基于高斯过程回归(Gaussian Process Regression, GPR)的3D打印混凝土(3D Printed Concrete, 3DPC)抗压强度概率预测:不确定性分解与可靠性评估
《Materials Today Communications》:Probabilistic compressive strength prediction of 3D printed concrete via Gaussian process regression: Uncertainty decomposition and reliability assessment
编辑推荐:
研究人员采用带有自动相关性确定径向基函数核(Automatic Relevance Determination Radial Basis Function kernel, GP_ARD_RBF)的高斯过程回归(Gaussian Process Regressi
研究人员采用带有自动相关性确定径向基函数核(Automatic Relevance Determination Radial Basis Function kernel, GP_ARD_RBF)的高斯过程回归(Gaussian Process Regression, GPR)模型,对来源于24个实验项目汇总的254组3D打印混凝土(3D Printed Concrete, 3DPC)抗压强度(Compressive Strength, CS, 范围11.1–189.0 MPa)记录(含13个配合比设计特征)进行训练,并在30次独立的80/20随机划分下与7种确定性基线模型进行对比评估。GP_ARD_RBF取得R2与RMSE(Mean Squared Error, MSE开根号)结果,预测精度与四种主流集成模型(Ensemble Models)无统计学显著差异(Wilcoxon signed-rank检验, p>0.05),同时提供闭式近似校准的预测分布:90%及95%预测区间覆盖率(Prediction Interval Coverage Probability, PICP90, PICP95),以及30次划分下平均90%预测区间宽度(Mean Prediction Interval Width, MPIW90)为32.32 MPa。自动相关性确定(Automatic Relevance Determination, ARD)长度尺度识别出普通硅酸盐水泥(Ordinary Portland Cement, OPC)含量为主导特征(占归一化重要性的62.9%),并通过GP-SHAP归因分析得到收敛验证(Spearman秩相关系数ρ,p值);前四位主导特征(OPC含量、OPC强度等级、水胶比(Water-to-Binder ratio, W/B)、减水剂掺量(Water-Reducing Admixture dosage, WRA))贡献了总计86.5%的SHAP归因。不确定性分解得出学习到的偶然不确定性(aleatoric noise floor)为σnoiseMPa(固定为全局共享标量),及随组成变化的认知不确定性(epistemic component):富辅助胶凝材料(Supplementary Cementitious Materials, SCM)混合物表现出最高认知不确定性(6.58 MPa),指明该组成子空间需补充实验数据以降低预测误差。可靠性指标(Reliability Index, β)映射于W/B–OPC含量设计空间显示,fib Model Code目标β=3.8仅在低W/B(<0.28)且高OPC含量(>0.75)处可达;CS设计阈值为60 MPa时全网格最大β为1.54,揭示了GP认知不确定性对可达可靠性指标的影响。数据集与源代码公布于https://github.com/lucassivan/3DPC-GP。
论文解读:基于高斯过程回归的3D打印混凝土抗压强度概率预测及不确定性分解与可靠性评估
研究背景与意义
挤出式3D打印混凝土(3D Printed Concrete, 3DPC)已逐步从实验室原型走向承重墙体系、人行桥及多层住宅模块等实际工程应用,其免模板、减少建筑垃圾及兼容机器人制造的特点使其备受关注。3DPC抗压强度(Compressive Strength, CS)是打印结构元件的主要力学设计目标,但其需同时满足可挤出性与层间早期强度的"可打印性"约束,导致在较窄的水胶比(Water-to-Binder ratio, W/B)窗口内微小配合比波动即引起强度显著变化,使得传统试验优化成本高昂,从而推动数据驱动预测方法的发展。现有机器学习(Machine Learning, ML)方法(如XGBoost、LightGBM、CatBoost等梯度提升变种)虽在3DPC CS点预测上取得了较高决定系数(R2 >0.92),但均仅输出确定性点估计,无法给出带校准基础的预测区间,亦未将预测不确定性分解为可归约的认知不确定性(epistemic uncertainty)与不可归约的偶然不确定性(aleatoric uncertainty),更不能将其转化为基于规范的可靠性指标(Reliability Index, β)以支撑配合比设计的验算。已有研究中高斯过程回归(Gaussian Process Regression, GPR)仅作为对比模型出现,未系统开展概率分析。该研究由Jia Chen、Zhicheng Liao、Jianbo Huang发表于《Materials Today Communications》,旨在以带自动相关性确定径向基函数核(Automatic Relevance Determination Radial Basis Function kernel, GP_ARD_RBF)的高斯过程回归框架填补上述空白,实现3DPC CS的概率预测、不确定性量化分解及可靠性评估。
