一种可解释的机器学习框架，用于利用元启发式优化的XGBoost算法预测可持续钢渣-粉煤灰SMA混合物中的气孔含量

《Buildings》：Interpretable Machine Learning Framework for Predicting Air Void Content in Sustainable Steel-Slag SMA Mixtures Using Metaheuristic-Optimized XGBoost

　　

摘要

空气孔隙含量（Va）是决定石脂沥青（SMA）性能的关键体积参数，但在加入钢渣、纤维和添加剂后，其预测变得具有挑战性。本研究开发了一个可解释的机器学习框架，使用来自16项已发表研究的74种混合物和9个相关混合变量来预测Va。通过粒子群优化（PSO）和灰狼优化器（GWO）对XGBoost进行了优化，最佳配置为种群规模为40，最小开发阶段5折交叉验证（CV）的RMSE为0.371%。在主要的70/30评估分割中，优化模型的R2值为0.944，RMSE为0.397%，MAE为0.262%，MAPE为0.054，在R2、RMSE、MAE和MAPE方面均优于评估的基准模型。稳健性分析表明，预测准确性对数据分割和文献来源组成敏感，这意味着报告的性能应在所代表的数据范围内进行解释。SHAP、置换重要性和特征消融分析一致认为粘结剂渗透率是最有影响力的预测因子，其次是沥青含量和软化点。总体而言，所提出的框架为初步Va估算和混合物筛选提供了一个可解释的工具，但在实际应用之前仍需进行独立的实验室和现场验证。