深度生成对抗网络与混合机器学习模型融合框架:预测纤维增强再生骨料混凝土劈裂抗拉强度的新方法

《Journal of Natural Fibers》:A Deep Generative Adversarial Network-Driven Framework with Hybrid Machine Learning Models for Predicting Split Tensile Strength of Fiber-Reinforced Recycled Aggregate Concrete

【字体: 大 中 小 】 时间:2026年04月03日 来源:Journal of Natural Fibers 3.1

编辑推荐:

  针对纤维增强再生骨料混凝土(FRRAC)劈裂抗拉强度(STS)预测面临实验数据有限、纤维与骨料作用复杂的难题,本研究提出一种集成深度学习数据增强与混合机器学习模型的新框架。利用深度生成对抗网络(DGAN)扩充数据集,构建了人工神经网络结合大猩猩部队优化(ANN-GTO)和灰狼优化(ANN-GWO)的混合模型。结果显示ANN-GTO预测性能最优(R2=0.95,RMSE=0.21)。通过SHAP和PDP分析增强了模型可解释性,并开发了用户友好的图形界面,为实际工程应用提供了高效、可靠的工具。

  
在追求可持续建筑材料的道路上,纤维增强再生骨料混凝土(Fiber-Reinforced Recycled Aggregate Concrete, FRRAC)因其能同时提升力学性能、环境效益和经济性而备受青睐。它通过在再生骨料混凝土中掺入离散纤维,来弥补再生骨料与基体间界面固有的薄弱环节,并通过纤维的桥接作用抑制裂缝扩展,从而提升材料的延性和抗拉性能。其中,劈裂抗拉强度(Split Tensile Strength, STS)是衡量混凝土抗裂能力和耐久性的关键指标,直接影响梁、板、路面等结构在受弯荷载下的安全与寿命。
然而,精准预测FRRAC的STS却是一项棘手的挑战。这主要源于两大瓶颈:首先,获取足量、高质量的实验数据成本高昂、过程耗时,导致数据集规模有限;其次,FRRAC的性能受到水泥含量、骨料特性、纤维类型与体积(FiVo)、外加剂等众多因素复杂相互作用的影响,传统经验模型难以准确捕捉这些非线性关系。尽管机器学习(Machine Learning, ML)方法为预测混凝土性能提供了新途径,但针对FRRAC的STS预测,尤其是结合先进优化算法和解决小样本问题的研究,仍然存在空白。
为此,一项发表在《Journal of Natural Fibers》上的研究,提出了一套创新的解决方案。该研究旨在克服数据稀缺的障碍,并开发高精度、可解释的预测模型,最终将其转化为实用的工程工具。研究人员构想并实现了一个融合深度学习和混合机器学习模型的综合性框架。
为了开展这项研究,作者运用了几个关键的技术方法。研究核心是基于一个包含259组实验数据的数据集,该数据集来源于已有文献,涵盖了水、水泥、天然骨料、再生骨料、超塑化剂、纤维等十余种特征参数。针对数据量不足的问题,研究采用了深度生成对抗网络(Deep Generative Adversarial Network, DGAN)进行数据增强,生成了10000组合成数据,并通过统计对比验证了其与原始数据分布的一致性。在模型构建上,研究开发了两种混合模型:将人工神经网络(Artificial Neural Network, ANN)分别与灰狼优化(Gray Wolf Optimization, GWO)和大猩猩部队优化(Gorilla Troops Optimization, GTO)算法耦合,形成了ANN-GWO和ANN-GTO模型,用于优化ANN的权重和超参数。模型训练使用合成数据,测试则使用真实的实验数据。为了评估模型,研究采用了包括决定系数(R2)、均方根误差(RMSE)在内的多种统计指标,并进行了10折交叉验证。为增强模型透明度,研究采用了SHapley Additive exPlanations(SHAP)值和部分依赖图(Partial Dependence Plots, PDPs)进行特征重要性分析和单变量效应解读。最后,研究基于最优模型开发了一个图形用户界面(Graphical User Interface, GUI),以便工程人员快速进行STS预测。
研究结果部分展示了该框架的详细产出和验证过程。