主要关键技术方法
研究人员汇总24个独立实验项目中254条3DPC 28天CS记录(CS: 11.1–189.0 MPa)构建数据集,输入为13维配合比特征(胶凝材料组成中普通硅酸盐水泥(Ordinary Portland Cement, OPC)强度等级与掺量、硫铝酸盐水泥(Sulfoaluminate Cement, SAC)强度等级与掺量、辅助胶凝材料(Supplementary Cementitious Materials, SCM):粉煤灰Fly Ash (FA)、矿渣Ground Granulated Blast-furnace Slag (GGBS)、硅灰Silica Fume (SF);配合比参数:水胶比W/B、胶砂比Binder-to-Sand ratio (B/S)、减水剂掺量Water-Reducing Admixture (WRA);纤维参数:弹性模量Fiber Elastic Modulus (Fb-E)、长度Fiber Length (Fb-L)、体积率Fiber Volume Fraction (Fb))。采用GP_ARD_RBF核(每特征分配独立长度尺度,共16个超参数含输出尺度、均值常数及高斯似然噪声),特征标准化后通过最大化对数边际似然(Log Marginal Likelihood, MLL)用Adam优化器训练并五次随机重启防初值敏感。GP后验方差解析分解为认知与偶然分量。选取七种确定性回归算法(ElasticNet、支持向量回归Support Vector Regression (SVR)、随机森林Random Forest (RF)、极端随机树Extra-Trees (ET)、XGBoost、LightGBM、CatBoost)为基线,固定超参数于30次独立80/20随机划分(种子1–30)评估。计算R2 、RMSE、MAE及Wilcoxon符号秩检验;概率校准采用预测区间覆盖率(Prediction Interval Coverage Probability, PICP)与平均预测区间宽度(Mean Prediction Interval Width, MPIW)、期望校准误差(Expected Calibration Error, ECE)、负对数似然(Negative Log-Likelihood, NLL);特征重要性通过ARD长度尺度归一化与GP-SHAP值双机制交叉验证;可靠性指标β由GP后验超过设计强度阈值的概率反解标准正态分位数获得,绘制W/B–OPC含量空间β热力图;开发基于customtkinter的图形用户界面(Graphical User Interface, GUI)供无编程基础人员使用。
研究结果
4.1. Comparative predictive performance(对比预测性能)
经30次80/20划分交叉验证,GP_ARD_RBF取得平均R2 =0.852±0.057、RMSE=10.56±1.18 MPa、MAE=7.94±0.91 MPa,处于五种树集成与梯度提升模型(XGBoost R2 =0.857、CatBoost R2 =0.853、RF R2 =0.847、ET R2 =0.844、LightGBM R2 =0.840)的紧凑精度带内。Wilcoxon signed-rank检验确认GP_ARD_RBF与四领先集成模型(XGBoost p=0.312、CatBoost p=0.481、RF p=0.094、ET p=0.067)无显著精度差异,且显著优于线性族(ElasticNet p<0.001、SVR p<0.01)。GP跨划分方差略大于XGBoost与CatBoost,反映其对随机分区组成的敏感性而非精度缺陷。
4.2. Probabilistic calibration(概率校准)
GP_ARD_RBF校准结果为PICP90 =0.920(轻微过覆盖,偏保守)、PICP95 =0.929(较名义95%略欠覆盖),MPIW90 =32.32 MPa,ECE=0.166,NLL=3.84。标准化残差Q-Q图中心吻合正态参考,两端略呈重尾。高强区(CS>120 MPa,占测试点10.4%)平均欠预测4.9 MPa、RMSE 15.46 MPa,但该区认知不确定性升至均值7.73 MPa(较总体5.39 MPa增43%),加宽预测区间后仍维持可靠覆盖(PICP95 =0.941),表明GP能正确反映稀疏训练区的增大不确定性且不赋予过置信预测。
4.3. Uncertainty decomposition(不确定性分解)
偶然不确定性σaleatoric 由同质高斯似然学得为固定标量9.47 MPa(跨所有输入点近恒定);认知不确定性σepistemic 均值5.39 MPa(SD 4.74 MPa),随局部训练密度变化。按组成子组统计均值认知不确定性:富SCM组(FA/GGBS/SF混合)最高6.58 MPa(因组内三种胶凝化学差异大造成子空间稀疏),SAC混合组5.66 MPa,纤维增强组4.65 MPa,OPC主导组最低4.07 MPa。超越概率曲线可由GP后验直接算出,支持不经蒙特卡洛抽样即可完成概率合规验证。
4.4. Feature attribution: SHAP and ARD(特征归因:SHAP与ARD)
