面向超高性能混凝土 (UHPC) 的数据驱动多目标方法：预测机械性能、流动性与孔隙率
机器学习
2025-12-29 v1
摘要
本研究提出一种数据驱动的多目标方法，用于预测超高性能混凝土 (UHPC) 的机械性能、流动性和孔隙率。测试了21种机器学习算法，其中五个高性能模型被选中，其中 XGBoost 在使用 Random Search 和 K 折交叉验证进行调参后表现最佳。该框架遵循两个阶段的过程：初始 XGBoost 模型使用原始数据构建，一旦选定作为最终模型，该数据集就通过 (1) 删除多重共线特征、(2) 使用 Isolation Forest 识别异常值、(3) 使用 SHAP 分析选择重要特征进行清理。用模型2重新训练的精炼数据集用于重新训练 XGBoost，实现了所有输出的高预测精度。还开发了一个图形用户界面 (GUI) 以支持材料设计师。总体而言，本文提出的框架显著提高了预测精度，并最小化了在 UHPC 混合设计中进行大量实验测试的需求。
引用
@article{arxiv.2512.21610,
title = {A Data-Driven Multi-Objective Approach for Predicting Mechanical Performance, Flowability, and Porosity in Ultra-High-Performance Concrete (UHPC)},
author = {Jagaran Chakma and Zhiguang Zhou and Jyoti Chakma and Cao YuSen},
journal= {arXiv preprint arXiv:2512.21610},
year = {2025}
}
备注
20 pages