工程水泥基复合材料(ECC)集成预测框架：EDFrame

《Materials》：An Integrated Prediction Framework for Engineered Cementitious Composite: EDFrame

　　

工程水泥基复合材料（Engineered Cementitious Composite，ECC）是一种广泛用于耐久基础设施的高性能应变硬化材料，但其复杂的多参数相互作用使得准确的配合比设计与性能预测具有挑战性。本研究旨在建立一种用于ECC的集成预测框架EDFrame。首先，从全面且权威的文献中收集ECC拉伸应力与拉伸应变两个原始数据集，包含18个特征及10类单掺或混杂纤维。随后采用约束修正的条件表格生成对抗网络（Constraints-modified Conditional Tabular Generative Adversarial Network，Tuned-CTGAN）进行数据增强，并与两种传统方法进行对比。研究人员开发了一维带残差模块卷积神经网络（One-Dimensional Convolutional Neural Network with a residual module，1D-Residual CNN）来预测拉伸应力和应变，并将其性能与五种主流机器学习模型进行对比。通过偏依赖图（Partial Dependence Plot，PDP）和核SHAP（Kernel SHapley Additive exPlanations，Kernel SHAP）分析实现了所提模型的可解释性。结果表明，Tuned-CTGAN能有效生成可靠的合成数据，使1D-Residual CNN对拉伸应力的决定系数R2由0.8658提升至0.9128，对拉伸应变的R2由0.8433提升至0.9378，优于所有对比模型。PDP分析确定纤维掺量1.5–2%及纤维长度12–20 mm为提升拉伸性能的最优范围；SHAP分析揭示纤维长度是对拉伸应力影响最显著的特征，纤维直径是对拉伸应变影响最显著的特征。所提出的EDFrame为ECC性能预测提供了稳健且可解释的解决方案，可支持工程实践中高效、准确的配合比设计。

《工程水泥基复合材料(ECC)拉伸性能的集成数据驱动预测框架EDFrame研究解读》

一、研究背景与意义

工程水泥基复合材料（Engineered Cementitious Composite，ECC）是一种具有高拉伸强度和超高延性的应变硬化水泥基材料，其拉伸应变能力通常为3%至12%，远超普通混凝土。然而，ECC的配合比设计受胶凝材料组成、纤维特征（类型、掺量、长径比、弹性模量等）、外加剂及养护条件等多参数复杂非线性交互作用影响，传统基于经验公式或线性回归的方法难以实现准确预测。现有机器学习（Machine Learning，ML）研究多基于有限样本且仅针对特定纤维类型，泛化能力不足。由于专门面向ECC的深度学习方法及配套数据库较为缺乏，小样本问题限制了深度神经网络的应用。针对上述问题，研究人员提出了EDFrame（ECC Data-driven Framework），即一种集成数据增强、深度学习预测及模型可解释分析的ECC拉伸性能预测框架，研究成果发表于《Materials》。

二、主要关键技术方法

研究人员首先从权威文献中构建包含450组拉伸应力样本和423组拉伸应变样本的ECC数据库（18个输入特征，涵盖胶凝材料配比、纤维特性、外加剂及养护条件，输出为峰值拉伸应力MPa和峰值拉伸应变%）。采用约束修正的条件表格生成对抗网络（Tuned-CTGAN）进行数据增强至各10000条，并与GaussianCopula及TVAE（Triplet-based Variable AutoEncoders）对比效果。预测模型使用自建的一维残差卷积神经网络（1D-Residual CNN），对比随机森林（Random Forest，RF）、梯度提升回归（Gradient Boosting Regressor）、XGBoost（XGB Regressor）、直方图梯度提升（Hist Gradient Boosting Regressor）及支持向量回归（Support Vector Regression，SVR）。评价指标采用均方误差（Mean Squared Error，MSE）、平均绝对误差（Mean Absolute Error，MAE）和决定系数（Coefficient of Determination，R²），GAN生成质量采用Kolmogorov–Smirnov检验（KSTest）和卡方检验（CSTest）及分布可视化评估。模型可解释性通过偏依赖图（Partial Dependence Plot，PDP）和核SHAP（Kernel SHAP）分析实现。

三、研究结果

Database Description（数据库描述）

研究人员依据严格筛选标准（普通硅酸盐水泥、天然骨料、权威期刊、纤维及外加剂参数明确）从既有文献构建ECC数据库，覆盖PE、PVA、PP、玄武岩、钢纤维及多种混杂纤维体系，输入变量18个，输出为拉伸应力（1.8–33.4 MPa）和拉伸应变（0.017–17.3%），纤维体积分数0.003–0.20，纤维长度2–38 mm，数据变异性大可支撑数据驱动建模。

