在建筑行业，混凝土是最常见的材料之一。但你是否知道，当火灾或高温来临时，混凝土的强度会急剧下降，甚至出现爆裂？尤其是在纳米二氧化硅（NS）改性混凝土中，高温对其性能的影响更为复杂。

传统实验方法耗时、费力、成本高。有没有更智能、更高效的方式来预测高温下纳米混凝土的抗压强度？答案是肯定的——机器学习（ML） 正成为这一领域的“神算子”。

01 研究背景：高温是混凝土的“隐形杀手”

混凝土在高温下会发生一系列物理化学变化：水化产物分解、微裂缝扩展、界面过渡区劣化……当温度超过 400℃，其抗压强度可能下降超过 50%。

而纳米二氧化硅（NS） 的加入，虽然能显著提升混凝土的密实度和早期强度，但在高温下的表现却缺乏系统性研究。传统方法难以捕捉其复杂的非线性变化。

因此，如何快速、准确地预测高温下NS混凝土的强度，成为工程界亟需解决的问题。

02 研究目的：用AI“看懂”混凝土

本研究旨在：

• 建立多种机器学习模型，预测高温下NS混凝土的抗压强度（CS）；

• 识别影响强度的关键因素；

• 提供可解释的分析工具（SHAP + PDP），指导配合比优化。

一句话：让AI告诉我们，混凝土在“发烧”时还能撑多久。

03 研究方法：8种模型 + 5折交叉验证

数据来源

• 来自27篇已发表文献，共380组实验数据

• 输入参数包括：水泥、NS、SCMs、粗细骨料、水、减水剂、温度

• 输出：抗压强度（CS）

使用的8种ML模型

• AdaBoost（ADB）

• Decision Tree（DT）

• Gradient Boosting（GBR）

• K-Nearest Neighbors（KNN）

• LightGBM（LGB）

• XGBoost（XGB）

• CatBoost（CatB）

• Random Forest（RF）

评估方法

• 5折交叉验证

• 评估指标：R²、RMSE、MAE、MAPE

04 研究重难点

重点

• 如何构建一个高质量、多源、标准化的数据集？

• 如何让模型不仅“预测准”，还能“解释得通”？

难点

• 数据来自不同文献，存在实验差异

• 高温下混凝土行为具有强非线性

• 模型需要在精度与泛化能力之间取得平衡

05 研究结果：谁是“最强预测者”？

📊 图13（原文位置：Page 13–14）

散点图：预测值 vs 实际值

图13展示了8种模型在训练集与测试集上的预测效果。
可以看出，GBR、CatB、RF 的点更集中在对角线附近，说明预测值与真实值高度一致。

📈 模型性能排名（测试集 R²）

模型	R²（测试）	RMSE（MPa）
GBR	0.980	3.28
CatB	0.978	3.50
RF	0.975	3.65
XGB	0.938	5.84
LGB	0.908	6.81

GBR、CatB、RF 表现最优，误差小、泛化能力强。

06 可解释性分析：谁在“主导”强度？

🔥 SHAP分析（图16，原文位置：Page 17–18）

图16(a)：SHAP影响值分布
图16(b)：特征重要性排名

• 温度 的平均SHAP值最高（10.83），是影响强度的首要因素

• 水含量（9.63）紧随其后

• NS和SCMs的影响相对较小

📌 交互图（图18，原文位置：Page 20）

图中展示了各参数之间的交互效应。例如：

• 水泥在 375–400 kg/m³ 时对强度最有利

• NS在 10–15 kg/m³ 时显著提升强度

• 温度超过 400℃ 后，SHAP值由正转负，强度急剧下降

07 PDP分析：优化配合比的关键阈值（图19，原文位置：Page 21）

参数	最优范围	影响趋势
水泥	>450 kg/m³	正向 ↑
NS	≤15 kg/m³	正向 ↑
粗骨料	>800 kg/m³	正向 ↑
细骨料	>900 kg/m³	负向 ↓
水	>140 kg/m³	负向 ↓
温度	>400℃	负向 ↓

这些阈值为工程师提供了明确的配合比优化方向。

08 研究结论

✅ GBR、CatB、RF 是最适合预测高温下NS混凝土强度的模型
✅ 温度和水分 是影响强度的最关键因素
✅ SHAP + PDP 提供了可解释的预测与优化依据
✅ ML模型可显著减少实验次数，降低研发成本

09 未来展望

尽管本研究已取得良好效果，但仍存在以下提升空间：

• 🔍 引入更多元的数据源（如不同纳米材料、不同养护条件）

• 🧠 尝试深度学习模型（如ANN、LSTM）捕捉更复杂的非线性关系

• 🌍 开发在线预测平台，供工程师实时使用

• 🔥 结合火灾场景模拟，提升模型的工程实用性

写在最后

机器学习不是“黑箱”，而是我们理解复杂材料行为的一盏灯。

这项研究不仅为纳米混凝土在高温下的应用提供了科学依据，也展示了数据驱动方法在建筑材料领域的巨大潜力。

如果你也在研究混凝土、纳米材料或智能建造，希望这篇文章能为你带来一些启发。

原论文其它图速览：

参考文献
Sobuz, M.H.R., et al. Machine learning-based modeling to predict and parametrically optimize the compressive strength of nanomaterial concrete composites exposed to elevated temperatures. Case Studies in Construction Materials, 2025.

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~