
-
生物通官微
陪你抓住生命科技
跳动的脉搏
基于改进水循环算法优化的可解释机器学习框架预测粒化高炉矿渣混凝土抗压强度
《Scientific Reports》:Explainable and MOWCA-optimized machine learning for compressive strength prediction and counterfactual mixture design of GGBS concrete
【字体: 大 中 小 】 时间:2026年09月29日 来源:Scientific Reports 4.9
编辑推荐:
摘要由于养护龄期、含水率和胶凝材料比例之间复杂的非线性交互作用,准确预测粒化高炉矿渣(GGBS)混凝土的抗压强度具有挑战性。本研究开发了一种综合性的可解释机器学习框架,将改进的水循环算法(MOWCA)、可解释建模和反事实配合比设计相结合,应用于GGBS混凝土。五种算法——支持
由于养护龄期、含水率和胶凝材料比例之间复杂的非线性交互作用,准确预测粒化高炉矿渣(GGBS)混凝土的抗压强度具有挑战性。本研究开发了一种综合性的可解释机器学习框架,将改进的水循环算法(MOWCA)、可解释建模和反事实配合比设计相结合,应用于GGBS混凝土。五种算法——支持向量机、随机森林、AdaBoost、LightGBM和CatBoost——通过MOWCA进行了系统性优化。MOWCA是一种单目标元启发式算法,通过10折交叉验证最小化一个综合适应度分数(RMSE + MAE + (1 ? R2))。模型在从已发表实验数据汇编的796种配合比上进行训练(训练集与测试集比例为70:30)。CatBoost-MOWCA取得了最佳预测精度(R2 = 0.989,RMSE = 2.225 MPa,MAE = 1.156 MPa,MAPE = 2.826%),其中92.05%、97.91%和99.58%的预测值分别落在±10%、±20%和±30%的误差范围内。SHAP分析和偏依赖图识别出养护龄期、水胶比和水灰比是控制强度的主要参数,揭示了显著的非线性效应:养护超过90–120天后强度趋于平台化,水胶比超过0.60时强度大幅下降,水灰比低于0.35时强度超过80 MPa。反事实解释将这些关系转化为可操作的、考虑施工进度安排的合作比设计策略,识别出达到目标强度水平所需的最小参数调整量。优化后的模型被部署为一个开源图形用户界面,用于实时预测和配合比设计支持。与使用相同数据集的最相关先期研究相比,所提出的框架将测试R2从0.979提高至0.989,同时将可解释性从传统的特征重要性扩展到包括偏依赖分析和反事实分析,为可持续混凝土配合比设计提供了一个透明且可部署的框架。