一种废玻璃粉钢筋混凝土极限粘结强度预测模型及预测方法

本发明属于土木工程材料及人工智能交叉，具体涉及一种基于麻雀搜索算法优化catboost回归模型并结合shap解释框架的废玻璃粉钢筋混凝土粘结强度预测方法。

背景技术：

1、采用废玻璃粉（wgp）等低碳辅助胶凝材料部分替代水泥，是建筑业实现碳减排的重要路径。wgp富含活性，在适宜掺量下具有微集料填充与水泥水化产物ca(oh)2发生二次反应形成c-s-h凝胶，可显著改善浆体及界面过渡区的密实程度。对于钢筋混凝土而言，钢筋与混凝土之间的粘结性能直接影响结构受力协同和变形能力。wgp的引入使粘结强度同时受到多种因素影响，呈现明显的多变量耦合和非线性演化特征，这使得准确预测wgp混凝土的极限粘结强度变得困难。

2、传统的粘结强度评估手段主要依赖拉拔试验及基于特定试验数据建立的经验公式。此类公式通常采用有限变量、固定函数或进行多元非线性回归形式，适用范围受材料组成、试件几何及试验条件影响，难以同时表征多来源数据中材料变量和几何变量之间的非线性关系与条件交互，传统经验模型存在明显的技术瓶颈：一是缺乏处理多维变量交互作用的数学可塑性，导致预测精度极低，平均绝对百分比误差mape通常超过17%；二是模型高度依赖特定的试验边界条件，缺乏泛化鲁棒性，难以应对固废材料引入带来的高离散性。因此，需要建立能够在统一数据框架下处理多变量非线性映射的预测方法。

技术实现思路

1、针对现有技术的缺陷或不足，本发明提供了一种废玻璃粉钢筋混凝土极限粘结强度预测模型，所述废玻璃粉钢筋混凝土的原料包括水泥、废玻璃粉、钢筋、粗集料和细集料。

2、为此，本发明所提供的预测模型采用以下方法步骤的构建：

3、步骤1，构建数据集，获取若干废玻璃粉钢筋混凝土试件的特征参数和极限粘结强度，所述特征参数包括：水泥用量，kg/m³、废玻璃粉掺量，kg/m³、废玻璃粉粒径，μm、钢筋直径，mm、锚固长度，mm、混凝土保护层厚度，mm和保护层厚度与钢筋直径之比；

4、将数据集划分为多个子集，各子集为独立的验证子集，各验证子集对应训练子集为数据集中除去相应验证子集以外的数据；

5、对各验证子集内的每一个特征参数分别进行归一化，对各训练子集中的各特征参数分别进行归一化；

6、步骤2，构建模型：包括以下步骤：

7、step21，设置catboost回归模型的四维超参数搜索区间，所述四维超参数包括提升迭代次数、树深、学习率和l2正则化系数；在四维超参数搜索区间内均匀随机生成多组四维超参数，每组四维超参数作为一个初始候选位置，多个初始候选位置构成初始种群；

8、step22，对当前种群中每个候选位置对应catboost回归模型分别进行训练和验证，其中一个候选位置对应catboost回归模型训练和验证包括：对相应catboost回归模型依次进行多轮训练与验证，每轮选择一个归一化后的验证子集与相应训练子集，遍历多组验证子集和训练子集后，将多个验证子集的预测结果合并，得到预测向量，然后计算所述预测向量与目标向量之间的均方误差mse，将该mse作为该候选位置的适应度；所述目标向量为数据集中各试件的极限粘结强度；

9、step23，确定当前种群中最优适应度、最差适应度及其分别对应的最优候选位置和最差候选位置；当当前种群中的最优适应度小于已有历史最优适应度时，更新历史最优适应度及其对应的历史最优位置；

10、step24，基于当前种群的适应度大小排序，采用ssa算法对当前种群中各候选位置的四维坐标进行更新，得到下一轮待评价的多个候选位置；

11、step25，基于下一轮待评价的多个候选位置，采用step22-step23所述方法确定下一轮种群的当前最优位置和当前最差位置，并更新历史最优位置；

12、step26，多次迭代执行step24-25，输出整个迭代过程中记录的历史最优适应度及其对应的四维超参数；优选的，所述迭代次数为20-70次；

13、step27，对数据集内各特征参数分别进行归一化，利用归一化后的数据对step26所得的四维超参数对应catboost回归模型进行训练，得到废玻璃粉钢筋混凝土极限平均粘结强度预测模型。

