⚡ electrical engineering

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

Deze studie toont aan dat een XGBoost machine learning-model, getraind op 810 experimentele mengsels en geïnterpreteerd via SHAP-analyse, een hoge voorspellende nauwkeurigheid bereikt voor de druksterkte van Ultra-Hogesterktebeton (UHPC), terwijl het vezelgehalte en uithardingstijd identificeert als de meest invloedrijke sturende parameters.

Oorspronkelijke auteurs: Nafis Niaz Chowdhury, Syeda Tabassum, Badhon Singha

Gepubliceerd 2026-06-25

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Nafis Niaz Chowdhury, Syeda Tabassum, Badhon Singha

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je probeert het perfecte, supersterke brood te bakken. In de wereld van de bouw wordt dit "brood" Ultra-Hogeprestatiebeton (UHPB) genoemd. Het is niet je gemiddelde stoepbeton; het is een hightech materiaal dat sterk genoeg is om wolkenkrabbers en bruggen met grote overspanningen te bouken.

Het probleem is dat het maken van dit "superbrood" ontzettend lastig is. Je kunt niet zomaar een simpel recept volgen zoals "voeg 2 kopjes bloem toe". De ingrediënten (cement, zand, vezels, water, etc.) interageren op complexe, niet-lineaire manieren. Als je één klein ding verandert, kan de sterkte omhoog schieten of juist volledig instorten. Traditioneel moesten ingenieurs gissen en fysieke tests uitvoeren, wat traag, duur en destructief is.

Dit artikel is als een team van data-detectives dat besloot om een computer te leren hoe hij dit complexe recept kan begrijpen met behulp van Machine Learning, maar met een speciale twist: ze zorgden ervoor dat de computer kon uitleggen waarom hij zijn voorspellingen deed, zodat ingenieurs erop kunnen vertrouwen.

Dit is het verhaal van hoe ze het deden, onderverdeeld in eenvoudige stappen:

1. De Dataverzameling: Het Receptenboek Verzamelen

De onderzoekers hebben geen nieuw beton uitgevonden; ze gingen op een schattenjacht door de wetenschappelijke literatuur. Ze vonden 810 verschillende recepten (experimentele mengsels) die al in laboratoria waren getest.

De Ingrediënten: Ze keken naar 13 verschillende variabelen, zoals de hoeveelheid cement, silica fume (een fijn poeder), staalvezels, water en hoe lang het beton was uitgehard (gecureerd).
Het Doel: Ze wilden de uiteindelijke "sterkte" van het beton voorspellen op basis van deze ingrediënten.

2. De Wedstrijd: Vier Digitale Chefs

Om de beste manier te vinden om de sterkte te voorspellen, trainden ze vier verschillende "digitale chefs" (Machine Learning-modellen) om te leren van de 810 recepten:

SVR (Support Vector Regression): Een methode die probeert een vloeiende lijn door de data te trekken.
ANN (Artificial Neural Network): Een model dat nabootst hoe de menselijke hersenen neuronen verbinden.
RF (Random Forest): Een team van beslissingsbomen die stemmen over het antwoord.
XGBoost: Een krachtig "boosting"-algoritme dat leert van zijn fouten in opeenvolgende stappen, waardoor het bij elke stap slimmer wordt.

Het Resultaat:
Beschouw dit als een kookwedstrijd.

ANN was een beetje in de war en maakte de meeste fouten.
SVR deed het wel oké, maar was niet perfect.
Random Forest was erg goed.
XGBoost was de kampioen. Het voorspelde de sterkte met ongelooflijke nauwkeurigheid (het had in 96,4% van de gevallen gelijk). Het was de meest betrouwbare "chef" in de keuken.

3. Het "Black Box"-probleem: Waarom de Computer Vertrouwen?

Meestal zijn krachtige AI-modellen als black boxes (zwarte dozen). Je stopt ingrediënten erin, en er komt een getal uit, maar je hebt geen idee waarom de computer dat getal gaf. Ingenieurs kunnen geen hulpmiddel gebruiken dat ze niet begrijpen.

Om dit op te lossen, gebruikten de onderzoekers een tool genaamd SHAP (SHapley Additive exPlanations).

De Analogie: Stel je voor dat de computer een sterkte voorspelt van 153 MPa. SHAP werkt als een scheidsrechter die de score uitsplitst. Het zegt: "Oké, de beginscore was 126. De staalvezels voegden +14,8 punten toe. De uithardingstijd voegde +12,2 punten toe. Maar het water trok een klein beetje af."
Dit veranderde de "black box" in een transparante glazen box, die precies liet zien welke ingrediënten het zware werk deden.

