利用机器学习和微观结构分析对石灰石机制砂混凝土的抗压强度进行预测及解释

《Journal of Building Engineering》：Prediction and interpretability of compressive strength in limestone manufactured sand concrete using machine learning and microstructural analysis

本研究收集307组石灰岩人工砂混凝土抗压强度数据，构建XGBoost、KNN、RF、SVR、CatBoost和ANN六种机器学习模型。结果表明CatBoost模型表现最优，R2值达0.980，并揭示SP含量在0-15%时提升强度，过高则削弱。结合实验验证和微观结构分析，为人工砂混凝土设计提供可靠预测框架和优化参数。

　　

刘振伟|谢开忠|葛炳洲|朱茂金

河海大学土木与交通工程学院，南京，210098，中国

摘要

天然河砂的日益枯竭加速了机制砂（MS）在混凝土生产中的使用，使得准确估算机制砂混凝土（MSC）的抗压强度对于工程设计变得越来越重要。然而，MSC的力学性能对混合料成分的变化非常敏感，导致实验结果不一致，并且缺乏一种通用的预测方法。为了解决这个问题，我们收集了来自35项已发表研究的307个石灰石MSC抗压强度数据集，并使用六个关键混合参数开发了六种不同的机器学习（ML）模型，包括极端梯度提升（XGBoost）、K最近邻（KNN）、随机森林（RF）、支持向量回归（SVR）、CatBoost和人工神经网络（ANN）。模型训练通过贝叶斯搜索结合10折交叉验证进行了优化，性能评估使用了R2、RMSE、MAE和MAPE指标。在所有算法中，CatBoost表现出最可靠的预测能力，训练数据集的R2值为0.999，测试数据集的R2值为0.980。为了进一步解释模型行为，应用了SHAP和部分依赖性分析，结果显示水-胶凝材料比、拌合水量和石粉替代水平对抗压强度的影响最大。适量的石粉（0-15%）可以提高MSC的性能，而过量则会降低强度。实验验证表明，当石粉含量约为12%时，MSC的坍落度和抗压强度都能达到最佳值。微观结构检查（XRD、MIP、SEM）也表明，适量的石粉添加可以促进水化反应，减少孔隙连通性，并提高内部密实度。这项工作提供了一个可解释且高精度的框架，用于预测MSC的抗压强度，并阐明了关键材料参数的控制作用，为混凝土工程中机制砂的利用和混合料设计优化提供了宝贵的指导。

引言

随着全球经济的快速发展，混凝土已成为不可或缺的建筑材料，预计到21世纪中叶其需求将达到180亿吨[1,2]。由于河砂（RS）是混凝土的主要成分，其消耗量也将大幅增加。然而，RS是一种区域性有限且不可再生的资源，过度开采会导致资源枯竭和生态退化。因此，寻找RS的可持续替代品至关重要[3,4]。

机制砂（MS）是通过机械破碎采石场岩石制成的粒径小于4.75毫米的颗粒，由于其稳定的供应和可控的质量，已成为RS的日益流行的替代品[3,5,6]。与RS相比，MS通常具有不规则的形状、更粗糙的质地和更高的石粉（SP）含量[3,7,8]。吴等人[7]报告称，MS颗粒通常具有更大的圆度和长宽比变化，而沈等人[9]进一步证明，MS的粗糙表面增加了颗粒间的接触点数量。这种增强的接触导致骨料更紧密地堆积，并且比RS提供了更强的机械互锁，从而在相同的混合比例下提高了混凝土的抗压强度（f_cu）。MS的另一个显著特点是其相对较高的SP含量。由于SP的粒径与水泥相当，SP可以参与水化反应并影响硬化过程。周等人[10]和段等人[11]的研究表明，适量的SP可以减少水化热，增加水化产物的形成，并改善基质内的孔隙填充。相反，过量的SP往往会增加孔隙率并削弱浆体与骨料之间的界面过渡区（ITZ），从而降低整体力学性能[15]。谢等人[12]和刘等人[8]的研究进一步表明，当SP含量保持在大约10%以下时，它可以促进水化反应（如钙矾石和氢氧化钙的形成），使MSC达到其峰值抗压强度。因此，研究MS特性，特别是SP含量，如何影响MSC的行为对于优化其工程性能至关重要。

目前，MSC已在工程实践中得到广泛应用，使得准确预测强度变得越来越关键。现有的MSC强度预测方法大致可以分为两类：经验统计模型和基于人工智能的模型。由于MSC的组成材料与其力学性能之间存在高度非线性关系，强度预测往往存在相当大的偏差[13]。从宏观实验观察[14],[15],[16]开发的传统统计模型通常只适用于特定条件，限制了它们预测MSC抗压强度的通用性。因此，有必要开发一种具有更广泛适用性和更强泛化能力的预测模型。

