《Developments in the Built Environment》:Matching metaheuristics to machine learning for concrete drying shrinkage prediction toward cost-effective mix design
编辑推荐:
研究人员开发了一种可解释的机器学习框架,基于西北大学(Northwestern University) NU收缩-徐变数据库(Shrinkage-Creep Database)中的42,099条记录,在贝叶斯优化(Bayesian Optimization)和
研究人员开发了一种可解释的机器学习框架,基于西北大学(Northwestern University) NU收缩-徐变数据库(Shrinkage-Creep Database)中的42,099条记录,在贝叶斯优化(Bayesian Optimization)和四种元启发式算法(Metaheuristics)下对九种算法进行了基准测试。GA-LightGBM(遗传算法-轻量级梯度提升机)取得了最佳性能,其均方根误差(RMSE)比GL2000模型低78.4%。贝叶斯优化(Bayesian Optimization)倾向于梯度提升决策树(GBDT)和CatBoost,而粒子群优化(PSO)倾向于多层感知器(MLP)、随机森林(RF)和AdaBoost。SHAP分析确定干燥持续时间为主导变量,揭示了弹性模量(E)在30,000 MPa附近的阈值效应,以及20至25 °C之间的阶梯状温度效应。对来自三项独立研究的116个数据点的外部验证得出决定系数(R2)=0.9627,均方根误差(RMSE)=37.7 με,平均绝对误差(MAE)=31.4 με。在两个受收缩约束的配合比设计案例中,代理辅助优化器(Surrogate-assisted optimizer)在365天收缩约束下产生的单位材料成本分别比可行基线低19.1%和10.3%,并辅以图形用户界面(GUI)支持。
论文发表在《Developments in the Built Environment》。研究背景方面,混凝土干燥收缩(Drying Shrinkage)是硬化混凝土因失水引起的随时间变化的体积变形,是混凝土基础设施服役性能劣化的关键诱因之一,会导致开裂、钢筋腐蚀及耐久性下降。传统经验模型如ACI 209、CEB-fib Model Code、B3/B4和GL2000等在耦合配合比-环境-几何-时间效应下的预测精度有限,难以完全代表现代掺辅助胶凝材料(SCMs)、再生骨料等新型混凝土体系,且缺乏物理可解释性与优化导向。由于收缩预测涉及材料、环境、几何与时间域的非线性交互,亟需一种兼顾高精度、可解释性与优化能力的预测框架以支撑收缩抗性与耐久性导向的配合比设计,因此研究人员开展了此项研究。
研究人员开展研究用到的主要关键技术方法包括:基于西北大学NU收缩-徐变数据库的42,099条记录建立数据集,涵盖21个输入特征并采用KNN(k=5)填补缺失值及Z-score标准化;采用试件编号分组策略防止数据泄漏并进行5折交叉验证;基准测试九种机器学习算法(树基模型、核方法、神经网络),对比五种超参数优化策略即贝叶斯优化(BO)、遗传算法(GA)、粒子群优化(PSO)、差分进化(DE)与模拟退火(SA);采用TreeSHAP进行全局与依赖关系及交互解释分析;将优化的GA-LightGBM作为代理模型嵌入约束遗传算法进行配合比成本优化;开发集成预测与解释的图形用户界面(GUI)。
研究结果部分保留小标题并说明如下:
- 1.
Introduction 研究人员阐述了干燥收缩的多尺度损伤演化机制及其对结构耐久性的影响,指出现有经验模型的局限性与数据驱动方法在捕捉非线性依赖及物理可解释性方面的必要性,提出需建立针对收缩预测的解释性集成学习框架并耦合配合比优化。
- 2.
Database establishment and analysis 研究人员从NU数据库筛选得到42,099个数据点,归纳21个输入变量涵盖时间、环境、几何、配合比、外加剂与力学性能六类,通过Spearman等级相关分析发现干燥持续时间(t-ts)与收缩应变(εsh)相关系数达0.8,弹性模量(E)、抗压强度(f′c)等呈弱负相关,并通过典型试件曲线说明水灰比(w/c)与强度影响的条件性而非普适性。
- 3.
Existing prediction models 研究人员评估六种经验模型,GL2000表现最佳(R2=0.6896,RMSE=176.82 με),但整体偏差显著,表明传统模型难以刻画复杂多因素耦合下的收缩演化。
- 4.
Methodology 研究人员选用九种机器学习模型,定义五种超参数优化策略,引入TreeSHAP解释算法并辅以三维偏依赖图(PDP)分析特征交互,建立以单位材料成本为目标、365天预测收缩为约束的优化问题。
- 5.
