基于机器学习的再生骨料混凝土强度和耐久性预测及多目标混合设计优化
《Case Studies in Construction Materials》:Strength and durability prediction and multi-objective mix design optimization of recycled aggregate concrete based on machine learning
【字体:
大
中
小
】
时间:2026年05月12日
来源:Case Studies in Construction Materials 6.6
编辑推荐:
赵增峰|刘亚杰|卢彦云|吴凯|孟永东|王振地|豪尔赫·德·布里托
中国同济大学土木工程学院结构工程系
摘要
由于再生骨料混凝土(RAC)在建筑行业中的广泛应用及其潜在的环境和经济效益,目前受到了广泛关注。然而,评估RAC的性能需要大量的耗时实验。此外,在RAC的配合比设计中需要
赵增峰|刘亚杰|卢彦云|吴凯|孟永东|王振地|豪尔赫·德·布里托
中国同济大学土木工程学院结构工程系
摘要
由于再生骨料混凝土(RAC)在建筑行业中的广泛应用及其潜在的环境和经济效益,目前受到了广泛关注。然而,评估RAC的性能需要大量的耗时实验。此外,在RAC的配合比设计中需要考虑多个相互冲突的目标,如高机械强度、高耐久性、低碳足迹和成本效益。因此,本研究采用了九种机器学习模型,在超参数优化后,利用分别包含965个、698个和231个样本的数据集来预测RAC的抗压强度(CS)、碳化深度(CD)和导电性能(PEC)。LightGBM在预测CS(R2=0.9523,RMSE=2.7163)和CD(R2=0.9286,RMSE=1.8723)方面表现最佳,而XGBoost在预测PEC(R2=0.8985,RMSE=514.3255)方面表现出色。总体而言,所选模型的预测值与实际值吻合度较高,控制误差在20%左右。这些机器学习模型优于传统的定量模型。为了同时考虑碳足迹和成本目标,采用了基于自适应几何估计的MOEA II(AGE-MOEA-II)算法进行多目标优化。结合层次分析法(AHP)和相似理想解排序法(TOPSIS),在两种设计情景下获得了最优解。该框架可应用于各种工程领域,有助于提高配合比设计的效率,并促进RAC在工程中的使用。
1. 引言
随着全球城市化的加速,产生了大量的建筑和拆除废弃物(CDW),而这些废弃物难以以可持续的方式利用[1],[2]。为了解决自然资源的过度开发问题,促进CDW的使用并减少碳排放,补充胶凝材料(SCM)和再生骨料(RA)等建筑材料受到了广泛关注[3],[4],[5]。与天然粗骨料相比,再生粗骨料可以有效减少30-65%的温室气体排放,并节省58%的不可再生能源消耗[6]。在工业应用中使用再生骨料混凝土(RAC)可以获得一定的生态(减少天然骨料消耗和废弃物产生)和经济效益。生命周期评估(LCA)显示,RAC的发展可以显著降低其碳排放,因为在实际应用中运输的材料量较少(运输过程是RAC领域最重要的影响因素之一)[2],[4],[5],[6]。基于CDW制备的SCM的碳排放量大约比普通波特兰水泥低22%[7]。此外,加入SCM可以有效提高RAC的性能,因为RA表面附着的旧砂浆会对RAC的性能产生负面影响[8],[9],[10]。因此,含有SCM的RAC可以考虑在工程项目中得到应用。
RAC的机械性能和耐久性通常通过实验室测试进行评估。然而,这些测试耗时且劳动密集。例如,抗压强度测试可能需要等待28天,而耐久性测试可能长达6个月。为了解决这个问题,提出了多种间接估算方法,如多元回归模型[11]和基于统计分析的线性模型[12],[13],来预测RAC的性能。然而,混凝土性能与配合比之间的关系并非简单的线性关系,不同性能之间的相关性也无法通过间接估算方法完全考虑。
近年来,机器学习技术在预测给定配合比下混凝土的性能方面越来越受欢迎[14],[15],[16]。机器学习算法可以分析大量数据,学习混凝土配合比与性能之间的复杂关系,从而实现准确的预测。与传统统计分析方法相比,机器学习技术能够全面准确地考虑各种输入参数的影响。多种机器学习模型已成功应用于预测RAC的抗压强度[17],[18],[19],[20],[21]、抗拉强度[20],[22]、弹性模量[22],[23]和抗弯性能[25]。在这些研究中,人工神经网络(ANN)、支持向量回归(SVR)、分类与回归树(CART)、随机森林(RF)和梯度提升决策树(GBDT)模型被证明是有效的。然而,机器学习模型在预测RAC耐久性方面的应用较少。此外,这些算法可能会遇到过拟合等问题,从而影响预测的准确性和可靠性[26]。
在昼夜温差大且环境侵蚀性强的海洋环境中,混凝土的耐久性要求尤为重要。因此,迫切需要进一步研究,以准确预测给定配合比下混凝土对氯离子侵蚀和碳化的抵抗力。
混凝土的抗压强度是其承受载荷能力的重要指标[27]。因此,在设计配合比时,必须确保其同时满足耐久性和抗压强度的要求[28],[29]。此外,在配合比设计过程中还应考虑成本和环境影响等因素[4],[5],[10],[30]。
需要强调的是,RAC的性能不仅受固有配合比的影响,还受多种外部因素的影响。然而,要全面考虑所有潜在因素以实现精确预测是具有挑战性的。鉴于数据集数量和质量的限制,选择文献中常用的输入变量对于预测建模至关重要。根据以往的研究,输入变量(如水泥含量、水灰比、再生粗骨料的替代比例、SCM含量等)可能会影响RAC的机械性能和耐久性[2],[5],[8],[9],[13],[20],[31]。因此,本研究选择的输入变量包括养护龄期(CAge)、二氧化碳浓度(CC)和暴露时间(ET)。
在这种情况下,收集了大量相关数据,然后对输入变量进行了线性特征选择。接着通过自动超参数调整,将所开发模型的预测准确性与之前应用的模型进行比较,以确定最优预测模型。将选定的模型与传统定量模型进行比较,以展示所选机器学习(ML)模型的准确性和实用性。最后,使用AGE-MOEA-II和AHP-TOPSIS方法以及训练好的模型作为预测模型,生成考虑机械性能、耐久性、成本和生态方面的RAC优化配合比方案。
本研究旨在开发一个全面的机器学习驱动框架,用于RAC的性能自动预测和多目标优化。具体来说,研究旨在:
- 开发一个预测ML模型,准确估计RAC的关键耐久性指标,包括碳化深度和导电性能,这些指标对于评估长期性能至关重要。
- 通过利用文献中编写的广泛而准确的数据集,展示集成ML模型在预测RAC性能方面的优越性。
- 实现RAC配合比的多目标优化,同时最大化抗压强度、提高耐久性、降低成本并减少碳排放,从而支持建筑领域的实际和可持续应用。
- 使用文献中的准确和广泛的实验结果验证所提出框架的有效性和鲁棒性,确保其在实际应用中的可靠性。
