PDF全文阅读

    赵   琦 ，兰永强

 

（延安大学 ，延安 716000)

摘   要 ：为提升煤矸石粉混凝土抗压强度预测的准确性 ，构建了 70 组煤矸石粉混凝土抗压强度数据集 ，引入 3 种经典机器学习集成算法 ，建立 3 个考虑多因素的煤矸石粉混凝土抗压强度预测模型 ，研究不同特征组合对模型性能的影响。结果表明：XGBoost 算法模型是煤矸石粉混凝土抗压强度预测的最优模型 ，其决定系数  (R2 )为 0. 857 ,  均方根误差为 2. 06 ；水泥用量和养护龄期是最重要的两个特征指标 ；使用水胶比 、水泥用量 、煤矸石粉用量 、砂用量 、碎石用量及养护龄期等 6 个特征时 ，3 种不同算法的平均决定系数最高为 0. 844 ,  由此反映了模型较高的准确性。研究成果可为煤矸石粉混凝土的工程应用提供快速可靠的决策依据。

关键词：煤矸石粉 ；混凝土 ；抗压强度 ；预测 ；机器学习

中图分类号：TU528           

文献标志码：A           

文章编号： 1005- 8249   (2025)  04- 0157- 04

DOI:10. 19860/j.cnki.issn1005 - 8249.2025 .04.028

 

ZHAO Qi ,  LAN Yongqiang

(Department of Infrastructure ,  Yan ’an University ,  Yan ’an 716000 , China)

Abstract :  To improve the accuracy of predicting the compressive strength of coal gangue powder concrete , a dataset consisting of 70  groups  of  compressive strength data for coal gangue powder concrete was constructed.  Three classic machine learning ensemble algorithms were introduced , and three  prediction models for the  compressive  strength  of coal  gangue  powder concrete considering multiple factors were established. The  impact  of  different feature  combinations  on  model  performance  was  studied. The results show that the XGBoost algorithm model  is  the  optimal  model for predicting the  compressive  strength  of coal  gangue powder concrete ,  with a coefficient of determination  (R2 )  of 0. 857  and  a root mean square  error of 2. 06 ; Cement  dosage  and curing age are the two most important feature indicators;  when using 6 features  including water - binder ratio , cement  dosage , coal gangue powder dosage , sand  dosage , gravel  dosage , and  curing age , the  average  coefficient of determination of the three different algorithms reaches the highest value of 0. 844 ,  which reflects the high accuracy of the model. The research results  can provide a fast and reliable decision - making basis  for the engineering application of coal gangue powder concrete .

Key words :  coal gangue powder;  concrete;  compressive strength;  forecast;  machine learning

作者简介： 赵    琦  (1987—) ,   女 ，硕士 ，工程师 ，研究方向 ：施工管理。

通信作者： 兰永强  (1978—) ,   男 ，本科 ， 高级工程师 ，研究方向：项目管理。

收稿日期：2024 - 07 - 03