基于可解释PSO–BPNN的三元固废注浆材料力学性能预测

摘要

为高效预测三元固废地聚物注浆材料（Geopolymer grouting material, GGM）力学性能，本研究进行了不同配合比的三元固废地聚物注浆材料力学性能测试，利用反向传播神经网络（Back propagation neural network, BPNN）模型，并采用粒子群算法（Particle swarm optimization, PSO）进行优化，结合SHAP（Shapley Additive exPlanations）方法进行可解释性分析.结果显示，矿渣含量与抗压强度呈显著正相关，赤泥含量则呈负相关，粉煤灰影响较小，激发剂浓度在28 d龄期影响最显著. PSO–BPNN模型的性能优于BPNN，决定系数（R²）提高了0.75%. SHAP分析揭示，养护龄期和激发剂浓度是影响抗压强度的主要正向因素，赤泥含量对强度有显著负面影响.在未经训练的数据集上，PSO–BPNN在误差波动和预测精度方面均优于BPNN,PSO–BPNN可以为地聚合物注浆材料在力学性能方面提供精确的预测并对其配合比设计进行指导，对于工程实践具有重要意义.

关键词

地聚合物 / 注浆材料 / 力学性能 / 反向传播神经网络 / 粒子群优化算法

基金资助

国家自然科学基金资助项目(52468047); 广西重点研发计划项目(桂科AB25069142); 广西自然科学基金重点项目(2022GXNSFDA035081); 广西高等学校高水平创新团队及卓越学者计划项目(桂教人才[2020]6号); 2022年度交通运输行业重点科技项目(2022-MS1-030); 广西科技大学研究生教育创新计划项目(GKYC202569)