2. 文献综述
2.1 机器学习在预测RAC性能中的应用
传统方法通常是手动的且耗时。机器学习在预测RAC性能方面受到了广泛关注,集成学习算法表现出优越的性能(表1)。
表1. 用于预测再生骨料混凝土系统性能的机器学习模型总结
参考文献
ML模型 输出
徐等人[20] 灰色系统理论(GST)、多元非线性回归(MNR)、人工神经网络(ANN) 抗压强度、弹性模量、抗弯强度、普通和高强度再生骨料混凝土的分裂抗拉强度
ANN在按强度等级划分数据集时表现最佳
陈等人[22] 反向传播神经网络(BPNN) 抗压强度、分裂抗拉强度、渗透性系数
BPNN预测模型的单边和双边相对误差均在7%以内,双边模型在渗透性预测方面略具优势
Rezaiee-Pajand等人[25] 帝国主义竞争算法(ICA)+多层感知器(MLP) 抗压强度、抗拉强度、再生粗骨料(RCA)混凝土的抗弯强度
提出了基于ICA的公式来预测RCA混凝土的机械强度。MAE值:抗压强度≈ 0.54 MPa,抗拉强度≈ 0.48 MPa,抗弯强度≈ 0.36 MPa
Jayasinghe等人[32] 线性回归、KNN、随机森林、AdaBoost、梯度提升、XGBoost、CatBoost、LightGBM RAC梁的剪切强度
XGBoost表现最佳(细梁R2 = 0.95,深梁R2 = 0.78)
彭和Unluer[33] ANN、SVR、PSO-SVR、GWO-SVR RAC的抗压强度
混合模型(PSO-SVR和GWO-SVR)优于传统模型,GWO-SVR的R2最高(0.9056),但存在过拟合现象
苗等人[34] M5P、SVR、MLP、RF、XGBoost 再生骨料自密实混凝土的抗压强度
XGBoost表现最佳(测试集:R2 = 0.909,RMSE = 4.99 MPa,MAE = 3.54 MPa)
杨等人[35] 卷积神经网络(CNN)、长短期记忆(LSTM) CNN-LSTM-MHA模型
提出的CNN-LSTM-MHA模型在测试集上表现最佳(R2 = 0.95,RMSE = 1.64,MAE = 1.19%,MAPE = 12.19%),显著优于单独的CNN、LSTM、CNN-LSTM模型以及现有的设计规范和经验公式
正如系统综述[36]所强调的,虽然有大量研究专注于预测混凝土的抗压强度,但关于碳化深度和导电性能等耐久性指标的研究相对较少。因此,本研究旨在开发一个机器学习模型,准确估计RAC的关键耐久性指标,这对于评估其长期性能至关重要。
2.2 RAC的多目标配合比优化
对于混凝土配合比的多目标优化问题,通常使用一个或两个机器学习模型作为目标函数,捕捉配合比成分与性能/成本之间的复杂关系。例如,Behood和Golafshani[30]进行了一项研究,以确定能够实现指定抗压强度的同时最小化成本的硅灰基混凝土的最佳配合比[6]。Zhang等人[31],[37]对混凝土配合比进行了多目标优化,考虑了强度、成本和坍落度。Chen等人[38]致力于在抗冻性、抗氯离子渗透性和成本之间取得平衡。Zheng等人[39]开发了一个结合贝叶斯优化和C-TAEA的先进ML框架,以准确预测抗压强度和粘合剂强度,优化性能和成本效益。然而,他们明确指出未来工作需要纳入基于耐久性的可靠性评估。Fan等人[40]结合梯度提升和NSGA-II优化了RAC混合物,考虑了抗压强度、成本和碳排放,但未涉及耐久性方面。同样,Liu等人[41]使用XGBoost和CMOPSO解决了强度、成本、碳足迹和能源消耗问题,但也忽略了耐久性性能。Wang等人[42]将生命周期成本和环境影响评估与粒子群优化算法结合,优化了配合比。Han等人[43]使用随机森林模型优化了再生塑料骨料混凝土的强度、密度和成本,同样没有考虑耐久性。
尽管这些研究建立了机械和经济优化的稳健框架,但最近的进展开始关注更广泛的性能指标。Peng等人[44]提出了一个结合多目标优化的混合机器学习框架,用于绿色和低碳混凝土的智能设计。他们的工作展示了集成算法在平衡机械性能和环境影响方面的有效性。然而,他们的优化目标仅限于强度和成本,忽略了关键的耐久性目标。同样,Miao等人[45]利用混合ML算法智能预测含有补充胶凝材料的RAC的全面机械性能。这项研究仅关注机械性能预测,没有纳入多目标优化模块。此外,Miao等人[46]提出了一种将废玻璃转化为可持续胶凝材料的智能方法。本研究同时评估了新鲜状态、机械性能和耐久性表现,标志着向全面评估迈出的关键一步。然而,这些性能的优化依赖于仅适用于二元或三元目标问题的传统算法。2.3. 研究空白根据上述文献综述,主要的研究空白包括:•缺乏使用先进机器学习模型预测RAC耐久性的研究(特别是碳化深度和导电性能);•缺乏一个综合框架,该框架能够将高精度的机器学习预测结果整合到RAC混合设计的多目标优化中,同时考虑性能、成本和环境影响。最近的研究[47]和[48]揭示了表2中持续存在的空白。虽然这些算法在处理二元和三元目标问题时有效,但在处理多目标问题(如涉及强度、耐久性、成本和碳足迹的可持续RAC设计)时,它们常常面临收敛性和多样性维持的挑战。此外,这些研究中的决策过程通常依赖于简单的加权方法或熵权重技术,这可能无法完全捕捉工程师在从帕累托前沿选择最终最优混合方案时的复杂偏好。因此,迫切需要一个更综合的框架,将先进的多目标求解器与强大的决策支持机制结合起来。表2. 所提出的框架与最近关于RAC混合设计的最先进研究的比较。特征本研究参考文献[47]参考文献[48]目标抗压强度、碳化深度、导电性能抗压强度、坍落度、成本抗压强度、抗拉强度、成本耐久性目标碳化深度、导电性能//环境目标二氧化碳排放、材料成本材料成本材料成本优化算法AGE-MOEA-II(五元目标)NSGA-II(三元目标)MOEA/D(三元目标)决策方法混合AHP-TOPSIS熵权重TOPSIS为了填补这些空白,本研究旨在开发一个强大的自动化机器学习框架,用于RAC的性能预测和多目标优化。这项工作的新颖性和贡献有三个方面:•系统地开发和比较用于预测RAC关键耐久性指标(碳化深度和导电性能)的先进机器学习模型,以及抗压强度;•提出一个综合框架,该框架在多目标优化算法中使用表现最佳的机器学习模型作为替代变量,以生成最优混合设计,平衡抗压强度、耐久性、成本和碳排放——这是以往工作中很少涉及的组合;•该框架结合了严格的数据预处理、特征选择和自动超参数调整,以减少过拟合并提高预测的泛化能力和可靠性。3. 方法论图1展示了本文的框架,以实现RAC在强度、耐久性、环境影响和成本方面的预测和设计优化。该框架主要分为RAC的强度和耐久性预测以及多目标优化。下载:下载高分辨率图像(129KB)下载:下载全尺寸图像图1. 指定混凝土性能 - 文章百分比[36]。