通过集成生命周期评估,利用可解释人工智能进行三维打印纤维增强混凝土的生态高效设计

《Engineering Applications of Artificial Intelligence》:Explainable artificial intelligence for eco-efficient design of three-dimensional printed fiber-reinforced concrete through integrated life cycle assessment

【字体: 大 中 小 】 时间:2026年10月23日 来源:Engineering Applications of Artificial Intelligence 9.0

编辑推荐:

   # 数据驱动的三维打印纤维增强混凝土设计:准确强度预测、透明解释、不确定性评估与环境评价 ## 摘要 数据驱动的三维打印纤维增强混凝土设计需要准确的强度预测、透明的解释、不确定性评估和环境评价。本研究将机器学习、可解释人工智能、蒙特卡洛模拟、Sobol敏感性分析、摇篮到大

  

# 数据驱动的三维打印纤维增强混凝土设计:准确强度预测、透明解释、不确定性评估与环境评价

## 摘要

数据驱动的三维打印纤维增强混凝土设计需要准确的强度预测、透明的解释、不确定性评估和环境评价。本研究将机器学习、可解释人工智能、蒙特卡洛模拟、Sobol敏感性分析、摇篮到大门生命周期评估和Pareto筛选应用于六项已发表研究中的225个观测数据。CatBoost在20%随机保留集上取得了最佳性能,决定系数为0.9319,均方根误差为9.056 MPa,平均绝对误差为7.367 MPa。Shapley加性解释将硅灰、水灰比和含水量列为主要预测因子,平均绝对贡献分别为6.881、6.745和6.400 MPa。本地可解释模型无关解释产生了稳定的排名,但局部保真度中等,代理模型的决定系数范围为0.579至0.642。蒙特卡洛分析得出平均强度为75.64 MPa,中位数为87.73 MPa,预测范围为25.64至141.05 MPa。Sobol分析将水灰比确定为方差的主要驱动因素,一阶和总阶指数分别为0.609和0.644。平均隐含碳从聚丙烯纤维的603.55千克二氧化碳当量每立方米到钢丝纤维的723.62千克不等。Pareto筛选从1125次评估中识别出39个有效解,一个平衡候选方案在510.67至548.49千克二氧化碳当量每立方米下达到116 MPa。该工作流展示了已实施的人工智能应用,用于对高强度、低碳三维打印混凝土混合物进行透明筛选。

## 引言

挤出式三维混凝土打印(3DCP)比传统浇筑实现了自动化放置、减少模板依赖和更大的几何灵活性(Iqbal等人,2025;Chen等人,2026a;Albostami等人,2025)。逐层沉积必须平衡泵送性、挤出性、形状保持、叠层、层间粘附和硬化性能(Albostami等人,2025),使得混合物设计远比浇筑混凝土复杂(Tang等人,2024)。水灰比、胶凝材料含量、辅助胶凝材料、外加剂和骨料特性决定了流变学、水化、孔隙率和强度,而打印速度、喷嘴几何形状、层高和层间时间决定了粘结和力学响应(Albostami等人,2025;Chen等人,2026b)。叠层不足会导致变形,过高的刚度会妨碍挤出,层间缺陷或沉积引起的不均匀性可能产生方向依赖性行为。

纤维掺入改善了抗裂性、拉伸响应和开裂后承载力,但挤出沿打印方向对齐了纤维,使纤维长度、直径、用量、纵横比和取向对性能至关重要(Tang等人,2024;Zhang等人,2021)。高纤维含量提高了挤出阻力和堵塞风险,因此单凭抗压强度无法确定可打印性。可持续性同样取决于混合物组成:消除模板和减少废料可以降低资源使用,但可打印混合物通常需要大量水泥、细料和外加剂(Huang等人,2026;Motalebi等人,2023)。先前的生命周期评估表明,环境性能取决于混合物组成、再生含量、运输、电力、系统边界和比较基准(Uddin等人,2026),因此可持续性声明需要明确的功能单位、边界和不确定性处理,而非假设3DCP天然低碳。

三维打印纤维增强混凝土(3DP-FRC)的实验优化是资源密集型的,因为混合物和纤维变量呈非线性相互作用。机器学习(ML)提供了一种高效的互补方法,用于预测抗压强度并筛选候选配方。Izadgoshasb等人(2021)评估了3D打印砂浆的ML算法;Ghasemi和Naser(2023)为3D打印混凝土预测添加了基于SHAP的解释;Uddin等人(2023)建立了3DP-FRC抗压强度和抗弯强度的可解释模型;Alyami等人(2024)和Arif等人(2024)进行了比较ML和可解释性研究;Liu等人(2025)联合优化了强度和CO?排放;Abdellatief和Saqr(2026)在文献数据库上比较了SVR、ANN和梯度提升(表1)。这些研究大多强调预测准确性和特征重要性;对验证、预测因子依赖性、不确定性、环境影响、成本和多目标筛选的联合处理仍然有限。SHAP(Lundberg和Lee,2017)和LIME(Ribeiro等人,2016)量化了预测因子贡献,但不应被解读为实验因果关系:相关性预测因子共享信息并重新分配归因(Aas等人,2021),这在含水量、水灰比和胶凝材料成分在数学上相关时尤为重要。