ARD长度尺度与GP-SHAP(mean |SHAP|)双机制重要性排序一致:OPC含量(GradeOPC 或Mass FractionOPC ,文中记为m(OPC)或G(OPC))居首(SHAP贡献29.1%,ARD归一化重要性62.9%),其后依次为OPC强度等级G(OPC)或m(OPC)(19.5%)、W/B(19.2%)、WRA(18.7%),四者合计占SHAP总归因86.5%;其余九特征各低于3.2%。Spearman秩相关ρ=0.893(p<0.001)证实两独立归因机制收敛。OPC含量在SHAP蜂群图中显示低值负贡献、高值正贡献的非单调效应,符合3DPC CS对OPC依赖的物理认识。零膨胀严重的SCM与纤维特征因ARD学得大长度尺度被软性降权。
4.5. Probabilistic reliability assessment(概率可靠性评估)
以W/B(0.18–0.50)与OPC含量(0.10–1.00)为轴,其余11特征取数据集中位数,绘CS设计阈值40 MPa与60 MPa下的可靠性指标β等值线。CS=40 MPa时fib Model Code目标β=3.8仅于窄区(W/B<0.28且OPC含量>0.75)可达;CS=60 MPa时全网格最大β=1.54,无法达β=3.8,揭示现有254样本训练下GP认知不确定性限制可达可靠性指标。β=0(50%失效概率)等值线在非极端OPC含量区(0.3–0.6)呈非单调路径,系该稀疏子区认知不确定性升高所致。训练数据投影点标示低数据密度区应谨慎解读β值。
4.6. Sample efficiency and learning dynamics(样本效率与学习动态)
学习曲线显示CatBoost小样本(ntrain =76, 30%)收敛快(R2 =0.821 vs GP 0.713),差距随样本增大缩窄;ntrain ≥183(约90%训练划分)GP平均R2 反超(0.849 vs 0.834),全量时GP R2 =0.852略高于CatBoost 0.835。PICP90 随ntrain 增大总体上升(0.682→0.812)但存非单调,ECE先降后微升(0.089→0.064→0.129),反映大样本下后验方差收窄而高斯似然噪声主导残差致轻微过覆盖。GP_ARD_RBF约需180训练样本达稳定预测精度。
4.7. Graphical user interface(图形用户界面)
研究人员用Python(customtkinter)开发桌面GUI,输入13项配合比特征(缺省零值),输出GP后验均值、90%/95%预测区间、总/认知/偶然不确定度标准差分解,及五档设计阈值(40/60/80/100/120 MPa)对应β与P(CS≥t),β值相对fib MC目标β=3.8色标标注,方便配合比设计人员直接使用。
讨论与结论总结
研究人员指出GP_ARD_RBF点预测精度与顶尖集成模型相当(p>0.05),核心价值在于同步提供闭式解析校准预测分布、不确定性可加性分解(偶然σaleatoric =9.47 MPa为跨组成不变不可归约噪声 floor,认知σepistemic 最高出现于富SCM配方指示需优先增补该区数据)及直接映射至规范安全目标的可靠性指标β热力图,弥补确定性ML模型只能给点估计的缺陷。轻微90%水平过覆盖(PICP90 =0.920)于结构安全角度偏保守可接受;95%水平欠覆盖2.1个百分点源于高斯分布轻尾相较经验残差重尾,受限于同质高斯似然未采用Student-t或异方差似然以保持解析分解。ARD与SHAP双机制一致锁定OPC含量、OPC等级、W/B、WRA为四大主控因素(合占SHAP归因86.5%),其中OPC含量边际Pearson相关近零但因与W/B共变抵消,条件重要性仍居首,与水泥水化产物C-S-H凝胶生成量物理机理相符。β图量化显示当前数据规模下达fib MC目标β仅限极低W/B与高OPC区,明示模型认知不确定性影响;GUI开放全特征输入给出特定配比β避免仅读二维切片误判。局限含254样本对13维空间偏小、预测区间宽度较大、随机划分可能同源实验项目分入训练与测试致精度略乐观估计、可靠性指标为材料强度超越指数非全结构可靠度、模型适用范围受原始24研究配比范围约束外推需警示。
结论如下:研究人员建立带ARD-RBF核的高斯过程回归模型,基于254组3DPC样本13维配合比特征预测抗压强度,30次80/20划分下R
2 =0.852、RMSE=10.56 MPa,精度等同于四种领先集成基线(Wilcoxon p>0.05)且额外产出近似校准预测区间(PICP
90 =0.920、PICP
95 =0.929、MPIW
90 =32.32 MPa)。不确定性分解示偶然分量σ
aleatoric =9.47 MPa,认知分量峰值见于富SCM配方(6.58 MPa)指明需补数据的组成子空间。ARD长度尺度与SHAP归因共认OPC含量、OPC强度等级、W/B、WRA为四主控特征(86.5% SHAP归因,Spearman ρ=0.893)。W/B–OPC含量面可靠性指标β映射示fib目标β=3.8于CS=40 MPa仅于窄区(W/B<0.28, OPC含量>0.75)可达,CS=60 MPa全域最大β=1.54。校准概率框架提供确定性模型所无的预测区间、显式不确定性分解及连接配合比设计至安全阈值的可靠性评估,富SCM子区增样与结构化噪声模型为后续改进方向。数据集与源码见
https://github.com/lucassivan/3DPC-GP 。