温度效应对纤维增强高性能混凝土力学强度的可解释机器学习分析

arXiv:2610.23811v1 公告类型：新 摘要：预测经历温度暴露的纤维增强高性能混凝土的抗压强度颇具挑战性，这是由于混合物组成、纤维特性、养护条件和温度之间存在复杂的相互依赖关系。本文提出了一种数据驱动框架，用于预测抗压强度，该框架利用了包含多种材料设计和暴露情境的1,204条实验记录。本研究评估了八种机器学习模型，结果表明，集成方法通常优于单个学习器。梯度提升和极端梯度提升在未见数据上均表现出优异性能，R^2均达到0.903。梯度提升取得了最低的均方根误差（6.67 MPa），而极端梯度提升取得了最低的平均绝对误差（3.97 MPa）和平均绝对百分比误差（10.60%）。进一步利用 Shapley additive explanations 和偏依赖分析对模型进行解释，结果显示，温度是影响抗压强度的首要因素，其后依次为细骨料、减水剂、水泥含量、水胶比和含水量。随着温度升高，强度显著下降，但劣化程度取决于具体的配合比设计。随后，将性能最佳的模型应用于基于 Python 的图形用户界面，以实现快速预测。本研究成果为评估与温度相关的抗压强度提供了一种精确且易于理解的方法，并有助于纤维增强高性能混凝土的实用化数据驱动设计。