编辑推荐：
混凝土强度发展参数的机器学习预测模型研究，通过对比ASTM C1074、FHP和温度-时间活化能模型，结合实验数据分析水胶比、掺合料含量及温度史对强度发展的影响，开发了基于随机森林回归的通用预测模型，验证了其在不同配比混凝土中的准确性。
Woldeamanuel Minwuye Mesfin | Hyeong-Ki Kim
朝鲜大学建筑工程系，韩国光州东区Pilmun-daero 309号，61452
摘要
虽然传统的成熟度模型利用混凝土的温度历史来预测施工环境中的强度发展，但目前尚不存在一个全球通用的模型。因此，必须为每种新的配合比设计通过实验来确定模型参数，这在实际应用中是一个显著的限制。为了解决这个问题，本研究提出了一种基于机器学习的方法来预测强度发展参数，从而能够在广泛的配合比设计中实现通用应用。准备了一系列实际的砂浆和混凝土混合物，使用三种不同的成熟度模型来推导强度发展参数。进行了全面的参数分析，以评估关键变量（包括辅助胶凝材料含量和养护温度）的影响。所推导的参数通过现有文献进行了验证，以确保其可靠性。随后开发了一个随机森林回归模型，基于配合比、龄期和温度历史来预测强度发展参数。该模型使用时间-温度依赖的表观活化能模型时，在预测抗压强度方面显示出最高的准确性。
引言
准确估计和监测混凝土强度是确保现代施工实践的安全性、耐久性和效率的基础。现场决策（如模板拆除、荷载施加和后张拉）在很大程度上依赖于对混凝土达到足够强度时间的精确预测（Li等人，2022；Zhang等人，2008）。在各种影响因素中，养护温度在强度发展的早期阶段起着特别关键的作用。在较冷的气候条件下，水化过程显著减缓，增加了强度增长不足的风险。为了解决这个问题，通常采用外部加热等策略（Brzhanov等人，2018）。相反，在炎热的环境中，快速的水化反应可能对长期强度和耐久性产生负面影响，因此需要采取有效措施（如人工冷却）来控制温度和水化速率，以减轻开裂和收缩等潜在问题（Mouret等人，1997）。
鉴于混凝土成分、养护制度和环境因素之间的复杂相互作用，预测模型已成为评估强度发展的必要工具。成熟度方法就是其中之一，它将混凝土的累积温度历史与其随时间的抗压强度增长联系起来（Yikici等人，2015；Miller等人，2022）。ASTM
C1074 规范了这种方法，并提供了广泛采用的混凝土成熟度和强度估算程序（Vilar等人，2018）。然而，其适用性主要限于普通波特兰水泥（OPC）系统，并不能充分捕捉含有混合胶凝材料的混凝土的行为（Lee等人，2018）。随着辅助胶凝材料（SCMs）（如粉煤灰（FA）、粒化高炉矿渣（GGBFS）、meta氧化铝和硅灰）的日益使用，引入了新的挑战，因为这些材料的水化动力学受到水灰比（w/b）、SCM含量和养护温度等因素的影响（Pane等人，2008；Ezziane等人，2010）。
文献提出了改进的成熟度模型和参数，旨在提高对经历不同温度历史的混凝土强度的预测准确性。Aloia和Chanvillard（D'Aloia等人，2002）引入了表观活化能（aAE）作为数值模拟中的关键参数，尽管他们的模型没有考虑SCMs的影响。Abdel-Jawad（2006）修改了Nurse-Saul成熟度函数以考虑养护温度和w/b，而Kim等人（2001）提出了一种新的基于aAE的公式，提高了准确性，但仍然排除了SCM的影响。尽管许多研究人员为混合水泥系统开发了强度预测参数（Yikici等人，2015；Yang等人，2020；Siddiqui等人，2012；Barnett等人，2006），但探索w/b、SCM含量、养护条件和强度发展参数之间相互作用的全面参数研究仍然有限。此外，不同预测模型之间的比较评估仍然很少，导致对模型性能和在不同配合比设计下的适用性理解存在空白。
