《Developments in the Built Environment》:Data-driven prediction of strength development of alkali-activated concrete with uncertainty quantification using interpretable amortised Gaussian process
编辑推荐:
本文提出了一种领域信息化的摊销高斯过程(Amortised Gaussian Process, AGP)框架,用于预测碱激发混凝土(alkali-activated concrete, AAC)在多个龄期的强度发展,同时提供准确的预测和校准后的不确定性估计。该
本文提出了一种领域信息化的摊销高斯过程(Amortised Gaussian Process, AGP)框架,用于预测碱激发混凝土(alkali-activated concrete, AAC)在多个龄期的强度发展,同时提供准确的预测和校准后的不确定性估计。该模型将基于输入特征的先验预测与利用早期观测数据精炼后期龄期预测的后验更新相结合。与多输出极端梯度提升(extreme gradient boosting, XGB)模型相比,AGP方法表现出强大的预测性能和良好校准的不确定性区间,而传统方法通常仅提供点预测。不确定性分解表明,源自高斯过程(Gaussian process, GP)和神经网络(neural network, NN)丢弃(dropout)的认知不确定性(epistemic uncertainty)占主导地位,而偶然不确定性(aleatoric uncertainty)作用较小。纳入早期强度测量显著改善了后期龄期预测,提高了预测区间覆盖概率(prediction interval coverage probability, PICP),并减少了区间宽度。特征重要性分析揭示了与已知实验知识一致的关键因素,表明与已知物理行为相符。本研究为异质材料中的多阶段预测提供了一个稳健、可解释的工具,在配合比设计中具有潜在应用。
**论文解读文章:基于可解释摊销高斯过程的碱激发混凝土强度发展数据驱动预测与不确定性量化**
**研究背景与问题**
碱激发混凝土(alkali-activated concrete, AAC)作为替代波特兰水泥(Portland cement)的绿色胶凝材料,因其可再利用工业废弃物(如粉煤灰和矿渣)并具备相当的力学性能与耐久性,受到广泛关注。然而,AAC作为复杂非均质材料,其设计空间无限,传统迭代试验方法耗时耗力。近年来,数据驱动技术(如机器学习)被用于AAC性能预测,但现有研究大多局限于点预测,忽略强度发展的时间依赖性,且缺乏对预测不确定性的校准量化。高斯过程(Gaussian process, GP)适用于时间序列和连续函数关系,但传统GP因全局超参数设置而难以适应异质数据,且计算成本高。摊销高斯过程(Amortised Gaussian process, AGP)通过神经网络(neural network, NN)学习各样本的GP超参数,可降低计算复杂度并支持多任务预测。然而,针对AAC强度发展的多龄期预测及不确定性量化研究仍属空白,尤其是结合早期观测数据更新后期预测的框架尚未建立。因此,本研究旨在开发一种领域信息化的AGP框架,实现AAC强度发展的准确预测与校准不确定性估计,提升模型的可解释性与工程适用性。
**研究方法(关键技术与方法)**
研究人员采用源自文献(Torres et al., 2023)的公开数据集,共603条记录,涵盖22个输入特征,包括前驱体氧化物组成(如SiO
2、Al
2O
3、CaO)、碱激发剂参数(NaOH浓度、硅酸盐模数Ms、NaOH/Na
2SiO
3比)、配合比(碱激发剂/胶凝材料比AL/B、骨料/胶凝材料比Ag/B、水/胶凝材料比W/B、减水剂/胶凝材料比Sp/B)及养护条件(初始和最终养护温度)。主要技术方法包括:(1)AGP模型:通过共享NN将各样本的混合特征映射为样本特定的GP超参数(对数线性均值函数参数θ
1、θ