RAC的耐久性和强度预测包括第3.1节中的数据准备、超参数优化和模型选择。多目标优化包括第3.2节中的优化函数和约束定义以及最优解分析。为了超越学术测试的实际应用,所提出的基于机器学习的框架旨在通过以下简化的工作流程被行业从业者采用:(1)数据输入。收集必要的输入变量,如水灰比、再生骨料百分比和添加剂含量,并将其编译成标准化的数字格式。(2)预测结果。输入数据由预训练的机器学习模型处理,输出关键性能指标的预测结果,包括抗压强度、碳化深度和导电性能。(3)多目标优化。如果需要优化,则定义具体的约束和目标权重。使用机器学习模型作为替代变量自动执行优化算法,生成一组帕累托最优混合设计。(4)决策。根据预测的性能、成本和环境影响评估最优混合方案。最终选择根据项目优先级进行,从而减少了对传统试验批次的需求。下载:下载高分辨率图像(333KB)下载:下载全尺寸图像图2. 所提出框架的流程图。3.1. RAC的抗压强度和耐久性预测3.1.1. 数据集描述和特征选择众所周知,数据集的质量和多样性会影响最终预测模型的性能。混合组成、养护条件和测试程序中有许多变量。因此,只考虑了具有足够实验数据和公认高影响的有影响力的变量。通过收集国际发表论文(开放文献)中的实验结果,建立了三个数据集。这些样本大小的选择严格遵循相应的国家标准,确保了来自不同文献来源的实验数据的可靠性和可比性。RAC的抗压强度根据中国标准GB/T 50081-2019 [49]在100毫米和150毫米的混凝土立方体上进行了测试。碳化深度根据GB/T 50082-2009 [50]在100×100×400毫米的混凝土棱柱和100毫米的混凝土立方体上进行了测试。导电性能根据GB/T 50082-2009 [50]中规定的快速氯离子渗透测试(RCPT)方法的几何形状,在高度为50毫米、直径为100毫米的标准圆柱体上进行了测试。经过缺失数据处理后,28天抗压强度(CS)、碳化深度(CD)和导电性能(PEC)的数据样本数量分别为965 [51]、[52]、[53]、[54]、[55]、[56]、[57]、[58]、[59]、[60]、[61]、[62]、[63]、[64]、[65]、[66]、[67]、[68]、[69]、[70]、[71]、[72]、[73]、[74]、[75]、[76]、[77]、[78]、[79]、[80]、[81]、[82]、[83]、[84]、[85]、[86]、[87]、[88]、[89]、[90]、[91]、[92]、[93]、[94]、[95]、[96]、[97]、[98]、[99]、[100]、[101]、[102]、[103]、[104]、[105]、[106]、[107]、[108]、[109]、[110]、[111]、[112]、[113]、[114]、[115]、[116]、[117]、[118]、[119]、[120]、[121]、[122]、[123]、[124]、[125]、[126]、[127]、[128]、[129]。排除了任何输入值缺失的数据样本,以确保数据完整性。这些样本使用了SCM,如粉煤灰(FA)、粒化高炉矿渣(GGBS)和硅灰(SF)。输入变量之间的高相关性可能导致多重共线性,这会不利地影响回归模型的预测结果,特别是对于线性模型。虽然非线性模型如GBDT、RF和极端梯度提升(XGBOOST)由于能够处理复杂的非线性关系而较少受到多重共线性的影响,这可能需要更多的树或更深的树来准确捕捉这些关系,但增加模型复杂性可能会导致过拟合、不稳定、更长的训练时间和更高的计算资源需求。此外,多重共线性可能导致变量重要性的评估不准确,并降低模型的解释能力。在统计学中,相关系数用于量化变量之间的高程度关系。图3显示了热图,说明了皮尔逊相关系数。下载:下载高分辨率图像(604KB)下载:下载全尺寸图像下载:下载高分辨率图像(280KB)下载:下载全尺寸图像图3. 数据集的相关矩阵:(a) CS;(b) CD;(c) PEC。相关系数接近1或-1分别表示变量之间的强正相关或强负相关。此外,相关系数接近0表示变量之间没有线性关系。为了防止多重共线性,皮尔逊相关系数不得超过0.7 [130]。因此,应移除输入变量水灰比(W/B)、水胶比(W/C)、天然骨料与再生粗骨料的替代比例(RCARR)以及普通波特兰水泥与补充胶凝材料的替代比例(SCMRR)。除了相关系数外,方差膨胀因子(VIF)和容忍度(TOL)也是用于评估独立变量之间高程度相关的额外指标。通常,VIF超过10或TOL低于0.1被认为是存在多重共线性问题 [130]。表3、表4、表5显示,三个数据集中的所有输入变量都满足要求,除了PEC数据集中的水(W)、水泥(C)、再生粗骨料(RCA)、天然粗骨料(NCA)和砂(S)的含量。这是因为文献中的测试大多考虑了RCA掺入比例对混凝土性能的影响,导致多个数据集中的RCA和NCA的总量保持不变。因此,多个数据集中的RCA和NCA的总量以及水(W)、水泥(C)和砂(S)的含量保持不变。表3. CS预测输入变量的多重共线性分析。变量WCNCARCASFAGGBSSFSPRAWAVIF1.512.168.638.861.321.421.391.031.441.26TOL0.660.460.120.110.760.700.720.970.690.80表4. CD预测输入变量的多重共线性分析。变量WCNCARCASFAGGBSSFSPRAWAETCCVIF1.583.149.489.621.332.121.721.181.341.421.351.41TOL0.630.320.110.110.750.470.580.850.740.700.740.71表5. PEC预测输入变量的多重共线性分析。变量WCNCARCASFAGGBSSFSPRAWACAgeVIF11.1910.4678.8674.3516.408.526.535.383.071.431.57TOL0.090.100.010.010.060.120.150.120.330.700.64小提琴图和散点图结合成一个图(图4)。小提琴图的形状可以可视化每个输入变量的概率密度。散点图展示了数据点的精确位置和分散情况。下载:下载高分辨率图像(728KB)下载:下载全尺寸图像图4. 数据集的小提琴图:(a) CS;(b) CD;(c) PEC。数据集中的值使用最小-最大归一化方法归一化到0-1的范围。公式为[38]:(1)?xi?=xi?xminxmax?xmin,其中xi是样本i的原始值,?xi?是样本i的归一化值,xmax和xmin分别是数据集中的最大值和最小值。该公式确保每个值在指定范围内按比例调整。归一化过程在数据预处理中至关重要,特别是在处理跨越不同范围的变量时。