可解释机器学习预测高温下纤维混凝土强度

纤维增强高性能混凝土（FRHPC）在高温环境下的抗压强度预测一直是工程界的难题——混合料配比、纤维特性、养护条件和温度之间相互耦合，传统模型难以厘清。近期一项研究用1204组实验数据构建了数据驱动的预测框架，不仅比较了八种机器学习模型，还通过可解释性分析揭示了温度对强度的主导性影响。

八种模型对比：集成方法全面胜出

研究团队收集了涵盖多样材料设计与暴露条件的1204条实验记录，并评估了八种机器学习模型。结果显示，集成方法（ensemble approaches）在测试集上的表现普遍优于单一学习器。其中梯度提升（Gradient Boosting）和极端梯度提升（XGBoost）表现最为突出，二者在未见数据上的R²均达到0.903。

具体误差指标上，梯度提升取得了最低的均方根误差（RMSE，6.67 MPa），而XGBoost则在平均绝对误差（MAE，3.97 MPa）和平均绝对百分比误差（MAPE，10.60%）上领先。这一结果表明，对于高温后混凝土强度的非线性预测问题，树集成模型具备较强的泛化能力。

梯度提升与XGBoost：梯度提升（Gradient Boosting）是一种集成学习技术，通过迭代地训练一系列弱学习器（通常是决策树），每棵新树都致力于拟合前一棵树的残差（即预测误差），最终将所有树的预测结果加权求和。XGBoost（Extreme Gradient Boosting）是梯度提升的高效实现，引入了正则化项控制模型复杂度、支持并行计算与稀疏感知，并采用二阶梯度信息优化目标函数，因而在中小规模表格数据上常表现出优异的精度与泛化能力。两者均属于树集成模型，对特征缩放不敏感，能自动捕捉特征间的非线性交互，这解释了它们为何在混凝土强度这类多因素耦合问题上优于单一学习器。

可解释性分析：温度是首要影响因素

模型精度之外，该研究更值得关注的是对“黑箱”的拆解。作者采用Shapley加性解释（SHAP）和部分依赖分析（PDP）对模型进行解释，发现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、水泥用量、水胶比和用水量。

这一排序具有明确的工程含义：在高温暴露场景下，温度对强度的支配作用超过了传统配合比参数。部分依赖分析进一步显示，强度随温度升高而显著下降，但劣化程度取决于具体的配合比设计——这意味着不存在通用的温度折减系数，材料设计需结合配比进行针对性评估。

SHAP与PDP：Shapley加性解释（SHAP）源自合作博弈论中的Shapley值，它将模型对某个样本的预测值分解为各输入特征的贡献之和，贡献大小反映该特征将预测值从基准值推高或拉低了多少。SHAP值具有可加性和一致性，能提供全局特征重要性排序与局部解释。部分依赖分析（PDP）则展示在其他特征平均化的条件下，某一特征取值变化对模型预测结果的边际影响，常用于揭示特征与预测目标之间的非线性关系。两者的结合既能给出“哪些特征重要”，又能刻画“如何影响”，从而将黑箱模型转化为可被工程人员理解的洞见。

从模型到工具：Python图形界面落地

为便于工程人员使用，研究团队将表现最优的模型集成到一个基于Python的图形用户界面（GUI）中，实现快速预测。用户输入配比与温度条件即可获得强度估计，降低了机器学习模型的使用门槛。

这项工作提供了一套精确且可理解的方法来评估温度相关的抗压强度，为纤维增强高性能混凝土的数据驱动设计提供了实用路径。其价值不仅在于预测精度，更在于通过可解释性分析将数据结论转化为可操作的工程洞见——例如在高温服役环境中优先调整温度敏感型配比参数，而非盲目优化常规强度指标。

局限与展望

说一下，该研究的模型基于1204条实验记录训练，数据覆盖范围决定了其适用边界。当配比或温度条件超出训练数据分布时，预测可靠性会下降。此外，SHAP揭示的是统计关联而非因果机制，温度影响强度的微观机理仍需材料科学实验加以验证。未来工作可将模型与有限元热力耦合分析结合，或引入更多纤维类型与冷却制度变量，以拓展框架的工程适用性。

SHAP的统计关联与因果推断的区别：SHAP值度量的是特征对模型预测的贡献程度，这种贡献基于训练数据中特征与目标之间的统计相关性，而非因果效应。若两个特征高度相关，SHAP可能将预测贡献分配给其中一个而低估另一个，导致重要性排序受数据分布影响。因此，SHAP揭示温度是首要因素，仅说明在现有数据中温度与强度变化强相关，并不能证明温度是唯一或直接的因果驱动因素。要确认微观机理，仍需材料科学实验（如微观结构分析、水化产物观测）加以验证，或采用因果推断方法控制混杂因素。