基于可解释性机器学习增强的多神经网络对3D打印混凝土各向异性抗压强度的无损测定

一、研究背景

1. 传统混凝土施工的局限性
• 依赖人力、模板，成本高（人工占60–70%总成本）、耗时长、CO₂排放量大（水泥生产占全球排放约8%）。
2. 3D打印混凝土（3DCP）的优势
• 无需模板、自动化程度高、减少浪费（30–60%）、缩短工期（50–70%）、设计自由度高。
3. 3D打印纤维增强混凝土（3DP-FRC）的挑战
• 纤维与工业废料的掺入增强性能但导致复杂的非线性强度行为。
• 逐层沉积造成力学性能各向异性（强度随加载方向变化）。
• 实验测试成本高、周期长，且缺乏标准化的设计规范。
4. 机器学习的潜力
• 数据驱动方法可预测材料性能，减少实验需求，优化配合比设计。
  

二、研究方法

研究流程分为六步（图2所示）：

1. 数据收集与处理

• 数据来源
  
  从文献中收集200组3DP-FRC抗压强度实验数据。
• 输入变量
  
  水胶比（W/C）、粉煤灰、矿渣、砂含量、减水剂、龄期、纤维长径比、纤维类型、加载方向、纤维体积分数。
• 数据预处理
• 对纤维类型（PE、钢、PVA、PP、玄武岩）和加载方向（X/Y/Z）进行数值编码。
• 80%训练集，20%验证集。
• 相关性分析（皮尔逊矩阵）确认无多重共线性问题。

2. 机器学习模型构建

使用三种神经网络模型：

• MLP（多层感知器）
  
  经典前馈网络，适合非线性建模。
• RBFNN（径向基函数神经网络）
  
  基于高斯核函数的局部逼近网络。
• CNN（卷积神经网络）
  
  通过卷积层提取特征，适合复杂数据模式识别。

3. 模型训练与验证

• 超参数优化
  
  通过迭代调整最小化MAE和最大化R²。
• 验证方法
• 误差指标：MAE、RMSE、R²、a20指数、PI（性能指数）、OF（目标函数）。
• K折交叉验证
  
  （10折）评估稳定性。
• 泰勒图
  
  直观比较模型性能。

4. 可解释性分析

• SHAP分析
  
  全局（特征重要性排序）与局部（个体预测解释）可解释性。
• ICE分析
  
  展示单一输入变量对输出（抗压强度）的边际效应。

5. 图形用户界面（GUI）开发

• 基于最佳模型（CNN）开发交互式界面，供工程人员输入配合比参数直接预测强度。
  

三、研究结果

1. 模型性能对比

• CNN表现最佳
• 测试集R² = 0.957，MAE = 5.389 MPa，a20指数 = 0.95。
• 误差最低（OF = 0.0498），稳定性最强（K折验证波动小）。
• RBFNN次之
  
  MLP相对较弱（但仍可靠）。
• 与已有研究对比
  
  本研究模型（尤其是CNN）的R²值（0.957）高于多数文献中的模型（表5）。

2. 关键影响因素识别（SHAP与ICE分析）

• 最显著变量
1. 水胶比（W/C）
   
   影响最大（SHAP均值最高），W/C < 0.4时强度较高，超过后强度急剧下降。
2. 加载方向
   
   X方向（沿打印路径）强度最高，各向异性明显。
3. 纤维体积分数与长径比
   
   适量纤维可提升强度，过量可能导致分散不均。
• 次要变量
  
  减水剂、龄期、砂含量有中等影响；粉煤灰与矿渣影响较小。

3. 实际应用价值

• GUI工具
  
  已开源（GitHub），支持非专业人士快速预测强度，减少试错成本。
• 经济与环境效益
  
  通过模型优化配合比，减少实验次数，促进3DCP的可持续应用。
  

四、研究局限与未来方向

局限

• 数据集规模有限（200组），变量范围较窄。
• 未考虑温度、打印速度等工艺参数。

未来方向

• 扩大数据集，涵盖更多材料与工艺变量。
• 预测其他性能（如流变性、抗弯强度）。
• 探索多目标优化与集成学习方法。
• 结合结构设计规范，推动标准化。