基于集成學習的蔗渣灰混凝土抗壓強度預測模型

摘" 要： 為了得到高效準確的基于集成學習的蔗渣灰混凝土抗壓強度預測模型，建立了4種集成學習模型，即eXtreme Gradient-Boosting （XGBoost）、Random Forest （RF）、Light Gradient-Boosting Machine （LightGBM）和Adaptive Boosting （AdaBoost）；通過模型的性能比較得到了預測能力最優的集成學習模型，然后利用SHAP（Shapley additive explanation）值方法定量研究各輸入變量對蔗渣灰混凝土抗壓強度的影響。首先，進行蔗渣灰混凝土抗壓強度試驗，根據試驗數據和文獻數據構建了包含水泥含量、水灰比、蔗渣灰摻和量、細骨料含量、粗骨料含量等5個輸入變量的集成學習數據庫。然后，采用決定系數、平均絕對誤差、均方根誤差、可靠性指數等4個評估指標來評估模型的預測能力。通過對比發現：XGBoost模型的預測精度最高，該模型訓練集的評估指標決定系數、平均絕對誤差、均方根誤差、可靠性指數分別為0.976、1.811、2.344、0.875。各輸入變量對蔗渣灰混凝土抗壓強度的影響從大到小排序為水泥含量、細骨料含量、粗骨料含量、蔗渣灰摻和量、水灰比；水泥含量對混凝土抗壓強度有正面影響，蔗渣灰摻和量低于10%時不會明顯降低混凝土的抗壓強度。該研究為蔗渣灰混凝土抗壓強度的預測和影響因素解釋提供了有益參考，對于推動蔗渣灰混凝土等環保型材料的研究和應用具有一定價值。

關鍵詞： 集成學習；蔗渣灰混凝土；抗壓強度；SHAP值方法；預測模型

中圖分類號： TU377.9

文獻標志碼： A

文章編號： 1673-3851 （2024） 04-0507-11

DOI：10.3969/j.issn.1673-3851（n）.2024.04.010

收稿日期： 2023-11-27" 網絡出版日期：2024-04-11網絡出版日期

基金項目： 國家自然科學基金項目（51808499）；浙江省自然科學基金項目（LY22E080016）；浙江理工大學科研業務費專項資金（24052126-Y）

作者簡介： 林" 星（2000—" ），男，浙江臺州人，碩士研究生，主要從事新型混凝土結構方面的研究。

通信作者： 梁詩雪，E-mail：liangshixue0716@126.com

引文格式：林星，梁詩雪，馮斯奕. 基于集成學習的蔗渣灰混凝土抗壓強度預測模型［J］. 浙江理工大學學報（自然科學），2024，51（4）：507-517.

Reference Format： LIN Xing， LIANG Shixue， FENG Siyi. Models for predicting the compressive strength of bagasse ash concrete based on emsemble learning ［J］. Journal of Zhejiang Sci-Tech University，2024，51（4）：507-517.

Models for predicting the compressive strength of bagasse ash concrete based on emsemble learning

LIN Xing， LIANG Shixue， FENG Siyi

（School of Civil Engineering and Architecture， Zhejiang Sci-Tech University， Hangzhou 310018， China）

