基于Stacking模型融合的高性能混凝土强度预测方法

针对传统经验公式对高性能混凝土强度预测时存在偏差大、效率低等问题,本文提出一种基于Stacking模型融合的高性能混凝土强度预测方法。首先,通过数据清洗和归一化对1030组高性能混凝土抗压强度试验数据进行预处理,剔除异常数据及消除数据间量纲影响;其次,基于极端梯度提算法(XGBoost)、类别优先梯度提升算法、多层感知器和随机森林(RF)4种算法开展超参数优化、模型训练和评估,采用决定系数、均方根误差和平均绝对误差对比分析4种基学习器对强度预测的整体效果,在此基础上构建基于Stacking集成学习融合多种机器学习算法的高性能混凝土强度预测模型;最后,采用103组新的高性能数据集对模型进行验证,并开展可解释分析。结果表明:与其他基学习器的组合相比,XGBoost和RF融合模型的预测精度和性能均明显提高,泛化性能较好,且可解释分析显示最重要的输入特征变量是龄期和水泥,说明模型内在的预测逻辑与工程实践的经验较吻合,具有较高的合理性与可靠度。研究结果为进一步提高高性能混凝土强度的预测精度提供参考。