4. De Grote Ontdekkingen: Wat Maakt het Echt Sterk?

Met behulp van hun kampioensmodel (XGBoost) en de uitleg-tool (SHAP), kwamen ze erachter wat er echt toe doet:

De Tijdfactor (Uithardingstijd): Net zoals brood tijd nodig heeft om te rijzen, heeft UHPB tijd nodig om sterk te worden. Het model liet zien dat naarmate het beton ouder wordt, het sterker wordt, maar de grootste winsten worden gebobuikt in de eerste 28 dagen.
De Versterking (Vezelgehalte): Het toevoegen van staalvezels was de belangrijkste factor voor het verhogen van de sterkte. Het is als het toevoegen van stalen wapening aan een cake; het houdt alles bij elkaar en voorkomt scheuren.
Het Geheime Poeder (Silica Fume): Hoewel de "uitleg"-tool van de computer zei dat vezels en tijd de belangrijkste bazen waren, toonde een eenvoudige wiskundige controle aan dat Silica Fume de sterkste directe link met de sterkte had. Het werkt als een super-vuller, waardoor het beton dicht en compact wordt.

5. De Conclusie: Een Nieuwe Manier van Bouwen

De paper concludeert dat we niet meer hoeven te gissen. Door dit "uitlegbare" AI te gebruiken:

Kunnen we de sterkte van UHPB met hoge nauwkeurigheid voorspellen (het XGBoost-model).
Kunnen we begrijpen waarom het sterk is (dankzij SHAP), wat bevestigt dat de fysica (zoals hydratatie en vezelbruggen) daadwerkelijk plaatsvindt binnen het model.

Kortom: De onderzoekers hebben een superintelligent, transparant computerprogramma gebouwd dat heeft geleerd van 810 eerdere experimenten. Het kan ingenieurs nu precies vertellen hoe sterk hun beton zal zijn en welke ingrediënten het belangrijkst zijn, wat tijd en geld bespaart terwijl de veiligheid gewaarborgd blijft.

Technische Samenvatting: Begrip van de Regulerende Parameters van de Sterkte van UHPC middels Uitlegbare Machine Learning

Probleemstelling
Ultra-hogesterktebeton (UHPC) vertoont een sterk niet-lineair gedrag in de druksterkte, gedreven door complexe interacties tussen de mengselcomponenten en de uithardingscondities. Conventionele empirische modellen en lineaire regressiebenaderingen falen vaak in het vastleggen van deze hogere-orde feature-interacties, multiplicatieve koppelingseffecten en drempelgevoelige niet-lineariteiten die inherent zijn aan de hydratatie en de microstructuur van UHPC. Bovendien missen standaard ontwerpcodes (bijv. ACI 318-19, Eurocode 2) expliciete constitutieve bepalingen voor UHPC, en vertrouwen zij in plaats daarvan op vereenvoudigde relaties die gekalibreerd zijn voor normaalsterktebeton. Hoewel machine learning (ML) een paradigma biedt voor het benaderen van niet-lineaire input-output mapping zonder vooraf gedefinieerde constitutieve beperkingen, lijden modellen met een hoge capaciteit vaak onder het "black-box"-probleem, wat acceptatie in de constructieve praktijk beperkt vanwege een gebrek aan fysieke interpreteerbaarheid.

Methodologie
Deze studie maakt gebruik van een datagestuurd framework dat voorspellende modellering integreert met Explainable Artificial Intelligence (XAI) om een gecureerde database van 810 experimentele UHPC-mengsels te analyseren, samengesteld uit peer-reviewed literatuur.

