基于混合机器学习算法的钢聚丁纤维高性能混凝土机械强度预测
摘要
本研究开发并评估了预测钢聚丁纤维掺杂高性能混凝土 (HPC) 机械性能的机器学习模型。研究检验了三类模型：Extra Trees 与 XGBoost (ET-XGB)、Random Forest 与 LightGBM (RF-LGBM) 以及 Transformer 与 XGBoost (Transformer-XGB)。目标性能包括抗压强度 (CS)、抗弯强度 (FS) 和抗拉强度 (TS)，基于来自已发表实验研究的广泛数据集构建。模型训练涉及 k 折交叉验证、超参数优化、Shapley 增益解释 (SHAP) 以及不确定性分析，以确保模型的鲁棒性和可解释性。在所测试的方法中，ET-XGB 模型取得最高整体准确率，测试 R^2 分别为 CS 的 0.994、FS 的 0.944 和 TS 的 0.978，并在 CS 和 TS 上 exhibit 最低不确定性（约为 13-16% 和 30.4%）。RF-LGBM 模型为 FS 提供了最稳定可靠的预测 (R^2 0.977)，yielding the lowest uncertainty for FS（约为 5-33%）。Transformer-XGB 模型表现出强大的预测能力 (TS 的 R^2 0.978 和 FS 的 R^2 0.967)，但始终显示最高的不确定性，表明其泛化可靠性较低。SHAP 分析进一步表明，纤维长宽比 (AR1 和 AR2)、硅灰 (Sfu) 以及钢纤维含量 (SF) 是强度预测的最有影响力的特征，而水分 (W) 和水灰比 (w/b) 则持续具有负面影响。本研究的发现确认，机器学习模型可以提供准确、可解释且具有普适性的 HPC 机械性能预测。这些模型为优化混凝土配比设计和增强结构性能评估在工程应用中提供了有价值的工具。
引用
@article{arxiv.2512.21638,
title = {Mechanical Strength Prediction of Steel-Polypropylene Fiber-based High-Performance Concrete Using Hybrid Machine Learning Algorithms},
author = {Jagaran Chakma and Zhiguang Zhou and Badhan Chakma},
journal= {arXiv preprint arXiv:2512.21638},
year = {2025}
}
备注
28 pages