混凝土是现代建筑行业的核心材料，但在高温环境下（如火灾中）其性能会严重下降[1]、[2]、[3]。高温会对混凝土的物理和化学结构造成永久性损伤[4]、[5]、[6]。由此导致的强度降低直接影响结构安全，因此快速准确地评估火灾受损结构的残余性能变得至关重要[6]。最近，利用人工神经网络（ANN）来模拟混凝土复杂非线性行为的研究备受关注[7]。然而，现有的基于ANN的强度预测研究存在一些明显局限性，阻碍了其在实际应用中的推广[8]、[9]。
首先，存在数据同质性和稀缺性问题。大多数研究基于在特定混凝土类型或有限混合条件下进行的单次实验获得的同质数据集来开发模型[10]。虽然这些模型在这些特定实验参数下可能表现出高准确率，但它们的泛化性能不足以广泛应用于实际建筑工地，因为实际工地上存在多种材料和混合物[11]。如果仅使用实验数据来构建模型（如以往研究那样），则难以保证对实验范围之外数据的预测可靠性[12]、[13]、[14]、[15]、[16]。
其次，设定因变量的方法效率低下。大多数以往的研究都集中在预测高温暴露后的绝对抗压强度上（见表1）。然而，绝对强度不仅受高温导致的劣化程度影响，还受初始混合设计（水灰比、材料性质等）的影响。因此，当使用绝对强度作为因变量时，模型可能会偏向于学习初始强度值，而非纯粹的劣化机制。这使得难以普遍预测具有不同初始强度的混凝土的劣化程度。
第三个限制是输入变量的现场适用性不足。以往的研究大多使用加热温度作为关键变量。虽然温度是损伤的直接原因，但在实际火灾现场确定精确的热历史几乎是不可能的。然而，温度仍然需要作为输入参数。尽管无法完美确定精确的热历史，但在火灾后的评估中，研究人员通常通过标准法医方法（例如混凝土颜色变化、剥落）来估算暴露温度。所提出的模型正是为这种应用而设计的；通过将估算的温度范围与精确的现场UPV测量结果相结合，该模型成为一种稳健的工具，其中UPV弥补了温度估算的不确定性。
因此，需要可靠的NDT方法。在这种情况下，UPV是一种关键的NDT方法。UPV测试测量超声波脉冲穿过混凝土的传播时间。由于脉冲速度本质上取决于材料的密度和弹性特性，因此它与混凝土的内部完整性密切相关。当混凝土暴露在高温下时，物理化学变化（如C-S-H凝胶的脱水以及骨料和水泥浆之间的热不兼容性）会导致内部微裂纹和孔隙率增加。这些内部缺陷会显著阻碍超声波的传播，从而导致速度的可测量降低。因此，UPV是一种能够通过检测由高温引起的内部微观结构变化来有效评估材料损伤状态的技术，而不仅仅依赖于视觉检查。然而，尝试通过将UPV数据作为核心自变量来根本提高模型的现场适用性的努力仍然非常不足。
本研究提出了以下区别化的方法来全面克服现有研究的局限性。首先，本研究通过特定领域的数据增强策略最大化了泛化性能。虽然最近的研究（如Shmuel等人，2025年）探索了使用基于机器学习的高斯噪声注入进行数据增强，但本研究采用了保持拓扑结构的SMOTE方法。与可能破坏数据流形的噪声注入不同，SMOTE通过在最近邻居之间插值来合成新样本，从而保留了捕捉非线性劣化所需的混凝土属性的局部物理结构。此外，我们采用了一种混合策略，将连续的残余强度比进行分类，以专门针对数据稀缺区间进行增强，有效解决了火灾工程中的回归不平衡问题。除了这种先进的增强方法外，我们还从33项现有研究中构建了一个异构数据库，涵盖了各种混凝土混合物和环境。
其次，本研究通过将残余强度比作为因变量来确保劣化预测的效率。通过统计分析证明，这一指标不受材料和混合因素的显著影响。这意味着使用残余强度比作为因变量可以普遍预测劣化情况，无论混凝土类型或混合比如何，从而验证了数据增强技术的有效性。
第三，本研究通过引入NDT指标UPV来提高现场适用性。除了加热温度外，UPV还被用作核心自变量，以便在火灾安全评估阶段进行应用[22]。最后，有选择地筛选了相关文献，包括了评估高温暴露后UPV的研究。
最后，本研究不仅关注预测准确性，还为现场工程师提供了一个具体的、可操作的工具。我们提出了一种实用的质量分级系统，允许使用简单的温度和UPV测量结果进行即时现场安全评估。此外，通过严格比较基准模型，我们明确展示了为什么优先考虑可靠预测区间而非容易过拟合的模型（如随机森林）的ANN2模型是保守和安全结构诊断的更优选择。这提供了一个高度可靠、具有现场适用性的框架，弥合了理论机器学习性能与现场安全需求之间的差距。
