基于因果推断的可解释选择性加权集成模型在预测超高性能混凝土抗压强度中的应用

《The Knee》：Causal Inference-Informed Explainable Selective Weighted Ensemble for Predicting Ultra-High-Performance Concrete Compressive Strength

准确预测超高性能混凝土（UHPC）抗压强度对提升基础设施性能至关重要。本研究提出整合Granger因果性分析、可解释加权集成学习与超参数优化的框架，通过Granger因果性筛选关键特征（如养护龄期、纤维含量、硅灰），构建基于810组样本的混合模型，优化后R2达0.968，MAE为4.852，并通过SHAP分析验证模型可解释性。

　　本文探讨了如何通过一种新颖的框架来提高超高性能混凝土（UHPC）抗压强度的预测精度，这一框架结合了因果推断、可解释的加权集成学习以及超参数优化等技术。在现代基础设施建设中，准确预测混凝土的抗压强度对于提升结构性能和耐久性至关重要。UHPC作为一种新型的高性能建筑材料，因其低孔隙率、高机械强度、优异的耐久性和韧性而受到广泛关注。UHPC的应用可以减少结构构件的截面尺寸，延长使用寿命，并降低维护需求，从而提高结构效率并促进资源节约。然而，UHPC的生产过程仍然能源密集，这主要是由于其高水泥含量和硅灰的使用。此外，随着对补充水泥材料（SCMs）如粉煤灰等的日益稀缺，特别是在环境法规更为严格的地区，这一问题变得更加严峻。因此，UHPC的配合比设计在减少材料环境影响和实现气候目标方面具有关键作用。

本文提出的框架旨在克服传统方法在UHPC抗压强度预测中的不足，这些不足主要体现在模型的复杂性、计算成本以及可解释性方面。传统方法通常仅以抗压强度为目标进行优化，难以应对UHPC性能中复杂的多变量和非线性相互作用。而抗压强度作为评估结构质量的重要参数，其准确预测对UHPC的性能优化至关重要。然而，UHPC的组成成分之间的相互作用复杂且非线性，受混合比例、养护条件和骨料级配等因素的影响，使得传统经验模型在捕捉这些复杂关系时存在局限，常常导致预测结果不够准确或难以推广。

为了应对这些挑战，机器学习（ML）技术已被广泛应用于混凝土强度预测，提供了更高的准确性和适应性。ML模型能够从数据中学习复杂的模式和关系，从而实现可靠预测，这一优势在UHPC领域尤为突出，因为其数据集通常较小但特征丰富。近年来，ML技术在预测不同类型混凝土抗压强度方面取得了显著进展，尤其是UHPC及其特殊形式。一些研究通过引入新颖的效率评分和不确定性量化方法，提升了预测的可靠性。例如，Tamuly和Nava开发了一个符合性预测框架，该框架在高变异性混凝土的预测区间中表现出色。此外，其他研究也提出了各种集成模型，如基于随机森林的模型，通过优化策略提高了预测的准确性和泛化能力。

本文提出的框架结合了因果推断、加权集成学习和可解释人工智能（XAI）技术，以实现UHPC抗压强度的准确预测。首先，通过Granger因果分析识别输入特征与输出变量之间的统计显著关系，从而指导更合理的特征选择。接着，开发一个基于性能加权的集成模型，通过GridSearchCV进行超参数优化，以提高预测的准确性和泛化能力。为了确保模型的透明度和可解释性，应用SHAP分析，提供全局和局部的特征贡献解读。通过捕捉因果关系并结合多种学习方法的优势，本文提出的框架在预测精度、模型鲁棒性和实际应用性方面均优于现有方法。这种混合因果-集成-XAI方法为可持续UHPC设计和性能预测提供了一种可扩展且可靠的技术路径。

在数据集方面，本文采用了来自Mendeley的数据集，该数据集包含810个混凝土混合比例样本，涵盖了14个描述混凝土组成的属性。这些属性包括水泥、养护时间、纳米硅酸盐、水、石英粉、骨料、矿渣、石灰石粉、超塑化剂、温度、纤维、粉煤灰等。目标变量是抗压强度，它代表了混凝土的强度表现。通过对这些数据的分析，可以识别出影响抗压强度的关键因素，如养护时间、纤维含量和硅灰的使用，这些因素在模型的可解释性分析中被突出显示。此外，数据集的构建和预处理过程也对模型的性能产生了重要影响，包括数据清洗、异常检测和特征标准化等步骤。

在方法上，本文的框架通过Granger因果分析识别输入特征与输出变量之间的因果关系，这有助于在模型构建过程中优先考虑具有显著影响的变量。通过这种方式，可以提高模型的预测能力，同时减少不必要的复杂性。随后，开发一个由八个机器学习算法组成的加权集成模型，包括XGBoost、CatBoost和梯度提升等，这些算法的权重根据验证性能进行分配，并通过GridSearchCV进行优化。这种集成方法不仅提高了预测的准确性，还增强了模型的泛化能力，使其能够适应不同的数据集和配合比设计场景。为了确保模型的可解释性，应用SHAP分析，提供对模型预测的全局和局部解释，使得模型的决策过程更加透明，便于工程人员理解和应用。

