CompMoE用于纤维增强超高性能混凝土可持续配合比优化的组合式混合专家神经网络

《Materials Today Advances》：CompMoE: Compositional mixture-of-experts neural network for sustainable mix optimization of fiber-reinforced ultra-high-performance concrete

　　

纤维增强超高性能混凝土(UHPC)具有优异的力学性能，但其高水泥用量和钢纤维掺量产生了可观的环境足迹。本研究提出了一种组合式混合专家(CompMoE)神经网络，用于预测纤维增强UHPC的28天抗压强度，并实现多目标可持续配合比优化。CompMoE引入了三种新颖机制，利用UHPC组分的物理-informed子系统分解，包括组合式注意力门控(CAG)，通过交叉注意力建模五个材料子系统之间的相互作用；物理-informed残差路径(PIRP)，将预测分解为线性分量和非线性专家路由残差；以及层次化专家多样性(HED)，将不同架构复杂度的专家分配给不同的组分区间。据研究人员所知，这是首个将混凝土配合比设计的组分结构直接嵌入网络拓扑的混合专家代理模型。在测试集上，CompMoE模型取得了决定系数(??²)为0.854、平均绝对误差(MAE)为9.05 MPa、均方根误差(RMSE)为12.76 MPa的性能，优于在相同数据划分上评估的基线模型。该训练后的代理模型与非支配排序遗传算法III(NSGA-III)多目标优化相结合，生成了帕累托最优纤维增强UHPC配合比，可同时平衡抗压强度、隐含CO₂排放和材料成本。从该帕累托前沿中，可通过多准则决策(MCDM)为三个目标分配相对权重来选出单一优选配合比。平衡膝点配合比实现了203 MPa的预测抗压强度，相较于数据库平均值，隐含CO₂排放减少28%，材料成本降低54%。该完整框架已部署为交互式基于网络的预测与优化工具。

**纤维增强超高性能混凝土可持续配合比优化研究解读**

**一、研究背景与问题提出**

纤维增强超高性能混凝土(UHPC)凭借其优异的力学性能和耐久性，在桥梁桥面铺装与接缝、抗震设计加固、抗爆结构等领域获得了广泛应用。然而，随着UHPC应用规模的扩大，其生产过程中的环境负担日益凸显。常规UHPC每立方米约含800至1100 kg硅酸盐水泥，隐含碳排放量通常为900至1200 kg CO₂-eq/m³，显著高于普通混凝土。其中，水泥是碳排放的主要贡献者；而体积掺量约2%的钢纤维约占总材料成本的30%和碳排放量的40%。为缓解这些环境和经济负担，研究人员持续探索利用粉煤灰、磨细高炉矿渣(GGBFS)和石灰石粉等辅助胶凝材料(SCMs)部分替代硅酸盐水泥的UHPC配合比方案。

然而，UHPC配合比优化是一个复杂的多变量设计问题，各组分、养护条件与抗压强度之间的关系高度非线性，传统回归方法难以准确捕捉。机器学习(ML)技术因此被广泛引入UHPC强度预测领域，从早期基于53至110组配合比小规模数据集的人工神经网络，逐步发展到包含931组配合比、17个输入变量的更大规模数据库，以及结合生成式数据增强的树集成模型和混合ML模型。尽管取得了进展，现有ML方法仍存在若干根本性局限。其一，数据集质量问题：许多研究依赖从多源汇总的数据，在SCM含量、纤维掺量和养护条件等关键变量上存在显著不平衡，且常包含超出典型UHPC范围的配合比。其二，架构局限：现有模型将输入特征向量视为无差别的数值集合，未识别混凝土配合比设计固有的组分结构。在UHPC中，胶凝组分通过火山灰反应和水化反应相互作用，纤维参数控制裂纹桥接机理，骨料特性决定颗粒堆积密度，养护条件影响水化速率和程度——这种层次化结构未被现有模型在架构层面加以利用。

混合专家(MoE)框架为弥合这一架构差距提供了途径，它通过学习的门控函数让多个专家子网络专攻不同输入区域。然而，MoE尚未被应用于混凝土或UHPC抗压强度预测，且标准MoE实现通常采用相同的专家架构、扁平输入表示和不编码领域特定结构的softmax门控，限制了模型在组分预测任务中的可解释性和表示效率。此外，现有将ML代理模型与多目标优化相结合的研究虽验证了ML驱动的可持续配合比设计的可行性，但所用代理模型主要是黑箱式树集成或浅层神经网络，均未将UHPC的组分结构编码进模型架构本身。