Abstract：" To obtain an efficient and accurate ensemble learning model for predicting the compressive strength of sugarcane bagasse ash concrete， four ensemble learning models， namely eXtreme Gradient Boosting （XGBoost）， Random Forest （RF）， Light Gradient Boosting Machine （LightGBM）， and Adaptive Boosting （AdaBoost） were established. The predictive capabilities of these models were compared， and the ensemble learning model with the optimal predictive performance was identified. The Shapley Additive Explanation （SHAP） value method was employed to quantitatively study the impact of each input variable on the compressive strength of sugarcane bagasse ash concrete. Firstly， compressive strength experiments were conducted for sugarcane bagasse ash concrete. Based on experimental data and literature information， an ensemble learning database consisting of five input variables， namely cement content， water-to-cement ratio， sugarcane bagasse ash admixture content， fine aggregate content， and coarse aggregate content， was built. Subsequently， four evaluation metrics， namely determination coefficient， mean absolute error， root mean square error， and reliability index， were used to assess the predictive capabilities of the models. In the performance comparison， it was observed that the XGBoost model exhibited the highest predictive accuracy. The evaluation metrics for the training set of the XGBoost model were determined as follows： determination coefficient of 0.976， mean absolute error of 1.811， root mean square error of 2.344， and reliability index of 0.875. The impact of each input variable on the compressive strength of sugarcane bagasse ash concrete was ranked from highest to lowest as follows： cement content， fine aggregate， coarse aggregate， sugarcane bagasse ash admixture content， and water-to-cement ratio. Cement content had a positive effect on concrete compressive strength， and the compressive strength of concrete was not significantly reduced when the sugarcane bagasse ash admixture content was below 10%. This study provides useful reference for predicting the compressive strength of sugarcane bagasse ash concrete and explaining influencing factors. It holds value in advancing research and applications of environmentally friendly materials such as sugarcane bagasse ash concrete.

Key words： ensemble learning; sugarcane bagasse ash concrete; compressive strength; SHAP value method; predictive model

0" 引" 言

隨著社會的發展與人口的增加，農業生產在迅猛發展的同時也產生了大量的農業垃圾。農業垃圾包含大量生物質，為了充分利用農業垃圾，通常將其焚燒轉化為能源，以滿足工業發展的一定需要。農業垃圾焚燒后產生的生物質灰是農業生產鏈的最終廢棄物，其產量呈現逐年增加的趨勢。生物質灰富含二氧化硅（SiO2），是建筑領域的重要材料，具備資源可持續利用的特點。目前關于將生物質灰應用在建筑領域的研究已成為研究熱點［1］。研究發現，生物質灰如稻殼灰、竹莖灰、麥稈灰、蔗渣灰等可用于制備混凝土、磚塊等建筑材料［2］。其中蔗渣灰是制糖業副產品甘蔗渣經焚燒后由除塵裝置得到的灰分。我國擁有廣闊的熱帶、亞熱帶農耕區域，蔗渣灰的來源穩定、基數大，其燃燒所釋放的二氧化碳量遠低于植物生長周期中排放的氧氣量，是一種潛力巨大的綠色材料［3］。自1998年Martirena Hernndez等［4］發現蔗渣灰具有一定的火山灰活性后，關于蔗渣灰的研究成果逐漸在建筑材料領域得到應用［5-7］。在建筑材料中合理利用蔗渣灰，既能保證建筑材料的抗壓強度、抗折強度等力學性能，又可以減少環境污染和資源浪費，符合綠色、可持續發展的要求，具有廣闊的應用前景。

抗壓強度是混凝土的力學性能中最受研究者關心的核心指標之一。混凝土抗壓強度取決于多種因素，如水泥含量、粗骨料含量、細骨料含量等。一些研究者研究了蔗渣灰在混凝土中的應用。Xu等［8］使用蔗渣灰替代部分水泥，研究了蔗渣灰摻和量對混凝土抗收縮、抗侵蝕、抗壓強度、抗折強度等力學性能的影響。Sales等［9］使用蔗渣灰替代部分天然砂，研究了蔗渣灰摻和量對混凝土的抗壓強度、抗拉強度、彈性模量以及吸水性的影響。Katare等［10］進行了蔗渣灰混凝土單軸抗壓試驗，探討了蔗渣灰摻和量、水灰比、骨料含量等因素對蔗渣灰混凝土抗壓強度的影響。然而，蔗渣灰混凝土的抗壓強度受到多種因素的共同作用，且添加了蔗渣灰這一成分復雜的生物質灰后，混凝土的力學性能更為復雜，單批試驗難以反映其影響規律。因此，亟待建立預測精度較高的抗壓強度預測模型。

