使用基于嵌入的神经网络、Transformer 和传统机器学习方法对工业规模混凝土抗压强度预测的比较评估
机器学习
2026-01-15 v1
摘要
混凝土是全球使用最广泛的建筑材料；然而，由于材料异质性、混合比例可变以及对现场和环境条件的敏感性，可靠地预测抗压强度仍具挑战。人工智能的最新进展使得能够支持建筑质量控制中自动化决策的数据驱动建模框架成为可能。本研究利用包含约 70,000 条抗压强度测试记录的工业规模数据集，评估并比较了多种预测方法，包括线性回归、决策树、随机森林、基于 Transformer 的神经网络和基于嵌入的神经网络。这些模型纳入了关键的配合比设计和浇筑变量，如水灰比、胶凝材料含量、坍落度、含气量、温度和浇筑条件。结果表明，基于嵌入的神经网络始终优于传统机器学习和基于 Transformer 的模型，实现了约 2.5% 的平均 28 天预测误差。这一精度水平与常规实验室测试的变异性相当，展示了基于嵌入的学习框架在大规模建筑施工中实现自动化、数据驱动质量控制和决策支持的潜力。
引用
@article{arxiv.2601.09096,
title = {Comparative Assessment of Concrete Compressive Strength Prediction at Industry Scale Using Embedding-based Neural Networks, Transformers, and Traditional Machine Learning Approaches},
author = {Md Asiful Islam and Md Ahmed Al Muzaddid and Afia Jahin Prema and Sreenath Reddy Vuske},
journal= {arXiv preprint arXiv:2601.09096},
year = {2026}
}