2,长度尺度l,信号标准差σ
f,噪声标准差σ
n),构建GP先验,并利用早期强度观测(7天)进行后验更新;(2)XGB模型作为基准对比,采用多输出回归策略同时预测7天和28天强度;(3)蒙特卡洛(Monte Carlo, MC)丢弃(dropout)推理量化NN参数不确定性,结合GP过程方差和噪声方差实现总不确定性分解;(4)置换特征重要性分析评估各输入特征对预测的贡献。
**研究结果**
**4.1 预测性能比较**
**4.1.1 先验预测**
AGP模型在先验预测中7天和28天强度分别获得R
2为0.816和0.804,均方根误差(RMSE)为5.67 MPa和6.01 MPa,平均绝对误差(MAE)为4.23 MPa和4.52 MPa;XGB模型对应R
2为0.814和0.771,MAE为3.95 MPa和4.37 MPa。AGP在28天预测上优于XGB,且残差分布均匀,表明模型泛化能力良好。
**4.1.2 后验预测**
在观测到7天强度后,AGP后验预测的28天强度R
2提升至0.958,RMSE降至2.93 MPa,MAE降至2.00 MPa,证明了利用早期数据更新后期预测的有效性。
**4.2 特征重要性分析**
AGP模型识别出初始养护温度为最重要特征(尤其对7天强度),其次为NaOH浓度、SiO
2、W/B、CaO和Ag/B。参数敏感性分析显示,强度随初始养护温度升高而增加,NaOH浓度存在最优值,W/B比增加导致强度下降,与已有实验发现一致。XGB模型未能捕捉W/B等关键特征,且排名中氧化物种类较少。
**4.3 不确定性量化**
AGP模型在不同名义覆盖水平(50%-99%)下均表现出合理校准的预测区间,PICP随名义水平增加而上升,90%和95%名义水平下PICP分别为88%和92-93%,略低于期望但偏差较小。归一化平均置信区间宽度(MCIW)随名义水平增加而增大,95%水平下7天和28天分别为0.358和0.328。覆盖宽度准则(CWC)在多数水平下与MCIW相等,仅在90%和95%水平下因轻微欠覆盖而激活惩罚项。不确定性分解显示,认知不确定性(GP过程方差约50%,NN丢弃方差约36%)主导,偶然噪声方差仅占约13%。后验预测中,95%预测区间宽度减少42.7%,PICP达96.6%,表明早期观测大幅提升了预测精度与校准性。
**讨论与结论**
**讨论部分总结**
所提出的AGP框架为AAC配合比评估提供了强度预测与不确定性信息,可在初步设计中识别可能满足强度要求的混合物,并通过预测区间宽度判断预测可靠性,指导后续实验验证。当早期强度数据可用时,后验更新机制支持阶段性决策,减少不必要的长期试验,尤其适用于AAC因缺乏标准化数据而数据驱动预测不可靠的场景。
**研究结论翻译**
(1)多输出XGB模型在7天和28天预测中分别获得R
2为0.814和0.771,MAE为3.95和4.37 MPa;相比之下,AGP模型在先验预测中对应时间点取得略优的R
2(0.816和0.804)和MAE(4.23和4.52 MPa)。在观测到早期强度后,后验预测显著提升,28天R
2达0.958,MAE低至2 MPa,表明模型可利用新数据实现更准确的长期预测。(2)不确定性评估显示,AGP模型在50%至99%不同名义覆盖水平下提供了合理校准的预测区间,PICP总体遵循预期校准行为,归一化MCIW随名义水平增加而增加,反映覆盖与区间宽度的权衡;CWC结果进一步确认区间大多平衡良好,尽管在90%和95%名义水平下观测到轻微欠覆盖。(3)先验情况下估计的不确定性校准良好,95%名义覆盖水平下PICP达93%。认知不确定性是主要贡献者,GP分量约占50%,NN丢弃不确定性约占36%,偶然噪声约占13%,表明更全面的数据集将改善不确定性量化。(4)在观测到早期强度后,PICP达96.6%,95%预测区间宽度减少42.7%,显著缩窄区间的同时提高了精度且未损失校准性。(5)初始养护温度被认为是影响最大的因素(尤其对7天强度),其次为NaOH浓度、W/B,以及前驱体中的SiO
2和CaO,特征重要性分析与反应动力学和力学性能的已有研究一致。