南昌大学于J. Build. Eng.发文:机器学习驱动的导电水泥基复合材料电阻率预测用于智能结构健康监测

内容简介

     混凝土是人类仅次于水的第二大消耗材料，其传统功能主要局限于承重。为应对现代基础设施对实时自诊断、快速自修复等功能的需求，导电水泥基复合材料（ECBCs）应运而生。ECBCs通过向水泥基体中掺入碳纤维、钢纤维、纳米碳纤维、石墨烯等导电相，形成导电网络，使其兼具结构承载与电响应的双重功能。其自感知能力主要源于机械或环境作用下的导电网络动态变化：压缩载荷或微裂纹扩展会破坏导电通路，导致电阻率上升；拉伸应变则可能延长导电通路，引起电阻波动。然而，ECBCs的电阻率受环境温度、湿度、纤维含量、外力作用及养护龄期等多种因素影响，准确预测电阻率对于反映结构状态至关重要。机器学习（ML）凭借数据驱动的模式识别能力，能够有效解析水泥基材料组分、工艺与性能之间的复杂非线性关系。不同ML算法（如基于树、基于核等方法）在ECBCs电阻率预测中的工作机制和性能差异显著。因此，系统评估各算法的预测精度、计算效率及鲁棒性，对指导智能混凝土材料设计与优化具有重要基础意义。

     优化ECBCs对于发展具有自感知能力的智能基础设施至关重要。本研究对九种机器学习算法进行了严格的比较分析，以实现对ECBCs电阻率的高精度预测。

     鉴于解决ECBCs电阻率预测问题以服务于结构健康监测的迫切需求，以及明确不同类型机器学习方法预测效果的必要性，本研究基于ECBCs数据集系统评估了九种机器学习算法。全面比较了八种急切学习器（包括基于树的算法、线性回归及其变体、基于核的算法）与一种惰性学习器（K近邻回归）的预测性能。首先对各算法的模型预测性能进行了初步比较，随后分析了各算法在超参数调优、训练和预测条件下的计算成本。接着，在数据集中引入不同水平的噪声，以模拟测量不准确和人为操作误差等实际情况，从而评估算法的鲁棒性。进一步地，采用SHAP分析和基于增益的重要性分析，量化各自变量对目标变量的影响程度。综上，本研究在科学和工程实践层面做出两大贡献：（1）提供了一个涵盖预测精度、计算效率和抗噪鲁棒性的多维度决策框架，用于指导ECBCs电阻率预测的机器学习模型选择。对电阻率的准确预测是实现后续结构健康监测与智能材料设计等应用的关键前提。（2）利用模型解释算法识别影响ECBCs电阻率的关键因素，从而为未来ECBCs的设计与优化提供理论指导。

     在本工作中，共采用了九种算法对ECBCs的电阻率进行高精度预测，对这些机器学习算法的预测性能、计算效率和模型鲁棒性进行了评估和全面比较。基于实验结果与分析，可得出以下关键结论：

(1) 在所研究的九种机器学习算法中，XGBoost在测试集上对ECBCs电阻率的预测精度最高，其R²达到0.9803，MAE为333.72，RMSE为1116.41。基于树的算法（XGBoost、RFR、DTR）普遍优于其他算法，而线性模型（MLR、PR、EN）在捕捉复杂非线性模式方面能力有限。

(2) 在计算效率方面，KNN由于采用基于实例的延迟计算模式，预测延迟最高；而MLR和PR的预测速度最快。尽管XGBoost在超参数调优过程中计算成本较高，但其相对较低的预测时间和优越的精度使其成为实际应用中预测ECBCs电阻率的最有前景的模型。

(3) 在不同水平（最高20%）的高斯噪声干扰下，KNN表现出最佳的鲁棒性，即使在20%的噪声水平下仍能保持高达0.9565的R²，这归因于其依赖于保存完好的邻域结构。RFR由于其bagging机制也展现出较强的稳定性，而XGBoost尽管在无噪声数据上精度很高，但在本研究中表现出对噪声更高的敏感性。

(4) 采用SHAP和基于增益的方法进行的模型解释分析一致地识别出IRTD、碳纤维含量和水胶比是最具影响力的变量，突显了养护历史和导电填料含量在决定电阻率性能方面的重要性。

图1.本研究采用的机器学习算法

图2. 影响电阻率预测的因素

图3. 所选算法构建模型的预测性能

图4. 预测时间消耗比较

图5. 数据噪声的可视化