**二、研究内容与核心结论**

针对上述空白，本研究提出了CompMoE——一种用于纤维增强UHPC 28天抗压强度预测的组合式混合专家神经网络，并将其嵌入多目标优化框架以实现可持续且经济的配合比设计。CompMoE引入了三种新颖机制：组合式注意力门控(CAG)通过多头注意力建模子系统间相互作用；物理-informed残差路径(PIRP)通过可学习混合系数将预测分解为线性分量和非线性专家路由残差；层次化专家多样性(HED)为不同组分区间分配不同架构容量的专家。研究表明，CompMoE在预测精度、物理一致性和可解释性方面均优于现有基线模型；与NSGA-III耦合后生成的帕累托最优配合比可在强度、碳排放和成本之间实现有效平衡。

**三、关键技术方法**

研究人员使用了Malik等人汇编的全球纤维增强UHPC数据集，原始包含2188组配合比，经顺序过滤（排除缺失28天强度、非纤维增强、强度低于100 MPa、关键原材料缺失及含玻璃粉的配合比）后，最终得到1216组独特UHPC配合比，含31个输入特征和单一目标变量??_??。主要技术方法包括：(1) CompMoE架构，由子系统编码器、CAG模块、HED网络和PIRP四部分组成，将输入特征按胶凝材料、纤维、骨料、环境和测试五个物理子系统分解；(2) Regime-Specific Expert Initialization (RSEI)，通过??-means聚类对每个专家进行预训练以降低专家坍缩风险；(3) Optuna超参数联合优化；(4) NSGA-III多目标遗传算法，结合五个工程约束求解三目标优化问题。

**四、主要研究结果**

**4.1 CompMoE预测性能**

在测试集上，CompMoE模型取得??²为0.854、MAE为9.05 MPa、RMSE为12.76 MPa，优于线性回归(??²=0.483)、岭回归(??²=0.481)、10种子MLP集成(??²=0.832)和XGBoost(??²=0.834)。消融研究表明，移除CAG、HED或PIRP任一机制均导致性能下降。与传统经验公式相比，Abrams定律仅取得0.08的测试??²，扩展形式也仅达0.27。

**4.2 PIRP分解**

PIRP混合系数在十个集成种子上收敛至??=0.565±0.023，表明约57%的预测来自全局线性路径，其余来自非线性MoE分量。这一线性化效果归因于QuantileTransformer对输入特征的单调非线性变换。

**4.3 专家专业化与跨子系统注意力**

HED门控机制在无显式监督下将样本路由至不同复杂度专家：浅层专家主导47.3%的测试样本，残差专家主导39.1%，线性专家主导13.6%。CAG模块的跨子系统注意力权重在种子间变异性与偏差量级相当，研究人员未对个体注意力权重赋予物理解释。

**4.4 输入参数影响**

置换重要性分析显示，养护温度是最有影响力的变量(ΔMAE=6.0 MPa)，其次为试件最小尺寸(5.4 MPa)、纤维类型(4.9 MPa)、石英粉含量(4.7 MPa)和纤维增强指数(3.9 MPa)，水胶比(3.7 MPa)位列其后。该排序与混凝土科学既有认知一致。

**4.5 多目标优化结果**

NSGA-III优化产生90个非支配解，构成三维帕累托前沿，抗压强度范围为148至237 MPa。平衡膝点配合比预测强度203 MPa(95%区间168至239 MPa)，相对数据库平均值隐含CO₂减少28%、材料成本降低54%；最佳效率配合比通过SCM替代实现194 MPa强度，碳排放减少44%。水泥占四种策略总隐含碳的74%至90%，钢纤维为第二大贡献者(9%至24%)。

**4.6 帕累托前沿上的专家门控**

沿帕累托前沿，随预测强度增加，线性专家权重从约0.23降至0.19，残差专家权重从约0.15和0.21升至0.19和0.23，表明高强度配方需要更深层专家的更大表示容量。

**4.7 CompMoE-UHPC交互工具**

完整框架已部署为公开可访问的交互式网络工具，提供正向预测、逆向设计和基于TOPSIS方法的多准则决策三种模式。

**五、讨论与结论总结**

讨论指出，低碳优化方案中纤维含量偏低源于优化目标仅包含抗压强度，缺少对抗拉、抗弯和耐久性的考量；数据库来源异构限制了可达精度(测试??²≈0.83至0.85)；模型未提供闭式设计方程。研究得出以下主要结论：(1) PIRP混合系数显示，经分位数变换后文献汇总UHPC强度数据的主导趋势近似线性，但非线性修正仍然必要；(2) HED门控可无监督地将架构复杂度与组分复杂度匹配；(3) CompMoE在相同测试集上优于所有基线模型，且预测保持物理一致性并支持连续优化；(4) NSGA-III生成的90个帕累托最优配合比实现了强度、碳排放和成本的多目标平衡；(5) 低碳优化方案中的纤维含量受制于缺少拉伸和弯曲目标，需开发多性能代理模型作为下一步方向。