14、可选的方案是，步骤1获取若干组废玻璃粉钢筋混凝土试件的特征参数和极限粘结强度，每组废玻璃粉钢筋混凝土试件包括至少一个废玻璃粉钢筋混凝土试件，同组废玻璃粉钢筋混凝土试件的废玻璃粉粒径和废玻璃粉添加量相同，各组废玻璃粉钢筋混凝土试件的废玻璃粉粒径和废玻璃粉添加量不同；其中一组试件中废玻璃粉添加量为0。

15、可选的方案是，提升迭代次数的区间为100～1000、树深区间为3～10、学习率区间为0.01～0.30、l2正则化系数区间为1～10。

16、可选的方案是，step22中以rmse作为训练损失函数。

17、可选的方案是，step24中对ssa算法更新后的提升迭代次数和树深进行取整操作，得到下一轮待评价的候选位置。

18、可选的方案是，step24 ssa算法包括：

19、将当前种群中适应度排序靠前的20%个体确定为发现者，剩余个体确定为加入者；

20、对于发现者，生成区间[0,1]内的预警随机数r，并将安全阈值设置为0.8；当r<0.8时，按照ssa发现者位置更新公式调整其四维参数，当r≥0.8时，在当前位置叠加标准正态随机扰动；

21、对于加入者，根据其适应度排序位置进行四维超参数更新，其中位于排序后半部分的个体按照加入者位置更新公式，结合当前最差位置和随机变量更新其四维坐标，以搜索其他超参数区域；

22、随机选取占种群10%向上取整个体作为侦察者，当侦察者当前适应度大于当前历史最优适应度时，结合当前历史最优位置和随机扰动更新其四维超参数；

23、对上步骤得到的候选位置进行边界处理，将超出step21设置的四维超参数搜索区间的坐标截断至相应边界，并对提升迭代次数和树深进行最近整数取整；各个体更新后的四维超参数分别表示下一轮待评价的catboost候选参数组合。

24、本发明还提供了相关废玻璃粉钢筋混凝土极限粘结强度预测方法，获取待预测废玻璃粉钢筋混凝土的特征参数，基于步骤1数据集中相应特征参数的最大值和最小值对待预测样品的各特征参数进行归一化，之后将待预测样品的归一化数据输入上述预测模型中对极限粘结强度进行预测。

25、进一步，预测方法还包括：以步骤1数据集中各特征参数和权利要求1所述预测模型输入shap解释模块，计算各输入特征对应的shapley值，并基于所述shapley值生成全局特征贡献摘要图，以说明各特征参数对模型输出的贡献方向和相对幅度。

26、梯度提升树（catboost）算法在一定程度上能够利用对称决策树和逐轮残差修正表征连续变量之间的非线性关系，但其提升迭代次数、树深、学习率和l2正则化系数仍需合理确定。在面对废玻璃粉掺量、材料特性与几何尺寸等复杂耦合工程数据时，catboost算法若依赖默认参数或有限网格搜索难以针对当前数据特征获得适宜配置，并可能限制模型在不同强度区间的预测表现，导致模型在预测高强度区间时出现严重的异方差离散与过拟合现象。人工试调或有限网格枚举难以兼顾连续搜索空间的覆盖范围和计算效率。

27、本发明提出一种结合麻雀搜索算法优化catboost回归模型（ssa-catboost）与shapley解释（shap）框架的废玻璃粉钢筋混凝土粘结强度预测方法。该方法并非常规算法的简单串联，而是在设定搜索范围、种群规模和迭代次数下，以多折折外预测均方误差评价候选参数，通过发现者、加入者和侦察者的位置更新获得优选参数组合；随后利用shap分析所选特征对模型输出的贡献方向和幅度，从而形成预测、评价与解释相衔接的技术流程，实现预测结果与特征贡献解释连接。

28、本发明通过在架构层面的协同优化，构建了ssa-catboost超参数闭环协同架构，在预设搜索范围内获得适应度较低的参数组合；将材料配合比参数和钢筋混凝土几何构型参数统一纳入特征参数，利用catboost表征变量之间的非线性关系和条件交互；采用ssa在设定搜索空间内迭代优化catboost核心超参数，并以五折折外预测mse作为统一适应度，减少人工试调和有限网格枚举的依赖；在输出粘结强度预测值的同时，通过shap提供全局重要性分析为配合比筛选和界面粘结性能评价提供可量化参考，可用于说明特征对模型输出的贡献方向。