近年來，越來越多的研究者們利用機器學習方法來解決各類工程問題。機器學習涉及統計學、概率論以及計算機科學等多個學科領域，其主要思想是通過對一部分數據進行學習，運用相關算法分析數據，發掘內在規律，從而對新數據作出預測。在土木工程領域，機器學習模型被廣泛應用于研究結構（包括結構構件）承載能力預測、結構動力響應預測等問題［11-13］。但目前鮮有研究者利用機器學習模型對蔗渣灰混凝土的抗壓強度進行預測以及定量研究各種因素對蔗渣灰混凝土抗壓強度的影響。

本文通過集成學習模型對蔗渣灰混凝土抗壓強度進行預測，并且利用SHAP（Shapley additive explanation）值方法定量研究各因素對蔗渣灰混凝土抗壓強度的影響。首先，本文進行了蔗渣灰混凝土抗壓強度試驗，研究了蔗渣灰摻和量對混凝土抗壓強度的影響，并將獲得的試驗數據與國內外文獻中收集到的強度數據相結合，作為集成學習模型的訓練和測試的數據庫。然后，采用4種不同的集成學習模型，即eXtreme Gradient-Boosting （XGBoost）、Random Forest （RF）、Light Gradient-Boosting Machine （LightGBM）和Adaptive Boosting （AdaBoost），對蔗渣灰混凝土的抗壓強度進行預測，并得到預測精度最高的集成學習模型，從而建立高效準確的抗壓強度預測模型，為實際工程中的材料選擇和結構設計提供可靠的參考。最后，利用SHAP值方法定量分析水灰比、蔗渣灰摻和量、水泥含量、細骨料含量和粗骨料含量等5個輸入變量對蔗渣灰混凝土抗壓強度的影響，為混凝土配合比的設計提供科學依據，進而推進蔗渣灰混凝土等環保型材料的應用。

1" 蔗渣灰混凝土抗壓強度試驗

1.1" 試驗方案

本文通過試驗分析不同的蔗渣灰摻和量對混凝土抗壓強度的影響。采用了取代率不同的蔗渣灰替代水泥，制備混凝土試件；并根據GB/T 50081-2019《混凝土物理力學性能試驗方法標準》進行混凝土抗壓強度試驗。

1.2" 原材料

1.2.1" 水泥

水泥采用P·O42.5級普通硅酸鹽水泥，其基本性能參數及主要組成分別見表1-表2。

1.2.2" 細骨料

砂子采用河砂，級配區間為Ⅱ區的中砂，細度模數為2.6，表觀密度為2630 kg/m3，堆積密度為1537 kg/m3，含泥量0.8%。

1.2.3" 粗骨料

石子采用碎石，最大粒徑為20 mm，表觀密度為2650 kg/m3，堆積密度為1408 kg/m3，含泥量0.4%。

1.2.4" 蔗渣灰

蔗渣灰的制備過程涉及將甘蔗渣進行一系列處理，最終得到試驗所使用的蔗渣灰，蔗渣灰制備過程中各階段的示例照片見圖1。蔗渣灰的具體制備過程如下：a）收集甘蔗渣。收集蔗糖生產過程中剩余的甘蔗渣。b）清理和預處理。將收集的甘蔗渣去除雜質、清洗和干燥后進行初步研磨，得到粗磨甘蔗渣。c）研磨。對處理后的甘蔗渣進行細致研磨，獲得更細的顆粒。d）灼燒。將研磨后的甘蔗渣置于鍋爐中，用500～600 ℃的高溫灼燒。e）篩分。將灼燒后的蔗渣灰通過篩子進行篩分，得到的灰燼小于75 μm。

1.3" 混凝土配合比設計

本次試驗選定混凝土設計強度為C30，按照JGJ 55-2019《普通混凝土配合比設計規程》進行混凝土配合比設計。試驗設置了對照組S0，該組的蔗渣灰摻和量為0，并且設置試驗組S1、S2、S3，這3組的蔗渣灰摻和量分別為10.00%、20.00%、30.00%，其具體配合比見表3。