Data Augmentation（数据增强）

采用Tuned-CTGAN将原始数据集扩充至各10000条样本。可视化分析（分布图、累积和图、相关系数表）显示生成数据与真实数据统计特征高度相似，连续变量KS检验结果平均达0.7784（应力）和0.7908（应变），离散变量纤维类型的卡方检验CSTest值分别为0.7108和0.7144，优于GaussianCopula和TVAE（后两者CSTest值仅约0.0068和0.0031）。Tuned-CTGAN引入纤维参数与纤维类型匹配的物理约束算法，确保生成数据中纤维强度及弹性模量符合对应纤维类型的物理边界。结论：Tuned-CTGAN能生成统计可靠且物理合理的ECC合成数据，适合用于后续深度学习训练。

Model Prediction（模型预测）

未增强前，1D-Residual CNN对拉伸应力和应变的R²分别为0.8658和0.8433，RF对拉伸应力R²最高（0.8944），1D-Residual CNN对拉伸应变预测优于传统ML模型。经过Tuned-CTGAN增强后，1D-Residual CNN的R²提升至0.9128（拉伸应力）和0.9378（拉伸应变），MAE和MSE均下降；而传统ML模型（含RF）在增强后R²反而下降（RF降至0.5607和0.6646），说明树基模型难以从小样本外推至大数据集，1D-Residual CNN更适用于增强后大数据下的ECC性能预测。结论：数据增强显著提升1D-Residual CNN预测精度，该模型为最优预测器。

Model Interpretability by PDP and Kernal SHAP（模型可解释性分析）

PDP分析表明：拉伸应力随纤维掺量增加整体上升，纤维掺量1.5–2%（体积分数）与纤维长度12–20 mm组合时等高线密度最大，为提升拉伸应力的最优范围；纤维直径与拉伸应变呈负相关，直径低于50 μm时拉伸应变最高；纤维弹性模量高于300 GPa或低于70 GPa对应较高拉伸应变。

SHAP全局重要性分析显示：对拉伸应力影响最大的基体组分为水、水泥、硅灰，纤维参数中以纤维长度为最重要；对拉伸应变影响最显著的三个特征为纤维直径（负向）、纤维长度（正向）及纤维抗拉强度。水泥含量约0.3（归一化质量分数）是拉伸应变响应曲线的转折点。纤维掺量与纤维长度存在正向交互效应，共同促进拉伸性能。结论：PDP与SHAP分析结果与ECC细观力学机理一致，验证了模型的物理合理性。

Generalization and Limitations of the Proposed Framework（框架的泛化性与局限性讨论）

EDFrame通过增强数据多样性提升了模型捕捉非线性关系的能力，但泛化仍受原始数据分布限制，对特征空间低密度区或未见组合的预测可靠性降低。CTGAN对离散特征分布略有偏离且难精确复现极端稀有样本。文献数据本身的试验条件差异亦引入一定不确定性，外推使用需谨慎。

四、结论翻译（Conclusions）

研究人员提出并验证了用于ECC拉伸性能预测的集成框架EDFrame，主要结论如下：

(1) 所提约束修正Tuned-CTGAN在KSTest与CSTest指标上优于GaussianCopula模型和TVAE，分布图、累积和图及相关系数表验证了其生成虚拟ECC数据的可靠性。

(2) 原始数据集上RF和1D-Residual CNN分别对拉伸应力和应变预测表现最佳；经Tuned-CTGAN增强后，1D-Residual CNN的R²由0.8658和0.8433分别提升至0.9128和0.9378，具最优预测精度。

(3) PDP分析确定提升拉伸应力较优纤维掺量为1.5–2%（体积分数）；纤维长度12–20 mm、直径低于50 μm、弹性模量高于300 GPa或低于70 GPa更利于获得较高ECC拉伸应变。

(4) 水泥、水及硅灰是影响ECC拉伸应力最重要的基体组分；纤维直径、长度及抗拉强度显著影响拉伸应变；水泥归一化质量分数约0.3为拉伸应变响应的极值点。

EDFrame可为ECC配合比设计提供快速、准确的性能预评估，减少试错实验，PDP和SHAP结果为配合比设计提供可直接参考的指导原则。未来工作将致力于提高生成数据质量及增强模型鲁棒性以进一步提升泛化能力。