评估DGAN生成的合成数据:通过比较合成数据与实验数据的统计指标(如均值、标准差)以及皮尔逊相关性,发现两者高度相似。例如,STS与超塑化剂(SP)的相关系数在真实数据中为+0.41,在合成数据中为+0.36。Kolmogorov-Smirnov检验的最大差异统计量也表明,多数变量的分布对齐良好,验证了DGAN生成数据的可靠性和保真性,使其能够有效用于模型训练。
回归分析:通过绘制训练(合成数据)和测试(实验数据)阶段的回归散点图,评估模型的预测一致性。ANN-GTO模型在训练和测试阶段的回归斜率分别为0.94和0.90,ANN-GWO模型则为0.90和0.86。这表明两个模型,尤其是ANN-GTO,能够很好地学习数据中的关系,并在未知的真实数据上保持较高的预测精度,未出现明显过拟合。
通过统计指标评估模型:综合性能评估显示,ANN-GTO模型在测试阶段表现最佳,其R2达到0.95,RMSE为0.21。ANN-GWO模型也表现良好,R2为0.89,RMSE为0.40。蜘蛛图直观对比表明,在所有评估指标上,ANN-GTO均优于ANN-GWO和基准ANN模型,展示了其卓越的预测能力和适应性。
K折交叉验证:采用10折交叉验证进一步检验模型的稳健性。ANN-GTO和ANN-GWO的平均R2分别为0.96和0.94,平均RMSE分别为0.29和0.44。结果证实了模型在不同数据子集上性能稳定,可靠性高。
SHAP解释:SHAP分析揭示了各输入特征对STS预测的贡献度。平均SHAP值显示,纤维体积(FiVo)是最重要的特征,其次是再生骨料最大粒径(DRCA(max))、再生骨料密度(ρRCA)和超塑化剂(SP)含量。SHAP摘要图进一步细化了特征影响的方向:例如,DRCA(max)和ρRCA的增加对STS有正面影响,而水(W)和再生骨料(RCA)含量的增加则倾向于产生负面影响。纤维体积(FiVo)与STS的关系则呈现复杂的非线性特征。
PDP解释:部分依赖图展示了单个特征对预测STS的边际效应。图像清晰揭示了一些关键趋势:STS随水含量增加而急剧下降;随水泥含量增加而上升;当超塑化剂含量超过约2.5-3后,STS出现陡增;纤维体积的增加在达到一定阈值后对STS有积极贡献;而再生骨料最大粒径在10-12.4毫米区间内增大会导致STS骤降,之后影响趋于平缓。这些发现与混凝土材料学的基本机理一致,例如水分过多会导致孔隙率增加和界面过渡区弱化,而纤维和超塑化剂能分别通过桥接作用和减水增强来提升性能。
用于实际应用的图形用户界面:为使研究成果便于工程应用,研究开发了一个图形用户界面。用户可在界面中输入如再生骨料含量、纤维类型、水泥含量等关键参数,即可即时获得STS的预测值。该工具降低了对抗裂强度评估对物理实验的依赖,提升了设计效率。
归纳研究结论和讨论部分,本研究成功构建了一个用于预测FRRAC劈裂抗拉强度的创新框架,并得出核心结论:首先,深度生成对抗网络能有效生成在统计分布和特征关联性上与真实数据高度一致的合成数据,为解决混凝土领域实验数据稀缺问题提供了可行方案。其次,所开发的混合机器学习模型,特别是ANN-GTO,展现了优异的预测性能(测试集R2=0.95),显著优于传统模型,证明了元启发式优化算法与人工神经网络结合的有效性。再者,通过SHAP和PDP分析,研究不仅实现了“黑箱”模型的可解释化,还定量与定性地揭示了影响STS的关键因素及其复杂作用规律,如纤维体积的核心贡献、水灰比的负面效应以及超塑化剂的性能增强阈值,这些发现与材料微观力学机理相符,为优化配合比设计提供了理论指导。最后,开发的图形用户界面将先进的机器学习模型封装为易用的工具,极大地促进了该研究成果在实际工程建设中的转化应用。
该研究的意义重大。在理论层面,它开创性地将深度生成对抗网络的数据增强能力与先进的元启发式优化混合模型相结合,应用于FRRAC的力学性能预测,拓宽了智能材料研究方法论。在实践层面,它提供了一种高精度、高效率且成本更低的STS预测替代方案,能够加速可持续混凝土材料的研发与应用进程,辅助工程师进行科学的配合比设计和性能预估,对推动建筑行业的绿色化、智能化发展具有积极价值。当然,研究也指出了当前模型的局限性,例如对训练数据范围外的参数预测可靠性可能下降,未来可通过纳入更广泛的数据集、探索其他混合模型(如基因表达式编程)以及将该框架应用于预测FRRAC的其他力学与耐久性指标,来进一步扩展和深化此项工作。
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