1.4" 試驗方法

首先，按照表3的配合比稱取原材料，接著依次向攪拌機內投入水泥、骨料、水以及蔗渣灰，在確保攪拌均勻后排出混凝土料。然后，制備尺寸為150 mm×150 mm×150 mm的混凝土試件，共4組，每組3個試塊。5 h后進行收面處理，在相對濕度為60%、溫度為（20±1）℃的環境中養護1 d后脫模。隨后將試件放置于相對濕度為95%以上、溫度為（20±2）℃的標準養護室內養護至28 d。最后使用TYE-2000B型壓力試驗機進行抗壓強度試驗。

1.5" 試驗結果

蔗渣灰混凝土抗壓強度試驗數據見圖2，從圖中可以發現：當蔗渣灰摻和量為0時，混凝土抗壓強度為33.76 MPa；而在摻和量為10.00%時，混凝土抗壓強度略微下降至33.61 MPa；當蔗渣灰摻和量從10.00%增加至20.00%時，混凝土抗壓強度快速降至26.93 MPa；隨著蔗渣灰摻和量超過20.00%，混凝土抗壓強度的下降幅度減小；當摻和量達到30.00%時，混凝土抗壓強度為24.00 MPa。

綜上所述，蔗渣灰在摻和量低于10.00%時對混凝土抗壓強度無明顯負面影響。這可能是因為蔗渣灰顆粒粒徑較小，在混凝土中發揮了填充的作用，填補了水泥漿體與骨料之間的空隙，使得混凝土強度沒有明顯下降［14］。隨著摻和量的增加，負面影響增大。這可能是由于蔗渣灰顆粒之間的粘合力低，并且水泥含量減少導致混凝土內部的粘合力下降，混凝土強度明顯下降［14］。

2" 集成學習模型

本文選取4種集成學習模型來預測蔗渣灰混凝土的抗壓強度，即eXtreme Gradient-Boosting （XGBoost）、Random Forest （RF）、Light Gradient-Boosting Machine （LightGBM）和Adaptive Boosting （AdaBoost）。集成學習模型是一種機器學習方法，其通過整合多個弱學習器的預測結果，以彌補單個弱學習器的不足，從而獲得具有更高預測能力的強學習器。集成學習模型通常在性能方面表現出卓越的優勢，能夠克服單個學習器的局限性，提高模型的整體性能。

2.1" eXtreme Gradient-Boosting （XGBoost）

XGBoost是一種高效且靈活的集成學習模型，屬于梯度提升框架（Gradient boosting framework，GBF）中的一種。XGBoost通過迭代的方式構建決策樹，每一輪迭代都生成一棵決策樹。在每輪迭代中，首先模型會計算當前模型的殘差，接著構建一棵新的決策樹來減小殘差。在構建決策樹的過程中，XGBoost會通過最小化損失函數來確定決策樹的結構，然后引入正則化項以避免過擬合［15］。構建完成后，XGBoost會得到n棵決策樹。當對新樣本進行預測時，每個新樣本會被分配到決策樹上對應的葉節點，每個葉節點有一個關聯的分數，最終的輸出結果是所有決策樹的葉節點分數的累加和［16］。圖3展示了XGBoost的算法原理。

2.2" Random Forest （RF）

RF屬于集成學習模型中的一種組合分類算法模型。RF通過構建多個決策樹，將所有決策樹的輸出結果結合起來進行最終的預測。在構建決策樹的過程中，RF首先利用隨機采樣法從數據集中有放回或無放回地抽取多個樣本，使得每棵決策樹的訓練數據集都略有不同，以避免過擬合。然后用抽取的樣本對決策樹進行訓練，最后把訓練后的n棵決策樹組合在一起，通過投票得出最終的預測結果［17］。圖4展示了RF的算法原理。