在模型评估方面，本文的框架在UHPC数据集上取得了显著的预测效果，其R2值达到0.968，均方误差（MSE）为47.86，均方根误差（RMSE）为6.918，均绝对误差（MAE）为4.852，均绝对百分误差（MAPE）为3.876，Huber损失为4.384，以及均方根对数误差（RMLSE）为0.054。这些指标表明，该框架在预测精度方面具有很高的表现，能够有效捕捉UHPC抗压强度的复杂关系。此外，通过可解释性分析，可以识别出影响抗压强度的关键特征，如养护时间、纤维含量和硅灰的使用，这些特征在模型的可解释性分析中被突出显示。这些发现不仅有助于优化UHPC的配合比设计，还能够为工程实践提供有价值的指导。

在应用方面，本文提出的框架不仅适用于UHPC的抗压强度预测，还可以推广到其他类型的混凝土性能预测，如坍落度、剪切强度等。通过结合因果推断、集成学习和可解释AI技术，该框架能够提供准确且可解释的预测结果，从而支持可持续和优化的混凝土配合比设计。此外，该框架还能够适应不同的工程需求和环境条件，提高预测的灵活性和实用性。通过这种方式，不仅可以提高混凝土结构的安全性和耐久性，还能够减少对环境的影响，实现绿色建筑的目标。

在当前的研究中，许多学者已经尝试了不同的机器学习方法来预测混凝土的性能，但这些方法在模型的复杂性和计算成本方面存在一定的局限。例如，某些模型由于使用较低的添加剂剂量，导致预测能力不足。而其他模型虽然在预测精度方面表现良好，但可能过于复杂，难以在实际工程中应用，或者需要大量的计算资源。因此，开发一种简单、高效且可解释的预测框架对于提升混凝土性能预测的实用性至关重要。

本文提出的框架通过整合因果推断、集成学习和可解释AI技术，克服了传统方法在预测UHPC抗压强度中的不足。Granger因果分析用于识别输入特征与输出变量之间的因果关系，从而指导更合理的特征选择。这种因果关系的识别不仅提高了模型的预测能力，还增强了模型的可解释性，使得工程人员能够理解模型的决策过程。随后，开发一个由八个机器学习算法组成的加权集成模型，并通过GridSearchCV进行超参数优化，以提高预测的准确性和泛化能力。这种集成方法通过聚合多个模型的输出，能够提高预测的稳定性，减少过拟合的风险，同时保持模型的灵活性。

为了确保模型的透明度和可解释性，应用SHAP分析，提供对模型预测的全局和局部解释。这种可解释性分析不仅有助于识别影响抗压强度的关键特征，还能够为工程人员提供有价值的决策支持。通过这种方式，不仅可以提高混凝土结构的安全性和耐久性，还能够减少对环境的影响，实现绿色建筑的目标。此外，该框架还能够适应不同的工程需求和环境条件，提高预测的灵活性和实用性。

在研究的结论部分，本文强调了UHPC抗压强度预测的重要性，并指出传统模型在计算效率、泛化能力和可解释性方面存在不足。为了克服这些问题，本文提出了一种新型的、集成的预测框架，结合了因果推断、集成学习和可解释AI技术，以提高预测的准确性和实用性。这种框架不仅适用于UHPC的抗压强度预测，还可以推广到其他类型的混凝土性能预测，如坍落度、剪切强度等。通过这种方式，不仅可以提高混凝土结构的安全性和耐久性，还能够减少对环境的影响，实现绿色建筑的目标。

在作者贡献方面，Aparna Kamarthi负责撰写、编辑、可视化、验证、软件开发、方法论、数据管理和概念设计，而Baskar Kaliyamoorthy则负责监督、资源协调、方法论和概念设计。这些贡献表明，本文的研究是一个团队合作的成果，结合了多个专家的知识和技能，以确保研究的全面性和科学性。

在声明部分，作者声明他们没有已知的与本研究相关的竞争性财务利益或个人关系，这表明研究的客观性和公正性。通过这种方式，可以确保研究结果的真实性和可靠性，为工程实践提供有价值的参考。

综上所述，本文提出的框架通过整合因果推断、集成学习和可解释AI技术，为UHPC抗压强度预测提供了一种准确、高效且可解释的方法。这种框架不仅能够提高预测的准确性，还能够增强模型的泛化能力和实用性，从而支持可持续的混凝土配合比设计。通过这种方式，不仅可以提高混凝土结构的安全性和耐久性，还能够减少对环境的影响，实现绿色建筑的目标。此外，该框架还能够适应不同的工程需求和环境条件，提高预测的灵活性和实用性。因此，本文的研究为UHPC的性能预测和优化设计提供了一种新的技术路径，具有重要的工程应用价值。