随着计算技术的快速发展，机器学习（ML）因其智能性、效率、适应性和预测能力而受到广泛关注，成为科学研究中不可或缺的工具[17],[18],[19],[20]。ML的快速进步为提高混凝土强度预测的准确性创造了新的机会，因为ML算法能够学习混合参数与力学性能之间的非线性相互作用[21],[22],[23],[24],[25],[26],[27]。尽管有这些优势，许多ML模型仍然像“黑箱”一样运作，可解释性有限，这限制了它们在工程实践中的更广泛应用[28]。为了解决这一限制，Lundberg等人[29]提出了SHapley Additive exPlanations（SHAP）框架，该框架为每次预测为各个特征分配贡献值。此外，部分依赖性图（PDP）技术说明了在控制其他变量的情况下，单个特征的变化如何影响模型输出[30]。结合使用SHAP和PDP可以提供一个全面的可解释性方案，阐明关键输入因素的预测影响，并提高ML模型的透明度。

在这项研究中，我们编译了一个包含来自35项已发表研究[3,8,12,14,15,[31],[32],[33],[34],[35],[36],[37],[38],[39],[40],[41],[42],[43],[44],[45],[46],[47],[48],[49],[50],[51],[52],[53],[54],[55],[56],[57],[58],[59],[60]的307个石灰石MSC抗压强度测量值的数据集。选择了六个关键混合参数来构建六个ML模型——XGBoost、CatBoost、KNN、ANN、SVR和RF——以预测MSC的f_cu。通过贝叶斯优化结合10折交叉验证进行了超参数调整，并使用R2、RMSE、MAE和MAPE评估了模型性能。使用SHAP和PDP进一步分析了最准确的模型，以量化每个输入参数对f_cu的贡献。此外，还对C40级石灰石MSC进行了抗压强度测试，以SP含量作为变量，并进行了微观结构表征（XRD、MIP和SEM），以阐明SP如何影响石灰石MSC的机制。总体而言，这项研究为石灰石MSC强度建立了一个稳健的预测框架，并加深了对混合特性如何影响其力学行为的理解。

部分内容片段

原材料

本研究中选择的细骨料是基于石灰石的机制砂（MS），其外观如图1所示。根据GB/T 14684-2022 [61]中规定的程序，确定了MS的主要物理特性，并在表1中进行了总结。所有参数均符合II区砂的等级要求，表明MS被归类为中等砂。粗骨料是连续分级的石灰石碎石，粒径范围

ML模型的性能

基于优化后的超参数，训练并评估了六个机器学习模型。每个模型的预测准确性使用均方根误差（RMSE）、决定系数（R2）、平均绝对误差（MAE）和平均绝对百分比误差（MAPE）进行了量化。MAE、RMSE和MAPE衡量了预测值与观测值之间的偏差——这些值越小，预测准确性越高，模型性能越好。R2评估了模型的优度

工作性

图17展示了随着SP_r的变化，MSC混合物的表观密度和坍落度的变化。随着SP_r从0%增加到20%，表观密度总体上呈下降趋势。这种减少主要是由于用MS替代了RS，增加了细颗粒的比例，改变了堆积配置以及浆体-骨料的界面条件。在总质量不变的情况下，这些变化略微增加了混合物的体积，从而导致逐渐

讨论

通过将机器学习预测与宏观测试和微观结构表征相结合，本研究开发的CatBoost模型在测试集上实现了异常高的预测准确性。SHAP和PDP分析一致地揭示了SP_r对石灰石MSC的抗压强度（f_cu）具有明显的非单调（“增加-减少”）影响：在0-15%范围内，SP_r是有益的；而一旦SP_r超过15%，f_cu逐渐下降。这一模式通过比较实验得到了证实

结论

在这项研究中，建立了六种机器学习技术——XGBoost、KNN、RF、SVR、CatBoost和ANN——来估计石灰石MSC的抗压强度（f_cu）。通过比较评估、可解释性分析和实验验证，获得了一些关键发现。

• (1)
  总体而言，ML框架在预测MSC的f_cu方面表现出很强的能力。在所有测试的算法中，XGBoost、RF，特别是CatBoost显示出显著的优越预测性能。

CRediT作者贡献声明

刘振伟：撰写——审阅与编辑，撰写——原始草稿，调查，正式分析。谢开忠：监督，资源，项目管理，方法论，资金获取。葛炳洲：监督，软件，概念化。朱茂金：调查。

利益冲突声明

作者声明他们没有已知的竞争财务利益或个人关系可能影响本文所述的工作。

致谢

作者衷心感谢以下项目的财政支持：广西自然科学基金重点项目（编号2025GXNSFDA069033）；广西科技重大计划（编号AA23062045）；国家自然科学基金（编号52568021）；广西重点研发计划（编号AB24010265）。