2.3" Light Gradient-Boosting Machine （LightGBM）

LightGBM是一種基于GBF的集成學習模型，原理上與XGBoost相似，能夠在不降低準確率的條件下加快模型的訓練速度。圖5展示了LightGBM的優化原理。LightGBM相對于XGBoost在一些方面進行了優化：

a）采用帶深度限制的節點展開（Leaf-wise）算法。大多數梯度提升決策樹工具使用低效的按層生長的Level-wise決策樹生長策略，不加區分地對待同一層的葉節點，探索和分裂了很多分裂效益較低的葉節點。LightGBM使用了帶有深度限制的節點

展開的Leaf-wise算法［18］，決策樹的層級不會無限制地增長，這有助于控制模型的復雜度，防止過擬合。

b）引入直方圖算法。為了加速梯度計算，首先LightGBM會將連續的特征值劃分為多個離散區間，然后在訓練過程中構建直方圖，最后使用直方圖差來近似直方圖的梯度信息，以降低梯度的計算復雜度。

2.4" Adaptive Boosting （AdaBoost）

AdaBoost是由Yoav Freund和Robert E. Schapire在1995年提出的一種集成學習模型［19］，它通過迭代訓練一系列弱學習器，然后將它們組合成一個強大的分類器。AdaBoost的核心思想是通過調整訓練樣本的權重，使得前一個弱學習器分錯的樣本在后續的學習中得到更多的關注，從而糾正錯誤，提高模型的整體性能。AdaBoost將多個弱學習器的結果進行加權組合，形成一個在整體上具有更好的泛化能力的強學習器。圖6展示了AdaBoost的算法原理。

3" 蔗渣灰混凝土強度預測

3.1" 蔗渣灰混凝土抗壓強度數據庫

結合本文開展的試驗以及文獻［20-21］，共收集了68組蔗渣灰混凝土抗壓強度的數據作為數據集（見附錄A），并且將數據集按照8∶2的比例劃分為訓練集和測試集，其中訓練集為55組，測試集為13組。本文根據收集的數據集，選取了5個變量作為輸入變量，它們分別為水灰比、蔗渣灰摻和量、水泥含量、細骨料含量、粗骨料含量；將蔗渣灰混凝土的抗壓強度作為輸出變量。集成學習建模可接受的數據量應大于輸入變量個數的10倍［22］，因此數據量應大于50組，本文數據集的數據量符合要求。

3.2" 超參數取值

為了提高集成學習模型的預測準確性和泛化能力，需要進行超參數調優。超參數是在訓練集成學習模型之前預設的參數，其值不能由模型從數據中自動學習得出。超參數優化的常見方法包括網格搜索、隨機搜索和貝葉斯優化等，本文采用了網格搜索結合K-fold交叉驗證的方法來優化超參數。

網格搜索通過事先定義一組可能的超參數值，然后嘗試所有可能的超參數組合，以遍歷模型的各種超參數組合［23］。而K-fold交叉驗證是一種數據拆分技術，可以讓使用者在未曾見過的數據上評估模型的性能［24］。首先，它將數據集分成K個子集，然后多次訓練模型，每次使用不同的子集作為驗證集，其余的作為訓練集。最后，將這些驗證集上的性能指標的平均值作為最終性能的評估指標［18］。

本文采用了10折交叉驗證。首先，將所有樣本均勻分成10個子集。然后，依次遍歷這10個子集，每次將1個子集作為驗證集，其余9個子集作為訓練集用于模型的訓練。最后，取這10次評估的平均值作為最終評估指標。

