Understanding the Governing Parameters of UHPC’s Strength Using Explainable Machine Learning

Sintesi Tecnica: Comprensione dei Parametri Regolatori della Resistenza del UHPC mediante Apprendimento Automatico Spiegabile

Definizione del Problema
Il calcestruzzo ad altissime prestazioni (UHPC) esibisce un comportamento della resistenza alla compressione altamente non lineare, guidato da complesse interazioni tra i costituenti della miscela e le condizioni di stagionatura. I modelli empirici convenzionali e gli approcci di regressione lineare spesso non riescono a catturare le interazioni tra caratteristiche di ordine superiore, gli effetti di accoppiamento moltiplicativo e le non linearità sensibili alle soglie intrinseche ai sistemi di idratazione e microstrutturali dell'UHPC. Inoltre, i codici di progettazione standard (ad es. ACI 318-19, Eurocodice 2) mancano di disposizioni costitutive esplicite per l'UHPC, affidandosi invece a relazioni semplificate calibrate per il calcestruzzo a resistenza normale. Sebbene l'apprendimento automatico (ML) offra un paradigma per approssimare mappature input-output non lineari senza vincoli costitutivi predefiniti, i modelli ad alta capacità soffrono spesso del problema della "scatola nera" (black-box), limitando la loro accettazione nella pratica strutturale a causa della mancanza di interpretabilità fisica.

Metodologia
Questo studio impiega un framework basato sui dati che integra la modellazione predittiva con l'Intelligenza Artificiale Spiegabile (XAI) per analizzare un database curato di 810 miscele sperimentali di UHPC raccolte dalla letteratura scientifica peer-reviewed.

• Curatela dei Dati: Il dataset include 13 variabili di input (ad es. cemento, fumo di silice, contenuto di fibre, età di stagionatura, temperatura) e una variabile di output (resistenza alla compressione). I dati sono stati sottoposti a un rigoroso pre-processing per rimuovere duplicati e valori fisicamente incoerenti. Il dataset è stato stratificato in regimi di età precoce (≤28 giorni) e di età avanzata (>28 giorni) per tenere conto dei distinti meccanismi di sviluppo della resistenza.
• Sviluppo del Modello: Quattro algoritmi di apprendimento automatico sono stati addestrati e valutati: Support Vector Regression (SVR), Artificial Neural Network (ANN), Random Forest (RF) ed Extreme Gradient Boosting (XGBoost).
• Ottimizzazione: È stata condotta un'ottimizzazione sistematica degli iperparametri utilizzando GridSearchCV e RandomizedSearchCV con validazione incrociata a cinque pieghe (five-fold cross-validation) per garantire la robustezza e prevenire l'overfitting.
• Metriche di Valutazione: Le prestazioni del modello sono state valutate utilizzando il coefficiente di determinazione ($R^2$), l'errore quadratico medio (RMSE) e l'errore assoluto medio (MAE).
• Spiegabilità: Il modello con le migliori prestazioni è stato sottoposto ad analisi SHapley Additive exPlanations (SHAP). Questo approccio decompone le predizioni in contributi additivi delle caratteristiche, permettendo sia la classificazione dell'importanza globale delle caratteristiche sia l'attribuzione locale a livello di campione basata sulla teoria dei giochi cooperativi assiomatica.

Risultati Chiave

• Prestazioni Predittive: Tra i modelli valutati, XGBoost ha raggiunto la più alta accuratezza predittiva, fornendo un $R^2$ di test di 0,9641, un RMSE di 7,3237 MPa e un MAE di 5,0748 MPa. La validazione incrociata a cinque pieghe ha confermato una forte capacità di generalizzazione con un $R^2$ medio di 0,970 ± 0,004. In confronto, Random Forest ha ottenuto buone prestazioni ($R^2$ = 0,9502), mentre SVR e ANN hanno mostrato prestazioni inferiori ($R^2$ rispettivamente di 0,8678 e 0,9025).
• Analisi di Correlazione: L'analisi di correlazione di Pearson ha identificato il fumo di silice ($r=0,521$), il contenuto di fibre ($r=0,440$), l'età di stagionatura ($r=0,415$) e il dosaggio del superfluidificante ($r=0,396$) come le variabili con le più forti correlazioni lineari positive con la resistenza alla compressione.
• Spiegabilità (SHAP): L'analisi SHAP ha rivelato che, sebbene il fumo di silice avesse la più alta correlazione lineare, il contenuto di fibre e l'età di stagionatura erano le variabili più influenti nel modello multivariato non lineare.
  • Importanza Globale: L'età di stagionatura e il contenuto di fibre sono risultati i più alti nei valori di importanza SHAP.
  • Interpretazione Locale: Per una predizione rappresentativa di 153,65 MPa, il contenuto di fibre ha contribuito con +14,82 MPa e l'età di stagionatura con +12,26 MPa rispetto al baseline.
• Validazione dei Trend: I grafici di dipendenza parziale (PDP) e le analisi di sensibilità hanno confermato trend fisicamente realistici, come un rapido guadagno di resistenza nelle prime età seguito da un plateau, e un beneficio marginale positivo ma decrescente del contenuto di fibre a dosaggi più elevati.

Significatività e Rivendicazioni
L'articolo sostiene che l'integrazione dell'apprendimento automatico spiegabile fornisca un duplice beneficio: alta affidabilità predittiva e interpretabilità ingegneristica. Utilizzando SHAP, lo studio colma il divario tra le predizioni "black-box" del ML e la comprensione fisica, dimostrando che le decisioni del modello si allineano con i meccanismi stabiliti della scienza dei materiali, inclusi la maturazione dell'idratazione, la densificazione della matrice e il rinforzo con fibre.

Gli autori affermano che questo framework offre uno strumento trasparente per la progettazione e l'ottimizzazione della miscela di UHPC basata sulle prestazioni. A differenza delle formule empiriche tradizionali che impongono strutture funzionali rigide, questo approccio identifica autonomamente gli effetti di interazione e i pattern strutturali latenti. Lo studio conclude che il ML spiegabile può identificare efficacemente i parametri regolatori che controllano la resistenza alla compressione dell'UHPC, fornendo intuizioni ingegneristiche significative sull'influenza relativa dei costituenti della miscela e delle condizioni di stagionatura senza la necessità di test distruttivi a età fisse.