투수 콘크리트의 압축 강도를 예측하는 것은 화학, 혼합 설계 및 양생 요인 간의 복잡하고 비선형 상호작용으로 인해 어려운 과제입니다. 본 연구는 압축 강도 예측을 위해 산화물 수준의 화학 설명자, 고급 앙상블 기계 학습, 메타 휴리스틱 최적화, 설명 가능한 인공지능 및 불확실성 정량화를 결합한 통합 데이터 기반 프레임워크를 제시합니다. CaO, SiO₂, Al₂O₃, Fe₂O₃, MgO, 알칼리 함량, 골재 특성, 수분 함량 및 양생 기간을 입력으로 포함하여 20개의 연구에서 659개의 샘플을 구성한 데이터 세트를 조합했습니다. 다섯 가지 모델이 개발되어 평가되었습니다: 랜덤 포레스트, AdaBoost, LightGBM, CatBoost 및 하이브리드 CatBoost-MOWCA. CatBoost는 독립 테스트 세트에서 모든 모델보다 우수한 일반화 성능(R² = 0.9272, RMSE = 2.334 MPa)을 달성하였으며, 유사 시스템에 대한 R² 값이 0.85-0.95로 보고된 문헌과 비교하여 유리한 결과를 보여주었습니다. SHAP 분석은 양생 기간, Al₂O₃ 함량 및 수분 함량이 주요 강도 요인임을 확인했습니다. 긍정적인 Al₂O₃ 효과는 SCM 혼합 시스템에서 그 포졸란 역할이 반영된 것으로, 이는 칼슘 알루미네이트 수화물(CAH) 및 칼슘 알루미노실리케이트 수화물(CASH) 상을 형성하는 2차 반응에 참여하여 미세 구조를 밀집시키고 계면 전이 영역을 강화합니다. 몬테 카를로 시뮬레이션은 인지적 불확실성이 62.1%로 지배적임을 드러냈으며, 이는 이종 다수 연구 데이터 세트 구성과 일치합니다. 총 시멘트 재료 함량을 추가 입력으로 포함한 확장된 CatBoost 모델은 보완적인 예측 가치를 확인하며, 모든 테스트 지표에서 적당하나 일관된 개선을 나타냈습니다. CatBoost 모델에 의해 구동되는 그래픽 사용자 인터페이스는 실시간 예측 및 민감도 분석을 가능하게 하여 실제 혼합 설계 최적화를 지원합니다.
Wani et al. (Sat,)이 이 문제를 연구했습니다.