它有助于这些变量在后续分析中的公平比较和整合,从而提高结果的准确性和可解释性。3.1.2. 机器学习模型由于在捕捉复杂非线性关系和处理高维数据方面的优越性能,本研究采用了先进的梯度提升模型,包括XGBoost(极端梯度提升)、CatBoost(分类提升)和LightGBM(轻量级梯度提升)作为预测模型。这些模型不仅在计算资源和内存使用方面高效,而且在自动管理分类特征方面也表现出色(特别是CatBoost)。此外,为了确定预测RAC的机械性能和耐久性的最佳机器学习模型,对这些先进模型与传统的机器学习模型(包括BPNN、SVR、KNN、CART、RF和GBDT)进行了比较。包括这些传统模型是为了评估先进模型提供的改进(确保多方面的视角)。下面简要描述了每种模型的原理。BPNN(反向传播神经网络)是一种使用反向传播算法调整权重和偏置的人工神经网络。它通过迭代过程最小化预测输出和实际结果之间的差异来学习 [131]。SVR(支持向量回归)是一种回归技术,旨在识别最大化预测值和实际目标之间边际的最优超平面。它通过使用支持向量和核函数有效地处理非线性和异常值 [132]。KNN(K-最近邻)的基本概念是,与邻近样本具有更大相似性的样本更有可能属于同一类别或具有相似的目标值。该算法识别新样本的k个最近邻居,并通过计算这些邻居的平均值或加权平均值来预测其目标值 [133]。CART(分类和回归树)、RF(随机森林)和GBDT(梯度提升决策树)都是基于决策树的模型。CART算法通过迭代选择最优特征和阈值将数据集划分为更小的子集,直到满足某些停止条件。然后在叶节点生成预测结果,考虑样本的类别或目标值 [134]。RF和GBDT是集成学习算法,通过组合多个决策树来提高整体模型的性能。RF通过构建具有随机选择的特征和样本的多个决策树进行训练,结果是通过投票或平均预测结果获得的 [135]。GBDT是一种迭代集成学习算法,通过梯度下降算法最小化损失函数,每个新的决策树都在所有先前决策树的残差上训练 [136]。XGBoost、CatBoost和LightGBM是GBDT算法的优化版本 [137]。XGBoost采用梯度提升框架来训练决策树模型。XGBoost使用损失函数的二阶泰勒展开,允许更准确地近似目标函数。此外,它还包括一个正则化项,以有效控制模型的复杂性并避免过拟合 [138]。开发CatBoost算法的初衷是改进GBDT模型中对分类特征的处理。CatBoost配备了先进的算法,能够自动处理分类特征,将它们转换为数值特征。与LightGBM和XGBoost不同,CatBoost采用对称的树结构。在整个层次结构中,选择的最小损失作为分割条件,这使得同一层次结构内所有节点的分割条件保持一致。LightGBM采用了创新的基于梯度的单边采样、独占特征捆绑和GPU支持方法来提高模型的训练速度[139]。为了实现更快的收敛,LightGBM实施了逐叶生长策略,该策略优先选择梯度较大的节点进行分割。然而,这种策略增加了过拟合的风险。因此,除了算法引入的正则化技术外,超参数调整也至关重要。图5展示了我们研究中使用的九种机器学习算法的层次结构分类。下载:下载高分辨率图像(56KB)下载:下载全尺寸图像图5. 本研究中使用的九种机器学习算法的分类。3.1.3. 使用Optuna进行超参数调整超参数优化是在拟合ML模型之前的关键步骤。如果超参数没有正确调整,可能会导致性能不佳。本研究采用了Optuna,这是一个专门为机器学习任务设计的超参数优化框架[140]。Optuna的目的是在给定的超参数范围内最大化或最小化目标函数的值。通过试错方法评估不同的超参数配置。搜索策略根据之前试验的结果更新下一次搜索。Optuna完成搜索后,会返回最大化或最小化目标函数的最优超参数集。Optuna提供了高效的优化算法,如树结构Parzen估计器(TPE)和协方差矩阵适应进化策略(CMA-ES),与传统的网格搜索(GS)和随机搜索(RS)方法相比,这些算法具有更高的效率和准确性。与贝叶斯优化不同,Optuna智能地平衡了探索(寻找新的潜在领域)和利用(在已知良好领域进行深入搜索),从而更快地收敛到最优解。在这个超参数调整过程中,使用了基于贝叶斯优化算法的TPES采样器。优化试验的次数固定为1000次。均方根误差(RMSE)的单位与原始数据单位相同。此外,由于使用了平方运算,RMSE对极端误差很敏感。在实际应用中,特别是在向非技术人员报告或需要直观解释误差时,RMSE通常是一个更好的选择,因为它直观且对大误差敏感。使用RMSE作为目标函数,最优超参数集对应于最小的RMSE。每个数据集被随机分为训练集(70%)和测试集(30%)。训练集用于通过10折交叉验证来确定最优超参数集。一旦确定了最优超参数集,就使用训练集来拟合模型。测试集完全独立于超参数调整和训练过程,仅用于评估模型的预测能力。3.1.4. 性能评估指标在本研究中,训练并使用了九种预测模型(包括BPNN、SVR、KNN、CART、RF、GBDT、XGBoost、CatBoost和LightGBM)。使用R-squared(R2)、RMSE、平均绝对误差(MAE)和平均绝对百分比误差(MAPE)来评估这九种模型的预测性能。RMSE、MAE、MAPE的值越低,表示模型性能越好。相反,R2的值越高,尤其是接近1的值,表示模型性能越优越。公式如下[16]、[21]、[24]、[26]:(2)R2=1?∑i=1nyiML?yiAU2∑i=1nyiAU?yAUˉ2(3)RMSE=∑i=1nyiML?yiAU2n(4)MAE=1n∑i=1nyiML?yiAU(5)MAPE=1n∑i=1nyiMA?yiAUyiAU其中n是每个数据集的总数,γiAU是样本i的实际值,γiML是样本i对应的ML预测值,yAUˉ是实际值的平均值。3.2. RAC的多目标优化选择控制RAC性能的九个基本混合组成参数作为设计变量:水、水泥、NCA、RCA、砂、FA、GGBS、SF和超塑剂含量。多目标优化的目的是找到最佳的变量组合,以最大化CS和耐久性,同时最小化碳足迹(CF)和成本。3.2.1. 目标函数在本研究中,考虑了五个目标函数:(6)f1=maxCSmodelf2=minCDmodelf3=minPECmodelf4=minCFmodelf5=mincostmodel其中CS、CD和PEC模型是基于性能评估的先前最佳预测模型,x是在约束条件下的设计变量。CF模型定义为一立方米RAC的混凝土成分生产过程中产生的总碳足迹,表示为:(7)CF=∑i=1nmi×Ci其中n是成分类型的数量;mi是第i个混凝土成分的质量;Ci是第i个混凝土成分生产过程中的单位碳足迹。成本模型定义为一立方米RAC的成分成本和处理CF的成本,表示为:(8)cost=CE×cCE+∑i=1nmi×ci其中Ci是第i个混凝土成分生产过程中的单位成本,cCE是处理CF的单位成本。