混合优化驱动的人工智能框架用于混杂纤维增强再生骨料混凝土抗压强度预测

《Next Materials》：Hybrid optimization-driven AI framework for compressive strength prediction of hybrid fiber-reinforced recycled aggregate concrete

　　

纤维增强高强混凝土（FR-HSC）的优化仍然具有挑战性，原因在于胶凝材料组成、纤维掺量与配合比参数之间存在复杂的非线性交互作用。本研究提出了一种混合优化驱动的人工智能框架，集成机器学习（ML）、深度学习（DL）与混合优化策略，以实现高精度强度预测和高效配合比设计。研究人员构建了包含392个样本的数据集，其中包括32个实验数据点和360个来源于文献的数据点，覆盖了广泛的材料组成范围。实验结果表明，掺入1.0%钢纤维和0.45%聚丙烯纤维的混合配合比在28 d时获得了最高111.96 MPa的抗压强度，证明了纤维混杂的协同效应。研究人员训练了多种机器学习模型（SVR、RF、XGB-RR）和深度学习模型（ANN、DCN、CNN-LSTM），并采用混合遗传算法–贝叶斯优化（GA–BO）方法进行优化。在所有模型中，XGB-RR表现最佳，在训练阶段达到R² = 0.998、RMSE = 1.397 MPa，在测试阶段达到R² = 0.901，表明其具有较强的预测精度与泛化能力。SHAP分析表明，溶液-胶凝材料比、钢纤维含量、水泥用量和减水剂掺量是控制强度的最关键影响参数。研究还开发了一个用于实时预测与优化的交互式图形用户界面（GUI）。所提出框架在可持续FR-HSC配合比设计中展现出较高的准确性、可解释性和工程适用性。

该文发表于《Next Materials》，围绕混杂纤维增强再生骨料高强混凝土的抗压强度预测与配合比优化，提出了一套混合优化驱动的人工智能框架。研究背景在于，高性能与耐久性建筑材料需求持续增长，高强混凝土因其优异力学性能而广泛受到关注；进一步引入纤维增强后，材料的韧性、抗裂性与抗冲击性能可获得提升。然而，纤维增强高强混凝土的配合比优化长期面临显著困难，其核心原因在于胶凝体系、骨料组成、外加剂与不同纤维体积分数之间存在复杂的非线性耦合关系。传统试配方法依赖反复试验，不仅耗时、耗材，而且难以在高维参数空间中有效寻优。虽然机器学习（ML）与深度学习（DL）近年来已被用于水泥基材料性能预测，但在混杂纤维增强高强混凝土，尤其是再生骨料体系中的系统应用仍不充分；同时，现有研究普遍存在模型可解释性不足、单一优化算法局限明显、缺少面向工程实践的可用平台等问题，因此开展本研究具有明确的理论与工程价值。

研究人员据此构建了一个融合机器学习、深度学习、遗传算法（GA）、贝叶斯优化（BO）以及SHapley Additive exPlanations（SHAP，一种基于合作博弈论的特征贡献解释方法）的统一框架，用于预测混杂纤维增强高强混凝土的抗压强度，并进一步支持配合比优化与实时工程决策。研究结论表明，在全部候选模型中，经GA–BO优化后的XGB-RR模型具有最优综合表现，训练集R²达到0.998，RMSE为1.397 MPa，测试集R²为0.901，显示出较强的拟合能力与泛化能力。解释性分析进一步证明，溶液-胶凝材料比、钢纤维掺量、水泥含量和减水剂掺量是影响抗压强度的主导因素。实验部分还显示，混杂纤维体系显著优于单掺纤维体系，其中高性能配合比在28 d达到111.96 MPa。整体而言，该研究将数据驱动预测、参数优化、机理解释与可视化应用平台加以贯通，为可持续高强混凝土设计提供了可操作的智能化路径。

研究人员采用的关键技术方法主要包括以下几类：首先，构建392组样本数据集，其中32组来自受控实验，360组来自文献整合，并对不同来源数据进行统一单位标准化、缺失与异常值处理、四分位距离群检测以及Min–Max归一化；其次，建立SVR、RF、XGB-RR、ANN、DCN和CNN-LSTM等多模型体系，并采用5折交叉验证评估；再次，以遗传算法进行全局超参数搜索，再由贝叶斯优化开展局部精细寻优；随后，利用SHAP分析输入变量对预测结果的贡献；最后，基于Python Tkinter开发GUI，实现实时预测与优化。

