何印章, 苏浩然, 郝宁远, 李岩, 张久鹏, 裴建中
超高性能混凝土(UHPC)因其卓越的力学性能和耐久性被广泛应用于高性能结构,但其设计与性能预测周期长、试验成本高,限制了该材料的性能优化与大规模工程应用。为提升UHPC性能预测效率,构建了一个基于机器学习(ML)的多性能预测框架,用于高效预测和分析UHPC的抗压强度(CS)、抗折强度(FS)、扩展度(Slump flow,Slf)及孔隙率(PS)。首先建立了涵盖已发表文献和室内试验数据的CS、FS、Slf和PS数据集,分别包含23、23、17和20个输入变量,对应的数据规模为1 059、537、129和98组。通过互信息(MI)得分和相关性分析筛选关键特征,并利用条件表格生成对抗网络(CTGAN)进行数据增强,以缓解样本量不足的问题。同时,基于二叉搜索树原理的孤立森林(IF)算法被用于清理异常值,从而提升数据质量与模型稳定性。在此基础上,对12种ML模型进行对比测试,并结合贝叶斯优化与交叉验证开展超参数调优,最终确定最优预测模型。随后,采用SHAP方法揭示关键特征对UHPC性能的物理贡献机制,并通过新增室内试验验证模型的泛化能力。研究结果表明:CTGAN生成数据能够有效保持原始多变量结构,对应CS、FS、Slf和PS数据集的最佳生成比例分别为0.22、0.47、0.28和0.25;IF算法能够精准剔除异常值;在4个数据集的测试集中,XGBoost模型的预测R2分别达到0.964、0.920、0.946和0.943,综合表现最佳;基于MI得分的特征子集筛选方法可显著提升模型性能,对应的最佳子集分别为CS_17、FS_16、Slf_10和PS_18。进一步的SHAP分析揭示了不同特征对UHPC性能的影响规律,为材料设计提供了理论参考。室内试验结果验证了模型的预测偏差均控制在10%以内,证明了所提方法在UHPC性能预测与优化中的有效性与可行性。提出的UHPC性能预测框架,有望减少UHPC的设计周期与性能预测成本。