混合参数和材料属性对低碳自密实混凝土流动行为的影响:基于可解释机器学习的方法

《Journal of Building Engineering》:Influence of Mixture Parameters and Material Properties on the Flow Behavior of Low-Carbon Self-Consolidating Concrete Using Explainable Machine Learning

【字体: 大 中 小 】 时间:2026年01月03日 来源:Journal of Building Engineering 7.4

编辑推荐:

  自密实混凝土(SCC)流动性能预测面临非线性交互和标准化数据不足的挑战。本研究构建混合可解释AI框架,整合SHAP/LIME解释技术与遗传编程优化,基于1577组文献数据开发了预测模型,R2值达0.56-0.80,揭示了水泥成分、减水剂掺量及粗集料含量为主导因素。该方法兼顾定量精度与物理可解释性,为低碳混凝土配比优化提供新路径。

  
阿卜杜勒哈米德·哈菲迪(Abdelhamid Hafidi)|贝努瓦·希卢兰(Benoit Hilloulin)|伊尔哈梅·哈尔布兹(Ilhame Harbouz)|艾哈迈德·卢基利(Ahmed Loukili)|阿马尔·亚希亚(Ammar Yahia)
法国南特大学(Nantes Université)、南特中央理工学院(Ecole Centrale Nantes)、法国国家科学研究中心(CNRS)、GeM团队、UMR 6183实验室,F-44000南特,法国

摘要

由于材料成分之间的高度非线性相互作用以及缺乏标准化的实验数据,预测自密实混凝土(SCC)的流动行为仍然是一个持续的挑战。在这项研究中,我们提出了一个混合式的、可解释的AI框架,该框架结合了机器学习解释技术(如SHAP、LIME)和基于遗传编程的模型优化方法,利用包含1,577种混合物的文献数据库来准确预测SCC的流动特性。优化后的模型在J环流动直径方面的决定系数为R2=0.72,在V型漏斗流动时间方面的决定系数为0.80,在L型盒子比例方面的决定系数为0.56,在抗分离能力方面的决定系数为0.79。模型可解释性分析表明,水泥成分、减水剂用量和粗骨料含量是控制SCC流动行为的主要因素。这项工作证明了将可解释的AI与遗传编程相结合可以同时实现定量准确性和物理可解释性,为可持续和低碳混凝土配方的数据驱动优化提供了一条可复制的途径。