在本研究中,单位CF是根据建筑碳排放计算标准(GB/T 51366-2019)和权威国际出版物[141]、[142]、[143]、[144]提取的,每个RAC成分的成本基于当前中国市场。表6列出了RAC成分的单位CF和单位价格。表6. 成分的单位CF和成本。成分顺序成分CF(kg CO2/ kg)成本(RMB/kg)1水泥?0.7350.432NCA0.00750.103RCA0.0030.064砂0.00250.145FA0.02390.206GGBS0.070.337SF0.0140.808超塑剂??0.722.60注:?表示普通波特兰水泥,??表示聚羧酸SP。3.2.2. 设计约束本研究考虑了正常环境和恶劣环境下的两种设计场景的优化,分别表示为A1和A2。A1是一个三目标问题,考虑了抗压强度、成本和碳足迹。A2是一个多目标问题,包括五个目标函数,即耐久性(抗碳化和抗氯离子)、抗压强度、成本和碳足迹。对成分和目标函数值的限制统称为设计约束。设计约束是根据混凝土质量控制标准(GB 50164-2011)[145]、混凝土结构耐久性设计标准(GB/T50476-2019)[29]和再生混凝土结构技术标准(JGJ T443-2018)[146]确定的,如表7所示。此外,CAge和ET都设置为28天,而CO2浓度(CC)设置为20%。本文中的设计约束主要考虑了基本要求。值得注意的是,在实际应用中,如果需要更高强度或耐久性的RAC,可能需要根据具体要求修改设计约束。表7. 设计约束的范围。参数表达式下限上限W/BW/(C+FA+GGBS+SF)0.350.55粘合剂含量C+FA+GGBS+SF250450SCM含量FA+GGBS+SF60150SP百分比SP/(C+FA+GGBS+SF)0.0050.02砂率S/(S+RCA+NCA)0.30.4抗压强度CS30/碳化深度CD/30通过电荷PEC/4000此外,组分的体积总和应控制在1立方米以内(公式9)[146]:(9)mcρc+mwρw+mNCAρNCA+mRCAρRCA+mSρS+mFAρFA+mGGBSρGGBS+mSFρSF+mSPρSP=1m3其中mi和ρi分别表示每个成分的含量和密度。是再生混凝土中空气含量的百分比值,当不添加引气剂时取为1。每种成分的密度如表8所示。表8. RAC中每种成分的密度。成分WCNCARCASFAGGBSSFSP密度(kg/m3)1000315027002450265025002800220013503.2.3. 混合设计优化最近提出的AGE-MOEA-II(基于自适应几何估计的MOEA II)算法用于多目标优化。与其前身AGE-MOEA和其他四种广泛使用的多目标优化算法(包括多目标进化算法(MOEA)和非支配排序遗传算法(NSGA-III)、基于分解的多目标进化算法(MOEA/D)、大规模多目标优化(LMEA)和基于向量角度的进化算法(VaEA)相比,AGE-MOEA-II表现出更优的性能[147]。AGE-MOEA-II采用了一种自适应几何估计机制,有助于更有效地导航复杂的多目标景观。这提高了解决方案的质量和收敛速度。相比之下,NSGA-III以其处理多目标问题的能力而闻名,但在某些情况下可能会遇到收敛挑战。MOEA/D虽然在利用分解策略方面有效,但其对权重向量的依赖性可能会限制其对不同问题景观的适应性。LMEA针对大规模多目标优化问题,但在目标较少的情况下可能不够稳健。VaEA侧重于基于向量角度的方法,在特定情况下可能有益,但可能缺乏AGE-MOEA-II所展示的全面适应性。总体而言,选择AGE-MOEA-II是合理的。使用选定的机器学习模型和AGE-MOEA-II,采取以下步骤来找到RAC的最佳混合设计:(1)使用28天养护样本分别训练选定的机器学习模型,以预测CS、CD和PEC。通过应用十折交叉验证和Optuna找到模型的最优超参数。使用训练好的模型来预测RAC的强度和耐久性;(2)计算数据集中每种混合物的成本和CF;(3)使用AGE-MOEA-II获得相应设计场景的帕累托前沿。帕累托前沿是最优混合设计的边界线,可以通过选择RAC属性的权重来选择不同实际设计场景的最佳混合设计。3.2.4. 多标准决策方法RAC属性的要求基于实际工程要求确定。然而,优化RAC的耐久性、强度、成本和碳足迹之间的冲突是不可否认的。这些相互冲突的多目标需要一个解决方案来选择最终的最佳混合设计。在本研究中,使用技术通过相似性到理想解的排序(TOPSIS)从AGE-MOEA-II获得的帕累托前沿中选择最符合实际工程要求的混合设计。该方法将每个替代方案视为一个多维特征向量。它旨在识别最接近正理想解(目标函数值最佳)的解决方案,同时远离负理想解(目标函数值最差)的解决方案。可以根据实际需求和专家经验人工确定每个性能的相对权重和排名。4. 结果与讨论4.1. 超参数调整本研究使用十折交叉验证和Optuna对训练数据集进行优化,以找到RMSE最低的最优超参数组合。图6以CatBoost为例说明了优化过程。图6中的红点表示在1000次迭代中RMSE最低的最佳超参数组合。为了全面调整不同模型(包括单个决策树和集成模型)的超参数,考虑了基本超参数(如max_depth、min_samples_leaf、min_samples_split)以及其他与模型原理相关的超参数。超参数的选择范围和最终的最优组合显示在附录II中。n_estimators的值通常设置在100到1000之间。考虑到迭代次数和计算时间的影响,只考虑了120、200、300、400、500、600、700、800、1200。下载:下载高分辨率图像(180KB)下载:下载全尺寸图像图6. CatBoost的超参数优化过程:(a) CS;(b) CD;(c) PEC。4.2. 机器学习方法的选择4.2.1. 抗压强度预测图7比较了整个数据集的预测CS和实际CS。除了少数噪声外,GBDT、XGBoost、CatBoost和LightGBM模型在测试集上的预测值与实际值之间的误差可以控制在20%以内。此外,这些模型的预测值与训练集中的实际值非常吻合。相比之下,BPNN、SVR、CART和RF模型的整体误差较高,而KNN模型在训练集上的表现较好,但在测试集上的效果较差。在评估的模型中,LightGBM的表现最好,具有最高的R2值0.984,以及最低的RMSE、MAE和MAPE值。下载:下载高分辨率图像(859KB)下载:下载全尺寸图像图7. 九种所用模型的预测CS和实际CS的比较(a-i)。泰勒图(图8(a))比较了八种模型在测试集上的预测性能(图7显示BPNN的预测准确性显著较低,因此未包括在比较中)。每个点代表一个预测模型,最接近实际值(实际值,红点)的点表示该模型在测试集上的表现最好。