
-
生物通官微
陪你抓住生命科技
跳动的脉搏
基于机器学习的工程水泥基复合材料乳酸钙自修复裂缝宽度预测研究
《Scientific Reports》:Explainable machine learning quantification and optimization of self-healing bacterial concrete for crack reduction in RC structures
【字体: 大 中 小 】 时间:2026年09月18日 来源:Scientific Reports 4.9
编辑推荐:
摘要混凝土是现代文明的关键材料;尽管受到广泛批评,如何提高其耐久性仍是一个重大的可持续发展问题。混凝土结构中的裂缝普遍存在,且随时间推移显著恶化,导致反复且昂贵的修复。虽然许多人工智能(AI)技术已被用于预测各种混凝土性能,但利用AI预测工程水泥基复合材料的自修复能力尚不常见
混凝土是现代文明的关键材料;尽管受到广泛批评,如何提高其耐久性仍是一个重大的可持续发展问题。混凝土结构中的裂缝普遍存在,且随时间推移显著恶化,导致反复且昂贵的修复。虽然许多人工智能(AI)技术已被用于预测各种混凝土性能,但利用AI预测工程水泥基复合材料的自修复能力尚不常见。为此,开发了四个机器学习(ML)模型来预测乳酸钙的自修复能力。为预测愈合后裂缝宽度(CWAH),从文献中收集了344个数据点,包含七个影响因素:水泥用量、细骨料、粗骨料、水含量、乳酸钙、细菌孢子含量以及CWAH。这些数据点被分为两组:训练集(80%)和测试集(20%)。为评估所开发ML模型的有效性,采用了多种性能指标,包括R2、MSE、RMSE、MAE和MedAE。在测试阶段,确定了最佳优化的ML模型(直方图梯度提升),其R2=0.967,MSE=0.002,RMSE=0.0471,MAE=0.0307,MedAE=0.0154。相比之下,典型的线性回归模型无法满足这一条件,产生了许多负预测值。敏感性分析结果表明,乳酸钙对自修复后的裂缝宽度影响最为显著。HGBR表现出最高的预测精度,其中乳酸钙是裂缝愈合中最具影响力的因素。这些提出的ML模型可作为预测最终CWAH的前沿替代方案,使工程师能够分析裂缝减少潜力。