来源：期刊VIP网 时间：
作者：王思雨;孙元成;余睿;杜秀蓉;周利生;刘星;陈志威;
单位：中国建筑材料科学研究总院有限公司;武汉理工大学材料与微电子学院;武汉理工大学材料科学与工程学院;
摘要：系统研究了不同预处理方法和机器学习算法对玻璃材料性能预测的影响。实验基于一组包含4种组分作为输入、7种性能作为输出的数据集，首先通过标准化与3种插值方法因不同顺序生成6组样本，随后分别采用随机森林(RF)、极限梯度提升(XGB)、分类回归树(CART)、K近邻(KNN)、支持向量机(SVM)和人工神经网络(ANN)对每组样本的每一列输出进行单目标实验，并对所有输出进行综合实验。在此基础上，选择RF与SVM进行超参数调优，比较了随机搜索、网格搜索和贝叶斯优化的效果。结果表明，预处理顺序对误差指标(MSE/MAE)的敏感性高于决定系数(R~2)，建议优先采用“B–RF插值”组合以平衡精度与稳定性；而数据缺失率>10%时，插值方法对R~2的影响权重显著增加，高缺失场景(>40%)需特别注意插值方法对SHAP特征排序的干扰；算法性能呈RF=XGB>KNN=ANN>SVM≥CART的稳定层级，建议首选集成算法构建预测模型；组分分析显示Na_2O主导密度与折射率，B_2O_3主导玻璃化转变温度T_g,SiO_2调控膨胀软化温度M_g，而热膨胀系数存在阶段性；贝叶斯优化可有效提升SVM，而集成算法建议采用遗传算法强化参数搜索。
关键词：机器学习算法比较;性能预测;超参数调优;数据预处理
基金资助：CNBM关键技术研发计划（2023SJYL03）; 中国建材总院自立科研项目（ZT-20）