引言

自密实混凝土(SCC)的发展标志着建筑行业的一项重大创新。SCC能够在自身重量的作用下流动,无需机械振动即可填充复杂的钢筋区域和模具角落,从而减少了劳动力、噪音和能源消耗,同时产生了高度耐用和致密的结构。如今,SCC被广泛用于预制和现场施工应用。SCC的起源可以追溯到奥卡穆拉(Okamura)的开创性工作[1],随后由奥卡穆拉和奥uchi[2]进一步改进,形成了所谓的“日本方法”。这种方法将骨料与砂的比例固定为1,并限制了总骨料含量,从而提高了浆体的体积和流动性。然而,这种方法往往会导致过高的强度和材料消耗,增加了SCC的环境影响。为了克服这些缺点,苏等人[3]和苏与苗[4]提出了“中国方法”,该方法侧重于优化骨料的堆积密度,并用浆体填充剩余的空隙。这种方法允许使用更低的胶凝剂含量,并更多地加入填充剂和辅助胶凝材料(SCMs),从而在保持高性能的同时降低了成本和碳排放。
随着对可持续性的日益重视,预测和优化SCC的新鲜状态性能已成为关键的研究课题。许多研究探索了使用人工智能(AI)和机器学习(ML)技术来预测这些性能。Douma等人[5]表明,即使是一个具有17个隐藏层的简单前馈人工神经网络(ANN),也能准确预测坍落度流动、L型盒子比例、V型漏斗流动时间和28天抗压强度,展示了ANN捕捉复杂非线性关系的能力。Ali等人[6]应用了基于决策树的算法,包括M5′模型树和多变量自适应回归样条(MARS),对114种含有粉煤灰的实验混合物进行了测试。这两种模型表现都很好,尽管MARS提供了稍高的准确性,而M5′因其可解释性和实际应用中的易用性而更受青睐。Saha等人[7]比较了支持向量回归(SVR)、ANN和多变量回归(MVR)模型,得出结论认为使用指数径向基核的SVR具有最低的统计误差和最高的预测准确性。他们的敏感性分析证实,胶凝剂含量、粉煤灰百分比和骨料比例显著影响了SCC的新鲜状态和硬化状态性能。同样,Azimi-Pour等人[8]开发了支持向量机(SVM)模型来预测不同粉煤灰体积(低、变量和高体积SCC)的性能。通过优化核参数并使用标准化输入向量(例如w/b),他们证明了SVM模型在不同SCC配方中实现了更高的准确性和泛化能力。总体而言,这些研究突显了ML技术(如ANN、MARS、M5′和SVM/SVR)在预测SCC性能方面的巨大潜力。然而,大多数现有研究存在三个关键限制,限制了它们在稳健SCC设计中的实用性。首先,使用的数据集通常包含不到几百种混合物,严重限制了模型的泛化能力。其次,普遍缺乏可解释性,因为许多机器学习模型像黑箱一样,无法提供关于预测因子物理意义的深入见解。最后,缺乏系统的特征分析,意味着水泥成分、骨料特性和外加剂的综合效应尚未得到充分理解。
尽管在SCC建模中广泛使用了ML,但之前没有研究开发出一种既能准确预测SCC流动特性,又能识别混合参数相对重要性及其工程影响的可解释和可解释框架。特别是,控制J环流动直径、V型漏斗流动时间、L型盒子比例和抗分离能力(SR)的关系仍然缺乏量化,这通常是由于数据异质性和缺乏关键描述符(如骨料形态或外加剂化学成分)所致。本研究通过引入一种混合建模框架来解决这些不足,该框架结合了可解释的机器学习(SHAP和LIME)和基于遗传编程的模型优化。使用从文献中编译的包含1,577种SCC混合物的大规模数据库来(i)开发SCC新鲜状态特性的预测模型,(ii)量化每个输入参数的敏感性,以及(iii)为混合优化提供工程指导。所提出的方法提供了定量性能指标和对SCMs、骨料和外加剂如何共同影响流动行为的可解释性见解。这项研究有助于弥合数据驱动建模与SCC设计科学理解之间的差距,为低碳、高性能混凝土配方的开发铺平了道路。
流动特性对于确保SCC和低碳SCC(LCSCC)的良好工作性至关重要。本节根据欧洲标准[9]定义了本研究中讨论的所有流动特性。
J环测试(EN 12350: 第12-2010部分):该测试用于测量SCC的通过能力。使用带有J环的坍落度流动装置进行测试,将圆锥体放入J环内,然后垂直提升,使混凝土自由流动。J环的值是使用[10]中提到的特定公式计算得出的。
V型漏斗测试(EN 12350: 第9-2010部分):该测试用于测量SCC的粘度和填充能力。在V型漏斗中填充新鲜混凝土,并记录混凝土流出的时间作为V型漏斗流动时间(t?)。通过测量填充后5分钟完全排空漏斗所需的时间(t?)来评估混合物的稳定性。如果t?和t?之间的差异在3秒或以内,则认为混合物具有良好的抗分离能力。然而,本研究仅考虑了t?(初始流动时间)。
L型盒子测试(EN 12350: 第10-2010部分):该测试用于确定SCC通过紧密开口而不发生分离或堵塞的能力。在L型盒子中填充新鲜混凝土,然后允许垂直部分通过垂直钢筋之间的间隙水平流动。然后测量混凝土超出钢筋的高度。
分离是指粗骨料在新鲜混凝土中从砂浆中分离的趋势,这仍然是一个重大挑战。这个问题可能会对结构的强度和耐久性产生各种负面影响[11]。鉴于许多建筑工人缺乏专业技能[12],仔细控制混合物设计以确保高质量的建筑结果至关重要。抗分离能力指的是混凝土混合物保持粗骨料均匀分布的能力。

