Integrating interpretability, using hybrid data-driven ensemble learning, and optimization framework for concrete strength prediction

doi:10.1007/s41939-025-01124-3

2025-12-13

PRE

Jia He *

王

王钦 (Qin Wang)

DOI：10.1007/s41939-025-01124-3

原文链接

原文求助

摘要

En 中文

混凝土抗压强度是结构性能、耐久性和安全性的预测指标。最佳强度预测是实现最佳配合比设计、最大结构可靠性和最低施工成本的要求。混凝土强度受多种配合比组分的影响；这些组分间的相互作用是非线性的，限制了基于经验及回归的方法的应用。为弥补这些问题，本研究采用高性能机器学习（ML）模型，并结合数据驱动的优化策略，以准确预测混凝土抗压强度。混凝土组成和龄期的数据被分为80%的训练数据和20%的测试数据，并采用Standard Scaler归一化处理以增强模型鲁棒性和学习效率。通过算术优化算法（AOA）优化开发了ML模型，以获得最佳预测性能。本研究的新颖之处在于应用AOA优化集成ML模型，其相比遗传算法（GA）等传统优化器具有更快的收敛速度、更高的准确性和更强的泛化能力。在AOA优化的模型中，CatBoost表现最佳，预测抗压强度时，与实验值相比，89.81%的测试数据误差在±20%以内，R²为0.983，MAE为2.635，同时也优于其GA优化的对应模型，达到a20_index的78.64%，R²为0.8798。此外，利用排列重要性分析和可解释人工智能（XAI）结果，将模型预测与水化化学和配合比设计原理相联系，提供了工程可实施的推荐方案。这种技术组合在建筑材料信息学领域具有创新性。结果表明，基于ML的预测可以减少实验工作量，优化资源利用，并在实际建筑环境中实现稳健、经济且可持续的混凝土配合比设计。

Keyword:

Predicting concrete compressive strength

Feature importance

Explainable artificial intelligence

Arithmetic optimization algorithm