一、研究背景：传统实验太慢，预测模型不准

碳纳米管（CNT）因其极高的强度、导电性和导热性，被广泛研究用于增强水泥基复合材料的力学性能。然而，CNT的增强效果受多种因素影响，包括：

• CNT含量、长度、外径

• 水灰比、分散方式、功能化方法

• 养护时间、养护温度

传统实验方法耗时长、成本高，且难以捕捉CNT与水泥基体之间的复杂非线性关系。现有的预测模型也往往无法同时准确预测抗压强度（CS） 和抗折强度（FS），更缺乏可解释性。

二、研究目的：高精度 + 可解释 + 可用工具

本研究的目标是：

1. 构建高精度的机器学习模型，同时预测CNT水泥复合材料的CS和FS；

2. 通过SHAP和PDP等可解释性分析，识别关键影响因素；

3. 开发一个图形用户界面（GUI），让工程师无需实验即可快速预测材料强度。

三、研究方法：6种ML模型 + 可解释性分析

数据来源

• CS数据：278组

• FS数据：114组

• 输入变量：8个（CNT含量、W/C、长度、外径、功能化方法、分散方法、养护天数、养护温度）

模型列表

模型	特点
支持向量回归（SVR）	适合小样本非线性问题
SVR-Bagging	降低方差
SVR-Boosting	降低偏差
随机森林（RF）	防止过拟合
梯度提升（GB）	迭代优化误差
决策树（DT）	简单可解释（基线模型）

可解释性工具

• SHAP：量化每个输入变量对输出的影响大小和方向

• PDP：展示单个变量变化对预测结果的边际影响

四、研究过程：从数据到模型到解释

1. 数据预处理：标准化、处理CNT尺寸分布、引入尺寸标准化参数Ks和Kh

2. 超参数调优：每种模型均进行系统调参

3. 训练与测试：划分训练/测试集，评估模型性能

4. SHAP + PDP 分析：解释模型预测逻辑

5. GUI开发：基于最优模型构建用户界面

五、研究重难点

重点

• 如何在小样本数据下（尤其FS仅114组）构建稳定模型

• 如何同时预测CS和FS，而不是单一指标

• 如何让黑箱模型变得可解释，指导实际配比设计

难点

• CNT的长度和外径在文献中常以范围给出，本研究采用高斯随机采样处理

• 不同文献实验条件不一致，需引入标准化参数消除Ks、Kh试件尺寸影响

• FS数据量小，模型容易过拟合，需谨慎评估

六、研究结论：GB模型最强，CNT含量最关键

模型性能排名

七、关键图表分析

图5：CS的回归分析（原文Fig. 5）

• 解读：图中展示了6种模型在训练和测试阶段的预测值与真实值回归斜率。

• 重点：GB模型在测试阶段斜率接近0.99，远优于SVR（0.84）和DT（0.86）。

• 意义：GB能更准确地捕捉CNT含量、养护条件等与CS之间的非线性关系。

图11：Mean SHAP 图（原文Fig. 11）

• 解读：

  • 对CS影响最大的是CNT含量（Mean SHAP ≈ 25）

  • 对FS影响最大的是养护天数（Mean SHAP ≈ 1）

• 意义：

  • 提高CS → 优先优化CNT含量

  • 提高FS → 延长养护时间更有效

图13：PDP 图（原文Fig. 13）

• 解读：

  • CNT含量在0.002–0.004之间对FS提升最明显

  • CNT外径越小（<8nm）越有利于CS

  • 养护温度存在最优区间，过高或过低都会降低强度

• 意义：为实际配比设计提供了量化参考区间。

八、未来展望

尽管本研究取得了高精度预测结果，但仍存在以下局限与发展方向：

局限	未来方向
FS数据仅114组，样本偏少	扩大数据库，统一实验标准
数据来源多样，条件不一致	开展统一条件下的系统实验
模型仍以传统ML为主	探索深度学习或混合模型
未纳入更多CNT类型（如官能化差异）	增加更多输入特征，提升泛化能力

九、总结一句话

梯度提升模型 + SHAP可解释性分析 + GUI工具，为CNT水泥复合材料的强度预测与配比优化提供了高效、可解释、可落地的解决方案。

如果你也在做水泥基材料或纳米复合材料的研究，这套方法框架完全可以迁移到你的体系中。

原论文其它图速览

原文信息
DOI: 10.1515/ntrev-2025-0252
关键词：碳纳米管 · 机器学习 · 水泥基复合材料

注：更多关于机器学习水泥基的前沿知识小编之前有推荐，可以详查置顶文章：ai-MOFs预测筛选技术与机器学习水泥基复合材料应用综述

如果您觉得文章不错，欢迎点赞、关注、收藏及转发~