以下结合论文主体内容进行系统解读。

一、Introduction
论文首先指出，高强混凝土由于具备较高承载能力和耐久性，已成为基础设施与高性能结构的重要材料。纤维增强技术能够通过抑制裂缝扩展、改善应力传递机制来进一步提升材料综合性能，但纤维的引入也使材料设计空间更加复杂。特别是在再生粗骨料（RCA）参与后，骨料孔隙性、界面过渡区（ITZ）劣化以及纤维分散行为会共同影响材料强度，使传统经验方法难以准确把握配合比与性能之间的映射关系。论文进一步梳理了前人关于常规混凝土和高强混凝土强度预测的研究，指出已有模型多集中于单一机器学习方法，且应用对象较少覆盖混杂纤维与再生骨料并存的复杂体系。另一方面，深度学习虽在时序行为表征方面显示潜力，但在纤维增强高强混凝土领域尚未得到广泛展开。研究人员据此提出，需要一种兼顾预测精度、优化效率、机理解释性与工程部署能力的综合框架。

二、Research contribution 与 Novelty of the study
论文将主要创新概括为五点。其一，提出统一的混合优化驱动人工智能框架，将ML、DL与GA–BO结合用于混杂纤维增强高强混凝土抗压强度预测。其二，系统比较多种ML与DL模型，而非局限于单一算法，最终证实GA–BO优化的XGB-RR模型具有优势。其三，将实验数据与广泛文献数据整合，增强了模型的稳健性和泛化性。其四，引入SHAP定量解释关键配合比参数对强度的影响，缓解“黑箱”问题。其五，开发GUI，使研究成果能够作为工程决策支持工具落地。

三、Integrated modeling and proposed framework
在整体方法学上，研究人员按照“数据准备—模型开发—优化—解释—部署”的流程展开。数据来源包括实验与文献，先经清洗、标准化与统计分析，再输入不同预测模型。模型层面包括支持向量回归（SVR）、随机森林（RF）、极端梯度提升岭正则化模型（XGB-RR）、人工神经网络（ANN）、深度卷积网络（DCN）及卷积神经网络-长短期记忆网络（CNN-LSTM）。其中，XGB-RR通过提升树与岭正则项抑制过拟合；CNN-LSTM则试图联合提取特征间空间关系与长程依赖。超参数寻优采用两阶段GA–BO策略：GA执行广域搜索，BO基于期望改进（EI）在潜在最优区域细化。模型性能以R²、MSE、RMSE、MAE和MAPE等指标综合评价，之后再借助SHAP分析变量贡献，最后封装为可交互GUI。

四、Data and preprocessing
在数据部分，研究人员构建了包含392个样本的综合数据库。输入变量包括水泥（C）、粉煤灰（F）、硅灰（S）、天然细骨料（NFA）、天然粗骨料（NCA）、再生粗骨料（RCA）、溶液-胶凝材料比（S/B）、水（W）、减水剂（SP）、钢纤维（SF）与聚丙烯纤维（PF），输出变量为抗压强度（CS）。实验方面，共设计16组混杂纤维增强高强混凝土配合比；胶凝材料总量保持550 kg/m³，由70%水泥、20%粉煤灰和10%硅灰组成；S/B固定为0.40；再生粗骨料替代率为25%；钢纤维体积分数设置为0.5%、1.0%和1.5%，聚丙烯纤维体积分数设置为0.3%、0.45%和0.6%。试件经28 d标准养护后进行抗压试验。预处理阶段，研究人员对各来源数据统一为SI制，移除不完整或不合理记录，并引入总胶凝材料含量与S/B等派生变量以增强不同文献体系之间的可比性。

五、Experimental results
实验结果显示，基准混凝土28 d抗压强度为65.28 MPa。单掺钢纤维体系强度随掺量上升而明显提高，最高达到104.64 MPa，表明钢纤维通过桥联作用有效抑制微裂纹扩展并提升受压承载。单掺聚丙烯纤维体系也能提高强度，但提升幅度较钢纤维小，且在较高掺量时因和易性下降及纤维团聚出现轻微回落。混杂纤维体系表现最优，抗压强度范围为88.72–111.96 MPa，较基准组总体提升约72%。其中最佳配合比对应的结果证明，钢纤维对宏观裂缝扩展的抑制与聚丙烯纤维对微裂纹控制之间存在协同效应，可显著增强基体致密性与荷载传递能力。

六、Correlation analysis
相关性分析表明，水泥、水以及S/B与抗压强度存在较强正相关关系，说明胶凝体系与液固比例对强度形成具有决定性作用。粉煤灰和硅灰与CS呈中等负相关，论文将其解释为早龄期火山灰反应速率较慢导致的贡献滞后。RCA与CS呈弱负相关，这与其较高孔隙率和相对薄弱的界面特征一致。散点矩阵进一步显示，涉及水泥、水与S/B的参数组合在高强度区域聚集更明显，而高掺量RCA或掺合料体系的数据离散性相对更大。

