoost、LightGBM、梯度提升（Gradient Boosting）和堆叠集成（Stacking Ensemble），采用80/20的训练-测试划分以及10折交叉验证方法进行测试。本研究的创新之处在于建立了一种工程导向的验证框架，该框架整合了集成学习、独立的外部验证、不确定性量化、可解释性分析以及使用常见混凝土配合比参数的实际部署方法。结果显示，堆叠集成模型的性能最佳，其指标为R2 = 0.9245、MAE = 2.8561和RMSE = 4.3892；而梯度提升模型在交叉验证中的稳定性最高（R2 = 0.9244）。外部验证证实了模型的良好泛化能力，但由于材料特性和数据集分布的差异，其性能略有下降。这些发现表明，集成机器学习模型能够有效捕捉非线性的强度变化，并在相似的混凝土条件下提供可靠的预测结果。