An Explainable Android-Based Decision Support System for High-Performance Concrete Strength Prediction Using XGBoost and Monte Carlo SHAP
本研究提出了一种基于 Android 的可解释决策支持系统，该系统利用优化的 XGBoost 模型和计算高效的 Monte Carlo SHAP 算法，直接在移动设备上提供高性能混凝土抗压强度的实时、可解释预测。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
混凝土是地球上应用最广泛的建筑材料，构成了我们城市、桥梁和房屋的骨架。虽然普通混凝土是水泥、水、沙子和石头的混合物，但高性能混凝土是一种经过工程化设计的更先进的版本，旨在使其更强韧、更耐用且更具可操作性。制造这种材料需要一种微妙的平衡；工程师必须混合特定比例的成分，如水泥、水和各种添加剂，以达到目标强度。传统上，确定正确的配比涉及耗时的实验室测试，即通过对样本进行养护和破碎，来观察它们能承受多大的力量。这个过程既缓慢又昂贵，而且往往让工程师在混凝土已经浇筑完成后，仍在猜测最终的结果。
近年来，科学家们开始转向利用能从过往数据中学习来预测结果的计算机程序。这些被称为机器学习模型的程序，可以分析数千种以往的混凝土配方及其产生的强度，从而发现人类直觉可能忽略的复杂模式。然而，一个显著的问题出现了：最准确的计算机模型通常表现得像“黑匣子”。它们可以非常精确地预测新混合物的强度，但却无法解释它们为何得出那个数字。对于站在施工现场的工程师来说，知道预测的强度是有用的，但了解究竟是哪种成分提升了强度或降低了强度，对于做出安全、明智的决策至关重要。此外，这些强大的模型通常需要大型计算机或互联网连接才能运行，这使得它们在电力和网络连接往往匮乏的现场环境中变得不切实际。
一位研究人员通过创造一种工具弥合了这一差距，该工具将高精度的预测和清晰的解释直接带到了智能手机上。他们的工作专注于一种名为 XGBoost 的特定类型的先进计算机模型，他们发现这种模型在预测高性能混凝土强度方面最为有效。该研究人员使用一个包含两千多种不同混凝土混合物的数据库，将该模型与另外五种流行的机器学习方法进行了测试。结果显示，XGBoost 模型最为准确，其预测值与实际测量强度的平均偏差仅为 3.512 兆帕（压力单位）。其性能优于其他模型，后者的误差幅度更大。
然而，这项研究真正的创新之处在于，他们如何让这个强大的模型在移动设备上运行并使其易于理解。在手机上运行复杂的模型非常困难，但研究人员通过将训练好的模型转化为手机可以读取和处理的简单文本文件格式解决了这个问题。这使得应用程序可以完全离线运行，意味着工程师可以在任何地方使用它，即使是在偏远地区。为了解决“黑匣子”问题，研究人员开发了一种能够让手机运行得足够快的解释模型思考方式。标准的模型解释方法计算量巨大，会导致手机运行过慢或耗尽电池。研究人员转而使用一种通过对输入数据的随机变化进行采样，以估算每种成分对最终预测贡献程度的技术。
其结果是一个不仅能给出数字，还能提供决策支持的系统。当用户输入混凝土混合物的细节时——例如水泥量、水量和混合物的龄期——应用程序会立即计算出预测强度。同时，它会生成一张视觉图表，分解该预测结果。这张图表展示了一个基于平均混合物的起点，然后根据用户输入的每种特定成分增加或减少数值。例如，它可能会显示较高的水泥量提升了预测强度，而某种特定类型的添加剂则降低了强度。这种视觉解释让用户能够看到计算机是如何得出结论的，将复杂的计算转化为关于混合物成分的透明叙述。
研究人员通过在他们的数据库上进行测试，并确认这些解释与模型的行为相匹配，证明了这种方法行之有效。他们发现，这种用于生成解释的简化方法比传统的精确方法快数百倍，使得在移动设备上进行实时使用成为可能。通过将高精度的预测引擎与能在移动端离线运行的清晰视觉解释相结合，该系统为工程师提供了一个实用的工具。它将混凝土的设计过程从一种试错练习转变为数据驱动的决策，使专业人员能够在无需实验室或超级计算机的情况下，优化其混合物并确保结构安全。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。