根据图中的结果,模型在测试集上的性能排名如下:LightGBM > XGBoost > GBDT > CatBoost > RF > KNN > CART > SVR。下载:下载高分辨率图像(490KB)下载:下载全尺寸图像图8.泰勒图用于评估预测的机器学习模型在测试集上的性能:(a) 抗压强度(CS);(b) 碳化深度(CD);(c) 电阻率(PEC)。表9展示了训练集和测试集的评估指标。先进的梯度提升模型在训练集和测试集上都表现出更高的预测准确性。这表明这些模型能够很好地泛化到未见数据上,显示出它们在本研究基础上应用于其他或扩展的CS数据集的潜力。对于训练集,GBDT模型表现最佳,具有最高的R2值0.9984,以及最低的RMSE、MAE和MAPE值。然而,值得注意的是,LightGBM在训练集上的表现略逊于GBDT。它在训练集和测试集上的表现差距较小,表明过拟合现象最少。此外,LightGBM将传统GBDT的训练速度提高了20倍以上,同时保持了几乎相同的准确度[148]。因此,与GBDT、XGBoost和CatBoost相比,LightGBM在计算成本和训练时间方面具有优势。总体而言,LightGBM在预测RAC 28天时的抗压强度方面表现最佳。表9. GBDT、XGBoost、CatBoost、LightGBM在RAC三个属性(CS、CD和PEC)上的性能评估指标。属性 模型 数据集 R2 RMSE MAE MAPE CS LightGBM 训练 0.9982 0.520 0.2156 0.0058 测试 0.9523 2.7163 1.3633 0.0345 XGBoost 训练 0.9977 0.5886 0.3065 0.0082 测试 0.9412 3.0166 1.5611 0.0387 GBDT 训练 0.9984 0.4930 0.1744 0.0046 测试 0.9291 3.3118 1.5739 0.0384 CatBoost 训练 0.9970 0.6783 0.3892 0.0102 测试 0.9232 3.4467 1.7723 0.0447 CD LightGBM 训练 0.9841 0.9740 0.6051 0.0970 测试 0.9286 1.8723 1.2625 0.3939 CatBoost 训练 0.9971 0.4147 0.0985 0.0194 测试 0.8964 2.2545 1.1782 0.3675 XGBoost 训练 0.9948 0.5558 0.3557 0.0677 测试 0.8809 2.4176 1.3607 0.2958 GBDT 训练 0.9923 0.6773 0.3968 0.0749 测试 0.8728 2.4984 1.3629 0.2851 PEC GBDT 训练 0.9987 54.0678 22.6172 0.0087 测试 0.9258 439.8938 262.7421 0.1350 XGBoost 训练 0.9987 55.3948 35.9849 0.0102 测试 0.9237 446.1059 266.2810 0.1319 CatBoost 训练 0.9984 60.7586 25.5862 0.0145 测试 0.9145 472.0098 272.5586 0.1123 LightGBM 训练 0.9984 60.2332 32.4766 0.0135 测试 0.8985 514.3255 309.0031 0.1405 下载:下载高分辨率图像(345KB) 下载:下载全尺寸图像 图9. 表现最佳的模型(LightGBM用于CS和CD,XGBoost用于PEC)在训练和测试阶段的箱线图曲线和误差直方图。4.2.2. 碳化深度预测 图10展示了整个数据集的预测CD与实际CD的比较。由于CD数据集具有更多的输入变量且数据集更加离散,九个模型的鲁棒性和预测准确性不如CS模型。GBDT、XGBoost、CatBoost和LightGBM模型通常能生成与实际值一致的结果,总体控制率约为20%。然而,有些点超出了20%的范围,特别是当CD值低于10毫米时。与CS数据集类似,先进算法的预测准确性更好。BPNN、SVR、KNN的总体误差较高,而基于决策树的模型表现出更好的预测能力。在评估的模型中,CatBoost表现最佳,具有最高的R2值0.9707,以及最低的RMSE、MAE和MAPE值。然而,泰勒图(图8(b))显示,模型在训练集上的性能排序如下:LightGBM > XGBoost > GBDT > CatBoost > RF > CART > SVR > KNN。虽然CatBoost在训练集上表现最佳(表9),但在测试集上的表现不佳,表明存在过拟合问题。相比之下,LightGBM在训练集和测试集上的表现更为平衡,整个数据集的R2值为0.9695,RMSE、MAE和MAPE值分别为1.3107、0.8029和0.1863,紧随CatBoost之后。因此,LightGBM在预测RAC 28天时的抗压强度方面具有优势。下载:下载高分辨率图像(824KB) 下载:下载全尺寸图像 图10. 九个所用模型(a-i)的预测CD与实际CD的比较。4.2.3. 电阻率预测 与CS数据集相比,PEC数据集只有231组数据,这要求模型具有更高的学习和泛化能力。图11比较了所有数据集的PEC预测值和实际值。GBDT、XGBoost、CatBoost和LightGBM的预测值与实际值非常接近。除了BPNN和KNN,其他模型的R2值可以达到0.9。对于整个数据集的评估指标,XGBoost和GBDT表现最佳,R2值分别为0.9739和0.9747。这些模型的RMSE、MAE和MAPE值也相当接近。泰勒图(图8(c))表明模型在测试集上的性能排序为:XGBoost≈GBDT > CatBoost > LightGBM > SVR > RF > CART > KNN。XGBoost和GBDT表现出相似的泛化能力(表9)。考虑到XGBoost相对于传统GBDT的计算效率优势,本研究选择XGBoost来预测RAC的电阻率。下载:下载高分辨率图像(845KB) 下载:下载全尺寸图像 图11. 九个所用模型(a-i)的预测PEC与实际PEC的比较。4.2.4. SHAP特征分析 为了提高开发出的机器学习模型的可解释性,并量化每个输入变量对预测的贡献,进行了SHapley Additive Explanations(SHAP)分析。这些属性的SHAP总结图显示在图12中。在这些图中,特征按重要性排序,x轴代表SHAP值,表示对模型输出的影响,颜色刻度代表特征值。下载:下载高分辨率图像(401KB) 下载:下载全尺寸图像 下载:下载高分辨率图像(212KB) 下载:下载全尺寸图像 图12. (a) CS、(b) CD、(c) PEC的SHAP总结图。