来源：期刊VIP网 时间：
作者：李逸飞;石新波;林宝臣;王威;肖会刚;刘家林;
单位：哈尔滨工业大学土木工程学院;黑龙江省建工集团有限责任公司;黑龙江省黑建一建筑工程集团有限责任公司;
摘要：针对混凝土传输性评价问题，基于已知配合比建立了混凝土电通量的机器学习预测模型，并揭示关键影响因素及影响规律。通过集成极端梯度提升(XGBoost)、支持向量回归(SVR)等6种机器学习算法，基于48组试验数据构建预测模型，采用沙普利加性解释(SHAP)函数解析特征贡献度。结果表明：XGBoost模型预测精度最高(R~2=0.983 6),砂用量与含气量为混凝土电通量核心影响因素；数据分析显示，水胶比约为0.4时，电通量达到最低值，砂率在30.5%～35.3%,可使电通量维持在较低水平。研究为混凝土耐久性预测提供了理论依据与量化方法。
关键词：混凝土;;电通量;;氯离子;;机器学习;;权重分析;;大数据
基金资助：国家自然科学基金(U24A20165)
