基于钢丝-丙烯纤维高性能混凝土的机械强度预测：采用混合机器学习算法

本研究发展并评估了用于预测钢丝-丙烯纤维增强高性能混凝土 (HPC) 机械性能的机器学习模型。考察了三类模型族：Extra Trees 与 XGBoost (ET-XGB)、Random Forest 与 LightGBM (RF-LGBM) 以及 Transformer 与 XGBoost (Transformer-XGB)。目标性能指标包括抗压强度 (CS)、抗弯强度 (FS) 和抗拉强度 (TS)，基于来自已发表实验研究的大型数据集构建。模型训练包括 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。经过测试的 ET-XGB 模型在 CS、FS 和 TS 上的测试 R² 分别达到 0.994、0.944 和 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（R²=0.977）提供最稳定可靠的预测，FS 的不确定性最低（约为 5-33%）。Transformer-XGB 模型在 TS（R²=0.978）和 FS（R²=0.967）上表现出强大的预测能力，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) 和钢纤维含量 (SF) 是强度预测的最重要特征，而水分 (W) 和水胶比 (w/b) 持续具有负面影响。本研究的发现确认，机器学习模型能够提供准确、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合比并提升工程应用中的结构性能评估提供了有价值的工具。