仍存四个方法论差距。第一,文献数据库存在来源级依赖性,因此观测级随机分割可能将相关观测放在分割两侧,意味着测试性能反映的是样本级插值而非对未见出版物的泛化(Roberts等人,2016)。第二,预测因子依赖性使解释复杂化:含水量遵循W = (w/b) × B,尽管基于树的模型可以容忍冗余预测因子,但冗余并不能消除归因歧义,因此SHAP和LIME需要相关性、交互、分组归因和消融分析来配合。第三,不确定性有不同来源——配方变异性、模型估计不确定性、残差误差和蒙特卡洛采样误差——不应混为一谈。第四,环境优化需要明确的功能单位、边界、运输和排放因子假设,仅凭基于强度的优化无法建立数据库中没有的流变学、挤出性、可施工性、层间粘结、各向异性、耐久性和结构性能。

本研究开发了一个可解释的、不确定性感知框架,使用六项已发表研究的225个观测数据和12个预测因子,评估3DP-FRC的抗压强度和生态效率,其中一项研究提供了53.3%的数据,强调了在观测级验证中需要谨慎。主要贡献如下:

1. 通过统计分布、预测因子依赖性、矩阵秩、VIF和重复配置特征化数据库。
2. 在共同的180/45分割上比较评估AdaBoost、随机森林、MLP和CatBoost,预处理和调优仅限于训练数据。
3. 将分割视为观测级随机划分,将测试性能报告为数据库内预测,而非研究感知泛化。
4. 通过Pearson/Spearman相关性、VIF、消融、重复交叉验证、学习曲线、SHAP、LIME、交互和分组归因评估稳定性和归因。
5. 进行100,000样本蒙特卡洛分析,使用高斯相关结构分别量化配方变异性、模型估计不确定性、残差误差和数值收敛,从w/b和胶凝材料含量重建含水量。
6. 应用Sobol敏感性分析和摇篮到大门A1–A3生命周期评估,针对每立方米硬化3DP-FRC进行环境不确定性分析,以识别强度-碳权衡。

所得混合物区域是候选的、数据支持的筛选范围,而非通用可打印性规范;对流变学、挤出性、可施工性、层间粘结、各向异性、耐久性和结构性能的验证仍然必要。

## 数据收集与筛选

实验数据库是从关于三维打印纤维增强胶凝材料的六项已发表研究(Ma等人,2019;Arunothayan等人,2021;Ye等人,2021;Pham等人,2020;Van Der Putten,2021;Yu等人,2021)中重建的。这些研究涵盖了不同的胶凝材料体系、纤维几何形状、纤维用量和实验条件。所得数据库因此代表了池化多源数据集,而非来自单一来源的观测。

## 计算框架

预测分析将12个数值混合物变量映射到抗压强度:

? = f(x), x = [OPC, Sand, w/b, FA, GS, SF, SP, HPMC, W, V, fd, fl, f]

其中x?表示第i个观测的预测因子向量,CS?表示相应的抗压强度。比较了四种回归算法:AdaBoost(Freund和Schapire,1997)、随机森林(Breiman,2001)、多层感知器神经网络(Rumelhart和Hinton,1986)和CatBoost(Prokhorenkova等人,2018)。

## 比较预测性能与最终模型选择

表7比较了AdaBoost、随机森林、神经网络和CatBoost在相同180/45数据分割、预测因子集和预处理框架下的训练和保留测试性能。这种共同评估结构使得四种模型可以直接比较,而无需考虑数据分配或输入表示的差异。

CatBoost取得了最强的整体训练性能,决定系数为0.9447,均方根误差为7.631 MPa,平均绝对误差为5.924 MPa,紧随其后的是随机森林。

## 结论

本研究开发了一个集成的数据驱动框架,用于预测、解释和环境评估三维打印纤维增强混凝土的抗压强度。该框架结合了CatBoost回归、SHAP、LIME、蒙特卡洛模拟、Sobol敏感性分析、摇篮到大门生命周期评估、Pareto筛选和图形用户界面,使用来自六项已发表研究的225个观测数据和12个配方变量。

1. CatBoost在保留集上取得了最佳性能,决定系数为0.9319,均方根误差为9.056 MPa,平均绝对误差为7.367 MPa。

## CRediT作者贡献声明

Suhaib Rasool Wani:可视化、软件、形式分析、概念化。Ali Alhawiti:监督、资源、项目管理、调查、经费获取。Harish Panghal:撰写—审阅与编辑、可视化、验证、资源、形式分析。

## 伦理批准

每位作者都证明,本文此前未发表,也未在其他期刊审稿中。

## 出版同意

本研究作者同意发表本文。

## 资助

作者明确表示,他们在创作过程中未从任何来源获得财务援助或资助。

## 利益冲突声明

作者声明他们没有任何已知的可能影响本论文所报告工作的竞争性经济利益或个人关系。

## 致谢

作者衷心感谢印度旁遮普邦莫哈利的CGC大学先进研究与创新中心和沙特阿拉伯塔布克大学土木工程系以及智利圣地亚哥天主教大学工程与建设管理系提供的机构支持和研究设施。作者还感谢使用开放获取科学存储库和数据库进行数据收集。

Suhaib Rasool Wani | Ali Alhawiti | Harish Panghal
相关新闻
生物通微信公众号
微信
新浪微博

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