基于协作神经网络的高性能混凝土部分逆向设计：面向约束感知的配合比生成
机器学习
2025-12-11 v2 人工智能
摘要
高性能混凝土需要涉及相互依赖变量和实际约束的复杂配合比设计决策。虽然数据驱动方法已改进了混凝土工程中的正向设计预测建模，但逆向设计仍然有限，特别是当某些变量固定而仅剩余变量需要推断时。本研究提出了一种用于高性能混凝土部分逆向设计的协作神经网络框架。该框架将插补模型与代理强度预测器集成，并通过协作训练进行学习。训练完成后，它通过单次前向传播生成有效且性能一致的配合比设计，无需针对不同约束场景重新训练。与基线模型（包括自编码器模型和基于高斯过程代理的贝叶斯推断）相比，所提方法实现了0.87至0.92的R平方值，并将均方误差分别大幅降低约50%和70%。结果表明，该框架为约束感知的数据驱动配合比设计提供了准确且计算高效的基础。
引用
@article{arxiv.2512.06813,
title = {Partial Inverse Design of High-Performance Concrete Using Cooperative Neural Networks for Constraint-Aware Mix Generation},
author = {Agung Nugraha and Heungjun Im and Jihwan Lee},
journal= {arXiv preprint arXiv:2512.06813},
year = {2025}
}
备注
20 pages, 12 figures. Updated the abstract, Table 3, and bibliography. No changes to the main text or results