对于CS模型(图12(a)),分析显示水泥含量和RCA含量是最有影响力的特征,在广泛的特征范围内具有较高的SHAP值。这一发现与粘结剂含量直接影响混凝土强度发展的原则一致。用再生骨料替代天然骨料会影响界面过渡区和整体强度,因为附着的老砂浆。对于CD模型(图12(b)),暴露时间和水泥含量是两个最重要的特征,其次是CO?浓度和RCA含量。这种层次结构存在是因为碳化是一个时间依赖的扩散过程,更长的暴露时间不可避免地会导致更深的碳化前沿。对于PEC模型(图12(c)),养护龄期和含水量是最重要的因素。养护龄期对结果有显著的负面影响。这意味着更长的养护时间会显著降低电阻率。从物理上讲,更长的养护时间使混凝土更加致密。更致密的结构阻止离子轻易通过材料。含水量和水泥含量也是重要特征。它们反映了水灰比的重要性。4.2.5. 选定模型与传统定量模型的比较 在本节中,将上述选定的三个最佳机器学习模型与近年来提出或广泛使用的传统定量模型进行了比较。用于比较的传统定量模型是根据特定混合物的实验结果和外部环境条件建立的。因此,这些模型的适用性取决于所考虑的参数。为了确保可比性,本文重点选择了同时包含再生骨料和多种SCM类型的传统定量模型,详见附录III。由于大多数样本的变量值不可用,谢的模型[8]、张和肖的模型[13]以及内维斯的模型[152]被排除在比较研究之外。此外,考虑到可用于预测RAC电阻率的传统定量模型数量有限,本文没有将选定机器学习模型的预测性能与传统定量模型进行比较。数据集和模型(附录III)用于预测CS和CD。中国规范的模型考虑了抗压强度,该强度包含在数据集中,但未作为输入变量使用。至于温度,在一些相关文献中未提供温度值。在这种情况下,假设温度为23℃,除非文献明确提到了使用高温。同样,相对湿度假设为65%。图13展示了传统定量模型预测的实际CS和预测CS的比较。只有少数预测值与实际值吻合良好,大约一半的预测值超出了±20%的范围。中国规范模型的预测值通常高于实际值。通过比较图7(i)和图9(i),可以看出选定模型的预测能力优于传统定量模型。下载:下载高分辨率图像(469KB) 下载:下载全尺寸图像 图13. 基于测试集的传统定量模型的预测值与实际值的比较。为了获得准确的预测结果,考虑尽可能多的影响因素是必要的[153]。例如,张和肖的模型通过结合骨料吸水性的概念优化了中国规范模型。与传统定量模型相比,机器学习模型具有从数据中自动学习变量之间关系的优势。这消除了手动筛选和识别主要和次要因素的需要,以及输入和输出变量之间关系的先验知识。因此,机器学习模型能够处理更复杂的数据集。此外,对于新材料,可以通过用新数据重新训练来轻松更新机器学习模型。如附录III所示,传统定量模型严重依赖于经验系数,因此需要更多的努力来开发新的经验公式。因此,考虑到预测准确性和适用性,选定的机器学习模型更适合预测RAC的性能。4.2.6. 过拟合和泛化能力的讨论 为了解决过拟合问题(特别是在CatBoost模型对碳化深度的预测中观察到的问题),可以采用几种策略来提高结果的鲁棒性。增加数据集大小是一个基本方法,因为它可以通过提供更多样化的示例来帮助模型更好地泛化。此外,结合L1或L2正则化等正则化技术可以通过惩罚过于复杂的模型来减轻过拟合。在训练过程中实施提前停止也可以进一步防止模型学习数据中的噪声。探索集成方法也可以提供更稳定的预测。在现有数据集和模型超参数已调整到最佳状态的情况下,建议考虑使用集成方法进行预测。关于框架的泛化能力,方法的有效性取决于相关数据的可用性和特定的机器学习配置。然而,随着数据收集技术的进步,预计将会有更全面的数据集变得可用,从而促进更广泛的适用性。尽管本研究采用了LightGBM和CatBoost,因为它们证明了其性能,但该框架也可以适应其他适合不同情境的机器学习模型。在将这种方法扩展到其他混凝土类型或地理区域时,可能需要新的数据收集和模型参数调整。这种灵活性表明该框架具有适应和有效应用于不同场景的潜力。4.3. 混合料组成优化 提出的RAC混合料设计的智能优化框架应用于A1和A2。考虑到每个目标在工程实践中的不同重要性,使用分析层次过程(AHP)来计算每个目标的权重。用于比较的评分等级在表10中描述。此外,通过将每个目标的权重设置为1来探索框架的有效性。然后根据分配的权重实现了最佳混合料设计。表10. 与重要性相对应的评分等级。相对重要性 等级 1 相等重要性 3 略为更重要 5 更重要 7 更重要得多 9 绝对重要 2、4、6、8 介于上述两个等级之间的中间值 4.3.1. 三目标优化 使用三种情景(A1-1、A1-2、A1-3)来确定RAC混合料设计的抗压强度(CS)、成本(Cost)和碳化深度(CF)。A1-1为所有目标分配了相同的权重1。A1-2分别关注成本(权重为0.1429、0.2857和0.5714),而A1-3主要关注CS(权重分别为0.7778、0.1111和0.1111)。图14显示了A1的帕累托前沿和三种情景下的最佳混合料设计。这种三目标优化的目标是最大化CS,同时最小化成本和CF,没有对CS设定任何上限。因此,帕累托前沿内的点显示CS在50-80 MPa范围内。观察到RAC的较高CS对应于增加的CF和成本。此外,A1-2的最终解决方案具有最低的CF,而A1-3的最终解决方案显示出最高的CS,表明决策是基于权重组合做出的。下载:下载高分辨率图像(289KB) 下载:下载全尺寸图像 图14. 使用所提框架的混合料设计优化结果。表11展示了使用所提框架的最佳混合料设计解决方案。A1-2的最终解决方案相比A1-1,碳足迹(CF)减少了23.7%,成本降低了2.0%。同时,A1-3的碳强度(CS)比A1-1高出18.4%,这与预先设定的权重相符。此外,这三种情景的CS、成本和CF都优于CS数据集中的平均值,证明了所提出框架的有效性。例如,A1-1在CS、成本和CF方面的优化百分比分别为34.4%、3.2%和26.8%。在实际应用场景中,如城市基础设施建设(其中成本和环境影响至关重要),A1-2方案展现了一种有价值的方法。通过专注于降低成本和碳足迹,该方案提供了符合经济和环境目标的实用解决方案。
表11. 不同设计情景下的RAC混合料设计的最优解。
A1-1 A1-2 A1-3 平均值
CS(kg/m3) 179 151 179 157.5 162 179 174 225.0
C(kg/m3) 248 176 257 350 178 283 277 266.5
NCA(kg/m3) 329 340 273 062 050 93 355 24.0
RCA(kg/m3) 797 749 798 101 640 475 074 85 06.0
