结合经验公式与物理信息神经网络的混凝土配合比设计

摘要

通过传统经验公式与物理信息神经网络(PINN)相结合的方法，对混凝土抗压强度进行预测.选取支持向量回归、随机森林、极端梯度提升、人工神经网络和PINN共5个机器学习模型进行对比分析.结果显示，PINN模型在训练集和测试集上的决定系数、均方根误差、平均绝对误差均为最佳，说明PINN模型具有良好的拟合和泛化能力.通过SHAP解释方法进行可视化分析，发现PINN模型能很好地捕捉传统经验公式和数据之间的规律，从而获得较好的拟合结果.因此，将经验物理知识融入机器学习神经网络框架中对于混凝土性能预测具有重要意义.

关键词

混凝土 / 抗压强度 / 物理信息神经网络 / 物理约束 / 损失函数 / SHAP解释方法

基金资助

国家自然科学基金资助项目（52278158）