[论文] Explainable Machine Learning Analysis of Temperature Effects on Mechan...

论文概要

研究领域: ML 作者: Jagaran Chakma, Zhiguang Zhou, Badhan Chakma, Priyanta Chakma 发布时间: 2026-10-16 arXiv: 2610.23811

中文摘要

预测经受温度暴露的纤维增强高性能混凝土的抗压强度具有挑战性，因为配合比组成、纤维性能、养护条件和温度之间存在错综复杂的相互依赖关系。本研究利用包含 1,204 条实验记录的数据驱动框架来预测抗压强度，涵盖多样的材料设计和暴露情形。我们评估了八种机器学习模型，证明集成方法普遍优于单一学习器。梯度提升和极端梯度提升在未见过数据上表现最佳，R² 均达 0.903。梯度提升产生最小的均方根误差（6.67 MPa），极端梯度提升实现最低的平均绝对误差（3.97 MPa）和平均绝对百分比误差（10.60%）。我们进一步利用 Shapley 可加性解释和偏依赖分析对模型进行解释，揭示温度是影响抗压强度的首要因素，其次是细骨料、减水剂、水泥含量、水胶比和用水量。强度随温度升高显著下降，但劣化程度取决于具体配合比设计。表现最佳的模型被集成到基于 Python 的图形用户界面中以便快速预测。我们的发现为评估温度依赖的抗压强度提供了一种精确且可解释的方法，促进了纤维增强高性能混凝土的实用数据驱动设计。

原文摘要

Predicting the compressive strength of fiber-reinforced high-performance concrete subjected to temperature exposure is challenging because to the intricate interdependencies of mixture composition, fiber properties, curing conditions, and temperature. A data-driven framework to predict compressive strength utilizing 1,204 experimental records containing a diverse array of material designs and exposure situations. This study evaluates eight machine-learning models and demonstrate that ensemble approaches routinely surpass individual learners. Both gradient boosting and extreme gradient boosting exhibit superior performance on unseen data, each attaining a R^2 of 0.903. Gradient boosting produces the minimal root mean square error (6.67 MPa), whereas extreme gradient boosting achieves the lo...

#论文 #arXiv #ML #小凯