七、Optimization and hyperparameter tuning / Model performance analysis
在80%训练、20%测试的划分和5折交叉验证条件下，所有模型均进行了GA–BO超参数优化。结果显示，各模型均取得较好拟合，但性能存在差异。SVR和RF在训练与测试中均表现稳定，RF因集成结构而具备较强抗过拟合能力。ANN和DCN能够学习复杂非线性关系，测试精度亦较高。CNN-LSTM虽展示了对复杂依赖关系的表征能力，但受限于数据规模与模型复杂度，测试误差略高。综合比较后，XGB-RR为最佳模型：训练阶段R² = 0.998、RMSE = 1.397 MPa、MAE = 1.1 MPa；测试阶段R² = 0.901、MAE = 6.83 MPa。绝对误差分析进一步表明，该模型误差带最窄，训练集最大绝对误差为6.245 MPa，测试集最大绝对误差为8.158 MPa，反映出更优的一致性与稳定性。与既有文献相比，该框架在混杂纤维体系中的测试性能处于具有竞争力的水平，并体现出良好的泛化能力。

八、SHAP-based model interpretation
基于最佳XGB-RR模型的SHAP分析是本文的重要组成部分。平均绝对SHAP值排序显示，S/B为最关键变量，其后依次为SF、水泥含量与SP。NFA、NCA具有中等影响，RCA表现出轻微负向影响，PF贡献相对有限。SHAP汇总图进一步表明，较高的S/B和钢纤维含量通常推动预测强度升高，而较高RCA和水含量则降低预测值。依赖分析显示，不同变量与预测输出之间存在明显非线性关系，研究人员据此指出，较优的S/B大致落在0.25–0.35区间，钢纤维含量在1%–2%范围内更有利于获得较高预测强度。瀑布图分析说明，单样本预测中S/B与胶凝体系组成的波动是造成强度变化的主要来源，进一步验证了模型解释结果的稳定性。

九、GUI development 与 Potential engineering applications
研究人员基于Python Tkinter开发了图形用户界面（GUI），将训练后的模型、GA–BO优化模块和可视化分析集成为统一平台。用户可输入配合比参数，实时获得强度预测结果，并开展以强度或成本为目标的优化。该设计提升了模型从研究到应用的转化潜力。工程应用方面，论文指出，所开发的混杂纤维增强再生骨料高强混凝土具备应用于高强柱、剪力墙和抗冲击基础设施的潜力。其28 d达到111.96 MPa的强度水平，以及改进的抗裂与吸能能力，为高性能结构材料提供了依据。文中还指出，该框架未来可拓展至耐久性评估、寿命预测和多目标优化等领域。

十、Discussion总结与结论翻译
综合全文，论文的核心价值在于建立了一条从材料实验、数据整合、模型训练、超参数混合优化、解释分析到软件部署的完整技术链。研究证明，混杂纤维与再生骨料并存的高强混凝土虽然材料参数耦合复杂，但借助GA–BO优化的人工智能模型仍可实现可靠预测；其中，XGB-RR在精度、稳健性与可解释性之间取得最佳平衡。SHAP结果不仅支撑了预测模型，也为配合比调控提供了可操作依据。研究同时坦陈，实验数据量相对有限，且文献数据整合不可避免存在配方体系、养护龄期和试验条件差异，因此本文结果更适用于展示框架的总体预测能力与模型间相对优劣。

论文结论部分可译为：本研究开发并验证了一种混合优化驱动的机器学习与深度学习框架，用于预测混杂纤维增强高强混凝土的抗压强度。特征筛选结果表明，水泥、水和溶液-胶凝材料比与抗压强度呈显著正相关，而粉煤灰和再生粗骨料呈轻微负相关。混合GA–BO策略能够有效优化模型超参数，提升预测精度与泛化能力。所有模型中，XGB-RR表现最佳，在训练阶段取得R² = 0.998、RMSE = 1.397 MPa，在测试阶段取得R² = 0.901。绝对误差分析显示，多数预测结果位于实验值±10%范围内。SHAP解释表明，S/B、钢纤维含量、水泥含量和减水剂掺量是最重要影响因素，且较优S/B约为0.25–0.35、钢纤维掺量约为1%–2%。所开发的混杂纤维增强再生骨料混凝土因其较高抗压强度和改进的抗裂能力，具有用于高强结构构件和抗冲击基础设施的应用潜力。