利用PSO优化的可解释机器学习方法对椰子纤维增强混凝土的抗压强度进行预测

《Scientific Reports》：Compressive strength prediction of coconut fiber reinforced concrete using PSO optimized explainable machine learning

　　

摘要

在混凝土中使用天然纤维是一种可持续的策略，可以提高其延展性和抗裂性；然而，椰子纤维可能会在混合材料成分之间引入非线性相互作用，从而使得抗压强度的预测变得复杂。本研究提出了一种优化且易于解释的机器学习框架，用于预测椰子纤维增强混凝土（CFRC）的抗压强度。针对586个实验样本，使用了六种回归算法（支持向量机SVM、k最近邻KNN、随机森林RF、轻量级梯度提升LGB、极端梯度提升XGB和人工神经网络ANN），并通过粒子群优化（PSO）对这些算法进行了优化。这些实验样本包含八个输入参数：水泥、细骨料（FA）、天然粗骨料（NCA）、再生粗骨料（RCA）、水、纤维含量、纤维长度和龄期。采用嵌套分组交叉验证方法（外部5折，内部3折）来选择稳健的模型，然后在固定的30%测试集上进行评估。最佳模型XGB-PSO的平均交叉验证性能为R2 = 0.963 ± 0.013、RMSE = 3.018 ± 0.646 MPa、MAPE = 7.744 ± 1.008%，并在固定测试集上表现出良好的泛化能力（R2 = 0.953、RMSE = 3.71 MPa、MAPE = 8.875%）。通过Shapley加性解释（SHAP）、部分依赖图（PDP）、累积局部效应（ALE）和个体条件期望（ICE）等模型可解释性方法，研究发现龄期和再生粗骨料（RCA）是主要的预测因子，这为基于数据的CFRC配合比设计和优化提供了支持。