|
文献精读 J. Clean. Prod.：可持续稻壳灰混凝土抗压强度预测建模：集成学习器优化与比较  背景介绍 对混凝土需求量较大的建筑行业是二氧化碳排放（简称碳排放）的最大来源之一，导致碳排放较大的主要原因是普通硅酸盐水泥（OPC）的使用。有研究表明，使用工业副产品作为补充胶凝材料（SCMs）能够在一定程度上减少OPC用量，从而减少碳排放。因此，在混凝土中使用废物和可回收材料来制备生态友好型混凝土是解决环境污染问题的可行方案之一，这不仅能够满足现代化建设对混凝土日益增长的需求，还能够提高建筑材料的可持续性。产量巨大的农业废弃物如稻壳灰（RHA）有潜力作为OPC的替代物来制备混凝土，在其火山灰性质的作用下，能够显著提高混凝土的强度和耐久性以及减少碳排放。 研究出发点 抗压强度是混凝土最重要的性能，能够显著影响其耐久性。在混凝土中使用RHA可以提高其抗压和抗拉强度以及减少碳排放。由于RHA混凝土具有比较复杂的基体，故采用传统试验的方法来确定其抗压强度存在相当多的挑战，如试验结果精度较低、经济效益较差以及持续时间较长等。因此，该研究考虑采用经验学习和机器学习（ML）回归方法来预测RHA混凝土的抗压强度，从而减少时间和资源的浪费以及提高结果精度。 全文速览 北京大学-M. Ijaz Khan课题组旨在利用ML算法预测并建立RHA混凝土抗压强度的经验公式，研究所采用的方法包括基因表达式编程（GEP）和随机森林回归（RFR）。在研究过程中，首先建立了一个包含192组可靠数据的数据库来开发ML模型；其次，选取了养护龄期、水泥含量、稻壳灰含量、水含量、减水剂含量、骨料含量等主要影响因素作为ML模型的输入特征值，并且采用不同的统计指标（平均绝对误差-MAE、决定系数-R2、性能指数-ρ、均方误差-MSE、均方根误差-RMSE、相对平方误差-RSE、相对均方根误差-RRMSE）对该模型进行了评价；最后，采用K折交叉验证来避免过拟合问题，并且采用敏感性分析（SA）、参数分析（PA）分别确定了抗压强度的重要影响因素和输入特征值对输出结果的影响。研究结果表明，建立的GEP模型比RFR集成模型的鲁棒性更大且相关程度更强（R2更大），RFR集成模型比RF单一模型的预测精度更高。此外，水泥含量和养护龄期对RHA混凝土抗压强度的影响最大。相关论文以“Predictive modeling of compressive strength of sustainable rice husk ash concrete: Ensemble learner optimization and comparison”为题，于2022年发表在《Journal of Cleaner Production》。 图文解析 （1）RFR模型性能评价  图1 （a）RFR单一模型预测（b）包含20个单一模型的RFR集成模型（c）RFR集成模型预测（d）RFR集成模型的预测误差 如图1（a）~（c）所示，未进行优化的RFR模型的预测精度较低（R2=0.89），而采用20个子模型进行优化后的RFR模型的预测精度稍高，其中第9个模型的精度最高（R2=0.91）。从图中还可以看出，对模型进行集成后可以显著改善其整体响应和可靠度。如图1（d）所示，RFR集成模型的平均误差约为3.75 MPa，其中最小和最大的误差分别为0.14 MPa和10.76 MPa。此外，该模型的预测误差在10 MPa以下的比例高达97%。 （2）GEP模型性能评价  图2 （a）GEP模型预测（b）GEP模型的预测误差 如图2所示，GEP模型的预测精度较高（R2=0.96）且误差较小，平均误差约为2.39 MPa，其中最小和最大的误差分别为0.039 MPa和6.75 MPa。因此，GEP模型具有更大的鲁棒性。 （3）K折交叉验证（KFCV）  图3 K折交叉验证：（a）R2验证（b）MAE验证（c）MSE验证（d）RMSE验证 注：R2为决定系数；MAE为平均绝对误差；MSE为均方误差；RMSE为均方根误差。 表1 GEP和RFR模型的误差评价指标汇总  注：R2为决定系数；MAE为平均绝对误差；RMSE为均方根差；RRMSE为相对均方根误差；RSE为相对平方误差。 如图3（a）所示，在10折交叉验证中，GEP模型的R2更大，其中最大值、最小值、平均值分别0.96、0.87、0.912。RFR模型的R2稍小，其中最大值、最小值、平均值分别0.94、0.87、0.905。如图3（b）~（d）所示，GEP模型的误差比RFR模型（R2、MAE、MSE、RMSE）更小，这同样说明了GEP模型的准确性更高。 如表1所示，在统计误差评估中，GEP模型和RFR模型的RMSE、MAE和RSE均较低，这表明二者均能够准确预测RHA混凝土的抗压强度。此外，由于GEP模型的误差更小，故其预测结果更准确。 （4）敏感性分析（SA）和参数分析（PA）  图4 敏感性分析  图5 参数分析：（a）养护龄期（b）水泥含量（c）稻壳灰（RHA）含量（d）水含量（e）减水剂含量（f）骨料含量 如图4所示，各个参数在RHA混凝土抗压强度的预测中均起着至关重要的作用。从SA中可以看出，养护龄期和水泥含量对RHA抗压强度的影响最大，影响比例分别为29.47%和27.93%。其余四个参数即RHA含量、水含量、减水剂含量、骨料含量的影响比例分别为8.26%、12.85%、13.49%、7.99%。 通常情况下，PA和SA同时进行，以此来确定输入特征参数对输出参数的影响。如图5所示，RHA抗压强度随着养护龄期、减水剂含量和骨料含量的增加而提高，但却随着水含量和RHA含量的增加呈现出先增加后降低的趋势。RHA抗压强度降低的原因可能是工作性能取决于水灰比，水灰比较大时会在一定程度上降低其抗压强度，而含有RHA的混凝土比只含有OPC的混凝土需水量更大，故同样会降低其抗压强度。 总结 1.该研究采用GEP和RFR模型（单独和集成）预测了稻壳灰（RHA）混凝土的抗压强度，所用的数据库包含192组数据。采用GEP模型预测的RHA混凝土抗压强度精度较高（R2=0.966），而采用RFR模型预测的精度较低（单一模型、集成模型的R2分别为0.89、0.91）。 2.采用GEP算法建立了经验方程，可用于确定RHA混凝土的抗压强度。 3.采用RFR算法建立了单一模型和集成模型。利用20个子模型对RFR模型进行了优化，其中第9个子模型的R2=0.91，相关程度显著高于RFR单一模型。 4.GEP模型的平均误差（2.39 MPa）比RFR模型的平均误差（3.75 MPa）低37.3%。 5.与RFR模型相比，GEP模型的交叉验证精度更高。此外，统计和外部验证也表明，GEP模型表现良好、误差较小、相关程度较高。 6.参数分析（PA）表明，该研究所建立的模型可以通过输入实际参数有效且高精度地预测RHA混凝土的抗压强度，其中水泥含量和养护龄期是影响抗压强度的关键因素。 后期可以对RHA混凝土进行更广泛的研究，例如提高输入特征值的数量和范围，以此来建立一个更通用的表达式以及提供更可靠的预测结果。此外，还可以与启发式算法相结合对预测模型进行优化，并且与前期算法相比较，以此来克服集成算法的局限性。 本期编者简介 翻译： 耿松源 博 士 深圳大学 审核： 陈 仓 博 士 深圳大学 排版： 赖慈锋 硕士生 深圳大学 本期学术指导 何 闯 博士后 深圳大学 龙武剑 教 授 深圳大学 文献链接： https:///10.1016/j.jclepro.2022.131285 |
|
|