Data Curatie: De dataset bevat 13 inputvariabelen (bijv. cement, silica fume, vezelgehalte, uithardingsleeftijd, temperatuur) en één outputvariabele (druksterkte). De data onderging rigoureuze voorbewerking om duplicaten en fysiek inconsistente waarden te verwijderen. De dataset werd gestratificeerd in vroege-leeftijd (≤28 dagen) en latere-leeftijd (>28 dagen) regimes om onderscheid te maken tussen verschillende mechanismen van sterkteontwikkeling.
Modelontwikkeling: Vier machine learning-algoritmen werden getraind en geëvalueerd: Support Vector Regression (SVR), Artificial Neural Network (ANN), Random Forest (RF) en Extreme Gradient Boosting (XGBoost).
Optimalisatie: Systematische hyperparameteroptimalisatie werd uitgevoerd met behulp van GridSearchCV en RandomizedSearchCV met vijf-voudige cross-validatie om robuustheid te garanderen en overfitting te voorkomen.
Evaluatiemetrieken: De prestaties van de modellen werden beoordeeld met de coëfficiënt van determinatie ( $R^2$ ), de Root Mean Square Error (RMSE) en de Mean Absolute Error (MAE).
Verklaarbaarheid: Het best presternde model werd onderworpen aan een SHapley Additive exPlanations (SHAP) analyse. Deze benadering deelt voorspellingen op in additieve feature-bijdragen, waardoor zowel globale feature-belangrijkheid als lokale sample-niveau attributie op basis van axiomatische coöperatieve speltheorie mogelijk is.

Belangrijkste Resultaten

Voorspellende Prestaties: Onder de geëvalueerde modellen bereikte XGBoost de hoogste voorspellende nauwkeurigheid, met een test- $R^2$ van 0,9641, een RMSE van 7,3237 MPa en een MAE van 5,0748 MPa. Vijf-voudige cross-validatie bevestigde een sterke generalisatiecapaciteit met een gemiddelde $R^2$ van 0,970 ± 0,004. In vergelijking presteerde Random Forest goed ( $R^2$ = 0,9502), terwijl SVR en ANN lagere prestaties lieten zien ( $R^2$ = 0,9025 en 0,8678, respectievelijk).
Correlatieanalyse: Pearson-correlatieanalyse identificeerde silica fume ( $r=0,521$ ), vezelgehalte ( $r=0,440$ ), uithardingsleeftijd ( $r=0,415$ ) en superplastificeerderdosering ( $r=0,396$ ) als de sterkste positieve lineaire correlaties met de druksterkte.
Verklaarbaarheid (SHAP): SHAP-analyse onthulde dat hoewel silica fume de hoogste lineaire correlatie had, vezelgehalte en uithardingsleeftijd de meest invloedrijke variabelen waren in het niet-lineaire multivariate model.
- Globale Belangrijkheid: Uithardingsleeftijd en vezelgehalte rangschikten het hoogst in de SHAP-belangrijkheidswaarden.
- Lokale Interpretatie: Voor een representatieve voorspelling van 153,65 MPa droeg het vezelgehalte +14,82 MPa bij en de uithardingsleeftijd +12,26 MPa aan de baseline.
Trendvalidatie: Partial Dependence Plots (PDPs) en gevoeligheidsanalyses bevestigden fysiek realistische trends, zoals snelle sterkte-toename op vroege leeftijden gevolgd door een plateau, en een positief maar afnemend marginaal voordeel van vezelgehalte bij hogere doseringen.

Betekenis en Claims
Het artikel stelt dat de integratie van uitlegbare machine learning een dubbel voordeel biedt: hoge voorspellende betrouwbaarheid en technische interpreteerbaarheid. Door gebruik te maken van SHAP overbrugt deze studie de kloof tussen "black-box" ML-voorspellingen en fysiek begrip, waarbij wordt aangetoond dat de beslissingen van het model overeenstemmen met gevestigde materiaalkundige mechanismen, waaronder hydratatiematuriteit, matrixverdichting en vezelversterking.

De auteurs beweren dat dit framework een transparant instrument biedt voor prestatiegebaseerd UHPC-mengselontwerp en optimalisatie. In tegen tegenoverking van traditionele empirische formules die rigide functionele structuren opleggen, identificeert deze benadering autonoom interactie-effecten en latente structurele patronen. De studie concludeert dat uitlegbare ML effectief de regulerende parameters kan identificeren die de druksterkte van UHPC beheersen, waarbij zinvolle technische inzichten worden geboden in de relatieve invloed van mengselcomponenten en uithardingscondities zonder de noodzaak van destructief testen op vaste leeftijden.

1. De Dataverzameling: Het Receptenboek Verzamelen

2. De Wedstrijd: Vier Digitale Chefs

3. Het "Black Box"-probleem: Waarom de Computer Vertrouwen?

4. De Grote Ontdekkingen: Wat Maakt het Echt Sterk?

5. De Conclusie: Een Nieuwe Manier van Bouwen

Meer zoals dit