Results and discussion 研究人员得出以下结论:
- •
5.1 Performance evaluation of ML models 基线配置下九种模型R2均高于0.79,MLP最优(R2=0.9350,RMSE=79.97 με);超参数优化后GA-LightGBM最优(R2=0.9854,RMSE=38.21 με),RMSE较GL2000降低78.4%;不同优化器与模型存在兼容性差异,GA适于LightGBM与XGBoost,BO适于GBDT与CatBoost,PSO适于MLP。
- •
5.2 Interpretation of the GA-LightGBM model SHAP分析显示干燥持续时间主导贡献(平均∣SHAP∣=219.69 με),弹性模量(E)在25,000–30,000 MPa存在正负转变阈值效应,温度(T)在20–25 °C呈阶梯响应,收缩减小剂(SRA)呈边际递减效应;三维PDP表明材料参数影响随干燥时间放大。
- •
5.3 Case studies of typical scenarios 在测试集6个试件与独立研究Xue et al. 2025的3个试件及116个外部数据点验证中,GA-LightGBM预测曲线与实测吻合,外部验证R2=0.9627,RMSE=37.7 με。
- •
5.4 Surrogate-assisted mix design optimization under shrinkage constraints 在两例场景WR与GS中,代理辅助优化所得配合比满足365天收缩约束(εlim),单位材料成本较基线分别降低19.1%与10.3%。
- •
5.5 Development of graphical user interface systems 研究人员基于Python Tkinter开发GUI,集成参数输入、收缩预测与SHAP解释模块,支持批量预测与结果导出。
- •
5.6 Limitations and future work 研究人员指出NU数据库在碱激发体系、高掺量SCM、再生骨料及非标准环境下代表性不足,优化配合比尚未经实验验证,未来需补充制备与测试并扩展训练分布。
讨论部分总结:研究人员讨论了框架在数据库分布偏向普通硅酸盐水泥体系下的预测适用性边界,指出优化结果目前属计算层面发现而非实验验证结论,强调后续需通过实体试验校验候选配合比的工作性、强度与耐久性,并扩充非常规胶凝体系与环境条件的数据覆盖以提升泛化能力。
研究结论部分翻译如下:
本研究开发了一种用于混凝土干燥收缩预测的集成可解释机器学习框架,结合多策略超参数优化与基于SHAP的可解释性分析。基于西北大学NU收缩-徐变数据库的42,099条记录,评估了五种超参数优化策略下九种机器学习算法的性能。主要结论如下:
(1) 机器学习方法预测混凝土干燥收缩的误差显著低于传统经验模型。基线配置下九种ML模型R2均高于0.79;MLP在基线中领先,R2=0.9350,RMSE=79.97 με,较最佳经验模型GL2000(RMSE=176.82 με,R2=0.6896)降低54.8%。超参数优化后GA-LightGBM精度最高,R2=0.9854,RMSE=38.21 με,使GL2000的RMSE降低78.4%。表明数据驱动方法能比所基准的经验模型更紧密地拟合收缩数据中的多因子非线性模式。
(2) 不同模型类型对超参数优化策略的适用性存在显著差异。遗传算法(GA)对LightGBM与XGBoost表现最佳,贝叶斯优化(BO)对GBDT与CatBoost实现高效收敛,粒子群优化(PSO)在其连续低维超参数空间中对MLP具优势。表明工程应用中优化器选择应作为模型选择的一部分予以考虑。
(3) SHAP分析验证了模型预测的物理一致性。干燥持续时间为主导特征,平均绝对SHAP贡献为第二特征的7.6倍,与胶凝孔网络中水分迁移的时间依赖性一致。弹性模量(E)在25,000–30,000 MPa呈现正到负的转变阈值效应,温度(T)在数据库窄温域内20至25 °C呈阶梯响应。SRA随掺量增加呈现边际递减效应。三维偏依赖分析进一步表明弹性模量与SRA对预测收缩的影响随干燥持续时间增加而增强,与随时间累积的水分损失进程一致。
(4) 在5%、10%和15%高斯输入噪声下,R2从0.9854分别降至0.8936、0.8573和0.7660,RMSE与MAE之比在所有三个水平保持在1.28至1.31之间,证实残差分布保持近似正态且无重尾现象。对来自三项独立研究涵盖不同强度等级、水胶比与干燥持续时间的116个数据点外部验证得出R2=0.9627、RMSE=37.7 με和MAE=31.4 με,接近测试集RMSE=38.21 με且远低于GL2000的176.82 με。
(5) 验证后的GA-LightGBM代理模型被嵌入约束遗传算法搜索中以最小化单位材料成本并受预测365天收缩限值约束。在两例代表性服役场景中,该搜索识别的候选配合比根据代理预测满足收缩约束,并计算得出较各自初始种群基线成本分别降低19.1%和10.3%。为支撑该框架的实际应用,开发了集成收缩预测与基于SHAP特征归因的图形用户界面(GUI)用于初步配合比设计评估。