S(kg/m3) 712 710 712 85 867 266 372 059 8.0
FA(kg/m3) 44.3 13.2 0.6 047.1 45.9 63.9 143.5
GBS(kg/m3) 34.4 117.9 100.7 00.0 21.4 40.4
SF(kg/m3) 0.0 20.9 0.16 010 0.3 20.5 5.6
SP(kg/m3) 2.6 5.4 5.3 3.5 5.5 6.9 5.5
CS(MPa) 54.7 51.8 64.8 40.7 36.0 57.3 60.2 35.2
CD(mm) ---- 9.2 7.4 10.8 3.9
PEC(Coulomb) ---- 152 9.3 140 5.4 205 0.6 402 9.0
成本(RMB) 326.0 319.4 345.8 357.1 369.7 374.7 356.6 322.8
CF(kg CO?) 194.0 148.0 206.3 265.0 144.5 223.3 218.5 206.3
注:?户外暴露。
A2分为三种情景:A2-1(每个目标的权重为1)、A2-2(表12)、A2-3(表13)。A2-2和A2-3中每个目标的权重是使用AHP方法确定的。图15展示了根据每种情景的权重得到的最终最优解。结合表11可以看出,为了满足成本和碳足迹的增加权重,A2-3的CD增加了45.6%,PEC增加了45.9%。同时,A2-2的CS显著提高了59%,而CD和PEC分别减少了19.6%和8.1%。尽管如此,成本和碳足迹分别增加了1.4%和54.5%。A2-2提供了一个有吸引力的方案,它在提高抗压强度的同时,成功降低了其他成本和环境影响。因此,所提出的框架能够在实际设计情景中做出最佳选择。然而,仔细考虑CS与耐久性以及成本和碳足迹之间的权衡关系至关重要。
表12. A2-2的成对比较矩阵和计算权重。
表13. A2-3的成对比较矩阵和计算权重。
与参考文献[118]中的RAC相比(表11),A2-2和A2-3在CS和PEC方面都有显著改进,成本和CF相似。总体而言,A2情景的目标值远优于参考文献[118]中的RAC(成本几乎高出11%)。值得注意的是,参考文献[118]中测量的RAC在室外28天时的碳化深度并未包含在此比较中。
本研究的核心是机器学习与多目标优化的结合。用于训练预测模型的数据集不具有地域性,这意味着算法逻辑具有普遍适用性。对于其他地区,主要调整是碳足迹因素和当地材料的单价。由于这些参数不需要通过机器学习来确定,因此根据当地情况进行修改是一个简单的过程。因此,所提出的框架对不同地区具有很强的适应性。
5. 结论
由于回收混凝土骨料(RAC)在环境方面的潜在优势,将其用于混凝土是一个有前景的方向。在混合料设计中实现RAC的强度、耐久性、成本和碳足迹之间的最佳平衡是一项复杂的任务。本研究提出了一个智能框架,用于优化RAC混合料,以设计出低碳足迹、低成本和高性能的RAC。该框架整合了超参数自动调整、机器学习、多目标优化和多标准决策方法,以准确预测可持续RAC的强度和耐久性,并优化混合料。主要结论如下:
(1) 通过十折交叉验证和Optuna,在1000组超参数组合中找到了最优的超参数组合;
(2) 从测试集和所有数据集来看,LightGBM在预测CS(R2=0.9523,RMSE=2.7163,MAE=1.3633,MAPE=0.0345)和CD(R2=0.9286,RMSE=1.8723,MAE=1.2625,MAPE=0.3939)方面表现最佳;
(3) 组合ML模型的性能优于单独的ML模型。此外,ML模型能够自动学习变量之间的线性和非线性关系。在预测CS和CD的相关情景中,选定的ML模型在预测准确性方面始终优于传统的定量模型。传统模型在预测准确性方面存在显著限制,大约一半的预测值超出实际值的±20%范围。传统模型依赖于经验系数,需要大量努力来开发新的经验公式,特别是对于新型材料。相比之下,机器学习模型可以通过用新数据重新训练来轻松更新,确保其持续的相关性和准确性;
(4) AGE-MOEA-II和AHP-TOPSIS方法可以自动高效地获得符合工程实践情景的RAC混合料。无论是适应正常环境的三目标优化问题,还是适应恶劣环境的五目标优化问题,最终最优解的CS、CD、PEC和成本都优于实验获得的真实样本。
总之,本研究成功应用了所提出的智能框架,自动预测了可持续RAC的各种性能,包括抗压强度、碳化深度和导电电荷。它还优化并决定了不同设计情景下的RAC混合料。然而,该模型存在某些局限性和改进空间。一个重要的限制是PEC数据集的大小和范围,目前由于该领域研究有限而受到限制。小型数据集可能导致模型泛化能力不足,因为机器学习模型可能过度拟合训练数据,从而在未见数据上表现不佳。这种过拟合的潜力突显了未来扩展数据集的必要性,以包括更广泛的变量,如环境因素、回收骨料的类型和来源以及SCM的化学成分。通过纳入更多样化的数据集,可以提高模型的泛化能力和预测准确性。为了在RAC的性能、成本和碳足迹之间取得平衡,建议提高性能的下限,确保帕累托前沿保持在可接受的范围内。然后,可以使用多标准决策方法进一步降低成本和碳足迹。
还需要注意的是,当前框架使用的是ML模型的确定性点估计。未来的工作应在ML预测中加入不确定性量化,例如贝叶斯优化或集成方差估计。此外,为了验证所提出框架获得的优化混合料设计的实际可行性,将在后续实验研究中准备和测试选定的混合料。将实验评估关键性能,如工作性、早期性能和长期收缩,以进一步支持优化结果的可靠性。
结果表明,用于预测RAC抗压强度和耐久性的机器学习模型表现出稳健的性能,这对于确保混凝土在各种环境条件下的长期性能至关重要。行业利益相关者可以利用该框架来优化针对特定项目要求的混合料设计,从而提高RAC的性能和可持续性。此外,该框架还可以帮助快速评估材料性能,允许在施工过程中及时进行调整。通过采用这种数据驱动的方法,利益相关者可以提高效率,减少材料浪费,并提升项目的整体质量。最后需要强调两点:1) 从统计学角度来看,某种数学方法表现更好,并不一定意味着它更适合实际应用,特别是在混凝土混合料设计方面;2) 人工智能模型不能替代混凝土技术人员通过特定长期教育和培训获得的经验。
作者贡献声明:
Jorge de Brito:撰写、审阅与编辑、资金获取
Zhendi Wang:可视化、软件、资源
Yongdong Meng:验证、软件、资源
Kai Wu:软件、资源、形式分析
Yanyun Lu:可视化、资源、形式分析
Yajie Liu:撰写——原始草稿、方法论、调查、数据整理
Zengfeng Zhao:撰写——审阅与编辑、监督、资金获取、概念化
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号