Explainable Machine Learning for Predicting the Splitting Tensile Strength of SCM-Blended Concrete Using Optimized Gaussian Process Regression
本研究通过利用贝叶斯技术优化高斯过程回归模型，并确定水胶比为主要影响因素，建立了一个可靠且具可解释性的框架，用于预测掺入补充胶凝材料混合混凝土的抗折强度。
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
混凝土是地球上使用最广泛的建筑材料，构成了我们城市、桥梁和房屋的骨架。其强度和耐久性很大程度上源于波特兰水泥，这是一种在与水混合后会硬化的粘结粉末。然而，这种水泥的生产是全球碳排放的主要来源，这促使工程师寻找减少其使用的方法。为了实现这一目标，他们经常用工业副产品（如粉煤灰、硅灰或高炉矿渣）来替代部分水泥。这些被称为辅助胶凝材料的物质可以通过化学反应来增强混凝土的强度，同时降低其对环境的影响。然而，预测这些复杂混合物的行为非常困难。虽然工程师可以轻松测量一个混凝土块在被压碎前能承受多少重量，但测量将其拉开所需的力却要困难得多。这种“劈裂抗拉强度”至关重要，因为混凝土在抗拉方面天生较弱，而当材料被拉开时，裂缝往往会由此产生。由于缺乏可靠的预测，设计更安全、更可持续的结构需要进行大量且昂贵的实验室测试。
一组研究人员致力于解决这一问题，通过教计算机预测这些环保混凝土混合物的劈裂抗拉强度。他们从一个包含全球数百种不同混凝土配方的庞大数据库中收集了数据。计算机输入的每种配方都包含八种关键成分：水泥、水、粗碎石、细砂以及作为水泥替代品的各种工业副产品的用量，此外还包括一种帮助混合物流动的化学添加剂——减水剂。目标是让计算机学习这些成分与最终混凝土强度（特别是其抵抗被拉开的能力）之间的隐藏模式。
研究人员测试了各种数学模型，以观察哪种模型最能学习这些模式。他们将简单的线性方程、决策树和复杂的神经网络与一种称为高斯过程回归（Gaussian process regression）的更高级方法进行了对比。这种方法特别擅长处理关系并非完美直线关系的杂乱现实世界数据。在运行了数千次模拟后，团队发现这种回归模型的一个特定版本（使用“有理二次”核函数）的表现优于所有其他模型。该基准模型预测新混凝土混合物强度的平均误差仅为 0.34 兆帕（一种用于测量力的压力单位）。
为了使模型更加精准，研究人员使用了贝叶斯优化（Bayesian optimization）技术来微调其内部设置。这个过程类似于调节高端收音机的旋钮以找到最清晰的信号，但它是通过智能地测试不同的组合而非随机猜测来进行的。优化后的模型有了显著提升，将平均预测误差降低到约 0.29 兆帕，并提高了整体准确度。这种改进意味着该模型不仅更精确，而且在训练完成后做出预测的速度更快，使工程师几乎可以瞬间评估新的混合设计。
这项研究最重要的部分是让计算机的“思考过程”变得易于理解。先进的机器学习模型经常被批评为“黑箱”，即它们给出答案但不解释原因。为了解决这个问题，研究人员使用两种工具打开了这个“箱子”并观察内部。他们创建了视觉图谱，展示改变单一成分如何影响预测强度。这些图谱揭示了清晰、逻辑性的趋势：增加混合物中的含水量始终会降低预测强度，而增加水泥量则始终会提高强度。图谱还显示，添加硅灰和高炉矿渣通常会提高混凝土抵抗拉力的能力，而粉煤灰的效果则更为复杂且难以预测。
为了证实这些发现，团队使用了一种统计方法，精确测量每种成分对每一次预测的具体贡献程度。这种分析证实了计算机已经学习到了人类工程师几十年来所熟知的物理规则：过多的水会削弱结合力，而更多的水泥则会增强强度。研究得出结论，通过将高精度预测与清晰的解释相结合，这一新框架为设计可持续混凝土提供了一种可靠的方法。它使工程师能够自信地尝试新的、更绿色的配方，而无需在物理实验室中构建并测试每一种变化，从而为更高效、更环保的建筑业铺平了道路。
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。