部分摘录

建模方法

建模方法在流程图(图1)中进行了总结,突出了四个关键步骤:
  • 步骤1 - 数据收集:数据库包含25个输入参数和5个输出参数,分别是坍落度流动、J环测试、V型漏斗测试、L型盒子测试和抗分离能力。为了评估这些建模流动特性对输入变化的敏感性,数据库被手动分为三个主要组:水泥特性(氧化物)、混合比例和骨料特性(例如细度模数)。
  • 步骤2 -
  • 机器学习模型

    选择GB、RF、XGB和LGBM学习算法是基于它们在处理结构化表格数据方面的效率和可解释性,这是SCC数据库的典型特征[16]、[17]。选择这些基于集成树的模型是因为它们在预测准确性、对噪声和非线性关系的鲁棒性以及与SHAP和LIME等解释工具的兼容性方面表现良好[18]、[19]。尽管更复杂的深度学习模型可能实现略微更高的

    相关系数(R2)

    决定系数(表示为)是一种统计度量,表示一个变量的变化有多少可以由另一个变量的变化来解释。它的范围是从0到1,其中1表示所有变化都得到了完美解释,而0表示没有变化得到解释。它是通过比较模型预测的变异性与实际数据的总变异性来计算的。较高的值表示模型与数据之间的拟合度更好

    局部可解释模型不可知解释(LIME)

    LIME是一种通过用更简单、更易解释的模型近似复杂模型来提高ML模型可解释性的技术。其目标是为特定预测提供可理解的解释。LIME通过生成可解释的数据表示(例如指示特征存在与否的二进制向量)来实现这一点。
    它通过优化一个同时考虑模型保真度和可解释性的损失函数来平衡这两者之间的权衡。

    模型结果

    采用了四种ML模型来评估LCSCC的流动特性对各种混合参数和材料特性的敏感性,如方法中所述。每个ML模型使用不同的输入组进行了五次训练,每个组代表一类不同的参数。对每种模型-输入组合进行了超参数优化,以提高准确性。
    ML模型在大多数与流动相关的

    结论

    本研究为低碳自密实混凝土(LC-SCC)流动特性的建模和理解提供了科学依据。通过开发一个结合了严格的数据预处理、模型优化和可解释AI技术(SHAP、LIME)的结构化机器学习框架,研究表明数据驱动的方法可以产生准确且可解释的SCC流变学预测。从定量角度来看,所提出的模型实现了

    CRediT作者贡献声明

    阿卜杜勒哈米德·哈菲迪(Abdelhamid Hafidi):撰写——原始草稿、可视化、软件开发、调查、数据分析、数据管理。伊尔哈梅·哈尔布兹(Ilhame Harbouz):撰写——审稿与编辑、验证、监督。贝努瓦·希卢兰(Benoit Hilloulin):撰写——审稿与编辑、验证、监督、概念化。阿马尔·亚希亚(Ammar Yahia):撰写——审稿与编辑、监督、资源管理、项目行政。艾哈迈德·卢基利(Ahmed Loukili):撰写——审稿与编辑、监督、资源管理、项目行政

    利益冲突声明

    ? 作者声明以下财务利益/个人关系可能被视为潜在的利益冲突:阿卜杜勒哈米德·哈菲迪报告称获得了加拿大自然科学与工程研究委员会(Natural Sciences and Engineering Research Council of Canada)的财务支持。如果有其他作者,他们声明没有已知的财务利益或个人关系可能影响本文报告的工作。

    致谢

    作者希望感谢Edycem公司和舍布鲁克大学(University of Sherbrooke)的NSERC工业讲席提供的研究奖学金/资助,以支持这项研究。
    相关新闻
    生物通微信公众号
    微信
    新浪微博
    • 搜索
    • 国际
    • 国内
    • 人物
    • 产业
    • 热点
    • 科普

    热点排行

      今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

      版权所有 生物通

      Copyright© eBiotrade.com, All Rights Reserved

      联系信箱:

      粤ICP备09063491号