基于自适应机器学习框架的超高性能混凝土（UHPC）抗压强度预测与材料性能优化研究

针对超高性能混凝土（UHPC）抗压强度（CS）预测中复杂非线性关系建模难题，长安大学团队提出可解释机器学习框架，集成异常值检测、特征选择与贝叶斯优化，构建LightGBM预测模型（测试集R2=0.9677），通过SHAP方法解析出龄期（Age）、硅灰（SF）等关键影响因素，为UHPC材料设计与工程应用提供智能决策支持。

　　

超高性能混凝土（UHPC）作为新一代基础设施的核心材料，其抗压强度（Compressive Strength, CS）可达普通混凝土的数倍。然而，复杂的材料组分相互作用、高昂的实验成本以及传统经验公式的局限性，使得UHPC性能预测成为工程界长期面临的挑战。现有研究虽尝试应用机器学习（Machine Learning, ML）技术，但在数据质量管控、特征工程优化和模型可解释性方面仍存在明显不足。

长安大学公路学院的研究团队在《Results in Engineering》发表的研究中，构建了包含924组样本、20个特征参数的UHPC数据库，创新性地开发了融合异常值检测、特征筛选与模型解释的机器学习框架。研究采用基于二叉搜索树（BST）的孤立森林算法清洗数据，通过互信息评分（Mutual Information Score）构建4组特征子集（FS_6至FS_18），并对比了岭回归（RR）、支持向量回归（SVR）、随机森林（RF）等6种算法的预测性能。经贝叶斯优化调参后，LightGBM模型在FS_14特征集上表现最优，测试集R²达0.9677，平均绝对误差（MAE）仅4.4621 MPa。通过SHAP（Shapley Additive Explanations）分析揭示：龄期（Age）、硅灰（SF）含量、钢纤维参数（F, FD）和水泥（C）用量构成最关键影响因素，且随着CS提升，材料组分的相对贡献度显著增加。

关键技术方法包括：1）基于蒙特卡洛模拟的孤立森林异常检测；2）互信息评分与F检验相结合的特征筛选；3）5折交叉验证的模型训练策略；4）高斯过程回归驱动的贝叶斯超参数优化。数据来源涵盖110组自主实验和814组文献数据，涉及42.5/52.5 MPa硅酸盐水泥、钢纤维增强等典型UHPC体系。

研究结果部分：1）数据预处理显示异常值清除使样本峰度降低47%，数据分布更集中；2）模型比较表明LightGBM的泛化性能最优（DRMSE<0.5），显著优于传统RR模型（R²<0.7）；3）特征分析发现FS_14（14个特征）在保留关键信息的同时，较全特征集FS_18预测误差降低12%；4）SHAP解析揭示Age的贡献度随CS增长而下降，在>173 MPa高强度区间，SF与C的联合贡献占比达38%。

该研究构建的预测框架突破了传统UHPC设计依赖试错法的局限，首次实现了材料组分-工艺参数-力学性能的量化关联。特别值得注意的是，研究发现硅灰（SF）存在最优掺量阈值（约240 kg/m³），过量使用会因工作性劣化导致强度下降，这为工程实践中SF用量的精准控制提供了理论依据。研究提出的"性能导向型"材料设计方法，为建立UHPC材料基因组数据库、发展智能混合设计标准奠定了技术基础。未来通过引入迁移学习技术，该框架可进一步适配区域原材料差异，推动UHPC在特殊环境工程中的定制化应用。