更重要的是，迄今为止引入的方法需要为每种配合比设计单独校准模型参数（Soutsos等人，2018）。换句话说，应用这些成熟度模型要求为每种新的配合比通过实验确定具体的参数（Miller等人，2022）。虽然这种方法可以产生准确的预测，但由于所需的时间和精力，它在常规应用中并不实用。集成模型尚未开发的主要原因是缺乏对配合比如何影响强度发展参数的全面分析（Wang等人，2015）。一个有前景的解决方案在于机器学习（ML）。尽管可以从多种混合物中获取模型参数，但这些结果之间的固有变异性往往使得传统的回归方法不足以开发出通用模型。鉴于配合比由许多相互关联的变量组成，仅通过线性回归推导出通用预测模型极具挑战性（Nandhini等人，2021）。在这方面，ML提供了一种强大的替代方案，作为一种先进的回归技术，能够处理这种复杂性（Karaveli?等人，2024）。然而，现有的基于ML的预测模型研究主要集中在基本配合比或化学组成上，以预测强度（Mesfin等人，2024；Nguyen等人，2021；Chou等人，2014）。这种方法往往忽略了这些成分之间的复杂内在依赖性，以及环境条件的动态影响（Bouras等人，2023）。例如，养护温度和养护时间之间的协同关系至关重要；这些因素的波动会显著影响水化速率，从而影响混凝土的强度增长——而这些通常是仅依赖静态组成数据的模型所无法捕捉的。因此，开发一个综合考虑混凝土配合比及其与温度历史相互作用的综合成熟度模型对于准确预测强度发展至关重要。
尽管最近的研究越来越多地应用机器学习技术来预测混凝土的抗压强度，但大多数基于ML的方法将强度预测视为纯粹的数据驱动回归问题，直接将配合比或化学组成映射到强度结果。因此，这些模型往往缺乏物理可解释性，并没有明确考虑控制早期强度发展的时间-温度依赖性。相比之下，传统的基于成熟度的模型基于水化动力学，但需要为每种配合比设计进行重复的实验校准，这限制了它们的实际可扩展性。本研究通过将机器学习与温度依赖的成熟度建模相结合，弥合了这一差距。所提出的框架不是直接预测强度，而是使用ML从配合比中估计具有物理意义的强度发展参数，然后将其嵌入成熟度公式中，以预测抗压强度作为养护温度和龄期的函数。这种混合方法保留了成熟度模型的可解释性，同时利用了ML的泛化能力，从而区别于现有的纯粹数据驱动的强度预测研究。
在这方面，本研究有三个主要目标。首先，它旨在使用温度依赖的成熟度模型开发和比较评估各种混合水泥砂浆和混凝土混合物的强度发展参数。其次，进行了全面的参数分析，以研究关键因素（即w/b比、SCM含量和养护温度）对这些参数的影响，并通过与现有文献的比较进行验证。最后，开发了覆盖通用配合比的基于ML的集成成熟度模型。鉴于早期阶段得出的强度参数是特定于个别配合比的，所提出的ML模型旨在根据输入的配合比自动估计这些参数。然后在这些预测参数的基础上应用成熟度模型，以预测抗压强度作为温度和龄期的函数。
材料与配合比
在这项研究中，尝试了一种模拟实际现场配合比的实验方案。为此，生产和准备了砂浆和混凝土样品，每种样品都有自己的输入和变量，如下表1所示。每种成分的实际组成在附录（表A1）中给出。
使用了四种主要材料：OPC、GGBFS、FA和河沙。本研究中使用的OPC是市售产品，符合CEM II/B-S和ASTM Type I标准
每个强度发展模型的验证
根据实验测得的砂浆和混凝土样品的抗压强度，建立了强度发展参数。然后使用这些参数来估计相应混合物的抗压强度，以评估每种预测方法的可靠性。图6展示了实验抗压强度结果与之前介绍的三种强度发展模型（方程（2）、（3）、（4）预测结果之间的比较。
如所示
结论
本研究基于三种方法开发了针对各种混合水泥的强度发展参数定制的预测模型：ASTM
C1074、
FHP 和
T-T aAE。准备了多种砂浆和混凝土混合物来推导这些参数，随后进行了广泛的参数分析，以研究关键因素（如SCM替代水平、养护温度和w/b）对混凝土强度发展的影响。然后设计了一个基于ML的集成预测模型
CRediT作者贡献声明
Woldeamanuel Minwuye Mesfin：撰写 – 审稿与编辑，撰写 – 原始草稿，可视化，验证，调查，正式分析，数据管理，概念化。Hyeong-Ki Kim：撰写 – 原始草稿，监督，软件，方法论，调查，资金获取，正式分析，数据管理，概念化。
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报告的工作。
致谢
本工作得到了韩国政府资助的国家研究基金会（NRF）（RS-2023–00278148和RS-2025-02233037）以及朝鲜大学的支持。
