水泥水化热是影响混凝土早期开裂和长期耐久性的关键因素，尤其在掺入粉煤灰、矿渣等低碳材料后，水化过程变得更加复杂。传统实验方法耗时长、成本高，难以满足快速配比优化的需求。

这篇发表在 Materials 期刊上的研究，系统比较了 CatBoost、ExtraTrees、XGBoost 三种机器学习模型在预测水泥基材料水化热方面的表现，结论非常实用。

01 研究背景：水泥也“发烧”

水泥与水反应会释放大量热量，这一过程称为水化热。在大体积混凝土中，水化热散不出去，容易导致温度裂缝，影响结构安全。

为了降低碳排放，现代水泥中常掺入粉煤灰、矿渣等辅助胶凝材料（SCMs）。这些材料会改变水化热的释放速度和总量，使得传统经验公式难以准确预测。

传统测量方法（如等温量热法）虽然精确，但：

• 实验周期长（可达7天以上）

• 操作复杂，对人员要求高

• 不适合快速筛选大量配比

因此，研究者开始尝试用机器学习来建立预测模型，用数据代替部分实验。

02 研究目的：找出一款最适合预测水化热的AI模型

研究目标很明确：

对比三种主流机器学习模型（CatBoost、ExtraTrees、XGBoost），找出哪一个在预测水化热方面最准确、最稳定。

具体包括：

• 预测不同时间点（12h、72h、168h）的累积水化热

• 预测最大放热速率

• 评估模型的泛化能力（是否能预测未见过的配比）

03 研究方法：51组实验数据 + 三种模型 + 严格验证

数据集构成

类型	数量	说明
训练集	45组	用于训练模型
测试集	6组	用于最终评估
输入变量	5个	OPC含量、矿渣含量、粉煤灰含量、水胶比、温度
输出变量	4个	12h/72h/168h水化热 + 最大放热速率

三种模型简介

模型	特点
CatBoost	擅长处理非线性关系，对类别特征友好
ExtraTrees	随机性更强，抗过拟合能力强
XGBoost	经典梯度提升树，精度高，支持正则化

验证策略

• 使用留一法交叉验证（LOOCV），充分利用有限数据

• 最后用6组独立测试集评估泛化能力

评价指标：MAE、RMSE、MAPE、R²，并辅以残差分析和正态性检验。

04 研究过程与重难点

重点步骤

1. 数据预处理：检查缺失值、分布特征、相关性分析

2. 模型训练：每种模型都经过网格搜索调参

3. 交叉验证：LOOCV，防止信息泄露

4. 残差诊断：Q-Q图、残差-预测值图、正态性检验

5. 测试集验证：最终评估模型泛化能力

研究重难点

难点	应对策略
样本量小（仅51组）	采用LOOCV，充分利用每一组数据
输出变量之间高度相关	分别建模，避免多重共线性影响
长期预测误差大	使用多种指标综合评估，不只看R²
残差不完全正态	补充非参数检验和可视化诊断

05 关键结果与图表解读

图1：变量相关性热图（原文 Figure 1）

解读：

• 温度与所有输出变量呈强正相关（r ≈ 0.8），说明温度是影响水化热的关键因素

• 粉煤灰和矿渣与输出变量呈中等负相关，说明SCMs会延缓或降低水化热

• 输出变量之间相关性极高（r ≈ 0.98），说明它们来自同一物理过程

图4-7：CatBoost模型的残差诊断图（原文 Figures 4–7）

解读：

• True vs Predicted图：点越靠近对角线，预测越准

• Residuals vs Predicted图：残差应随机分布在零线两侧，无明显趋势

• Q-Q图：点越靠近直线，残差越接近正态分布

结论：CatBoost在短期预测中表现良好，但残差存在一定偏斜。

图8-11：ExtraTrees模型的残差诊断图（原文 Figures 8–11）

解读：

• 残差分布更对称，Q-Q图尾部偏差较小

• ExtraTrees在长期预测（168h）中表现最稳定

图12-15：XGBoost模型的残差诊断图（原文 Figures 12–15）

解读：

• 短期预测（12h、72h）中残差最小

• 长期预测残差增大，说明模型稳定性随时间下降

图16-21：测试集上的逐样本残差图（原文 Figures 16–21）

解读：

• 大多数样本残差在零线附近

• 长期预测（168h）出现个别较大偏差，说明模型仍有改进空间

06 研究结论：三款模型各有千秋

模型	优势	适用场景
ExtraTrees	最稳定，长期预测（168h）误差最小	需要稳定、泛化能力强的场景
XGBoost	短期预测（12h、72h）精度最高	关注早期水化行为的场景
CatBoost	表现中等，但无显著短板	通用场景，尤其是类别特征较多的数据

关键数据速览（测试集R²）：

模型	12h	72h	168h	放热速率
CatBoost	0.965	0.957	0.822	0.973
ExtraTrees	0.970	0.946	0.800	0.989
XGBoost	0.971	0.964	0.790	0.967

07 未来展望

作者指出几个值得深入的方向：

1. 扩大数据集：当前仅51组，更多数据可提升模型泛化能力

2. 超参数自动优化：使用贝叶斯优化等更先进的方法

3. 混合模型：如CatBoost + XGBoost，结合两者优势

4. 模型可解释性：引入SHAP值，解释哪些输入变量最影响预测结果

5. 工程落地：开发简单易用的预测工具，供混凝土配比设计使用

写在最后

这项研究告诉我们：机器学习不是要完全取代实验，而是让实验做得更聪明。

在低碳水泥材料快速发展的今天，能够快速、低成本地预测水化热，对于配比优化、裂缝控制和碳排放评估都具有重要价值。

如果你也在从事水泥、混凝土或建筑材料相关的工作，不妨关注一下这三种模型——ExtraTrees稳，XGBoost准，CatBoost通用，总有一款适合你。

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~