表4列出了4種集成學習模型在網格搜索中需要調優的主要超參數，表5總結了每個模型的最佳超參數組合以及相應的交叉驗證性能評分。

3.3" 模型預測結果

為了準確比較4種集成學習模型的預測能力，這4種模型均使用相同的訓練集和測試集，最終通過4個評估指標（決定系數、平均絕對誤差、均方根

誤差、可靠性指數）評價模型的預測能力。4個評估指標的計算公式為式（1）-（4）：

R=1-∑mi=1（f（xi）-yi）2∑mi=1（yi-yi）2（1）

M=1m∑mi=1|f（xi）-yi|（2）

r=1m∑mi=1（f（xi）-yi）2（3）

a10=m10m（4）

其中：R為決定系數；M為平均絕對誤差；r為均方根誤差；a10為可靠性指數；f（xi）為模型對蔗渣灰混凝土抗壓強度的預測值，MPa；yi為蔗渣灰混凝土抗壓強度的實驗值，MPa；yi為蔗渣灰混凝土抗壓強度實驗值的平均值，MPa；m為數據集樣本的數量；m10為實驗值與預測值之比在0.9和1.1之間的數據集樣本數量。

決定系數是一種用于評估模型擬合程度的統計指標，表示因變量（輸出變量）的變異性能夠被自變量（輸入變量）解釋的比例，它的取值范圍在0到1之間，其值越接近于1，說明模型對數據擬合效果越好；平均絕對誤差用于評估預測值和實驗值之間的接近程度，其值越小說明擬合效果越好；均方根誤差是一種用于衡量預測值和實驗值之間的偏差的度量，它對一組數據中非常大或者非常小的誤差反應非常敏感，其值越小說明模型擬合效果越好；可靠性指數通過顯示預測值與實驗值偏差在±10%之間的樣本數量占全部樣本數量的比例來評估模型的可靠性，其值越靠近1說明模型可靠性越高，模型擬合效果越好。

圖7（a）-（d）展示的預測結果可以作為評估4個集成學習模型預測能力的參考依據。圖中的藍色圓點代表訓練集結果，橙色方點代表測試集結果。4種模型預測結果的數據點散布在基線（y=x）周圍。觀察圖7（a）-（d）可以發現，圖7（a）中預測值與實驗值之間的差異較小，表明集成學習模型XGBoost的預測能力較好。

為了比較4種模型的預測能力，表6列出了4種模型在訓練集和測試集上的評估指標具體數值。在訓練集上，XGBoost模型表現出色，其R為0.976，M為1.811，r為2.344，a10為0.875，優于其他3個模型。LightGBM模型的表現較差，4個評估指標的數值分別為0.529、7.959、10.490、0.271，準確性最低。

在測試集上，XGBoost模型展現出良好的泛化能力，其R為0.833，M為6.229，r為11.898，a10為0.333。LightGBM模型的表現最差，其R為0.384，M為12.722，r為16.601，a10為0.250，表明其在未見數據上的適應能力較差。綜合考慮4個評估指標，4個模型的預測能力由高到低依次為XGBoost、RF、AdaBoost、LightGBM。

3.4" SHAP影響因素分析

基于以上結果分析，選用XGBoost模型進行影響因素分析。由于集成學習模型只能得到最終的預測結果，無法解釋特征值對結果的影響。因此本文通過SHAP值方法定量解釋每個輸入變量對于預測結果的影響。

集成學習模型的解釋方法包括Partial dependence plot（PDP）、Individual conditional expectation（ICE）、Permuted feature importance（PFI）、Global surrogate（GS）、Local surrogate（LS）、Shapley value（SHAP）等，其中SHAP值方法在集成學習模型的解釋中應用最為廣泛，因為它既能反映每個樣本所有特征的影響，又能顯示影響的正負性［25］。

根據得到的SHAP值創建XGBoost模型的全局特征重要性條形圖和全局特征重要性蜂窩圖，如圖8-圖9所示。觀察圖8可以看出，各輸入變量對抗壓強度的影響從大到小排序為：水泥含量、細骨

料含量、粗骨料含量、蔗渣灰摻和量、水灰比。由此可以得到結論：水泥含量對抗壓強度的影響是最大的，而蔗渣灰摻和量的影響相對較小。

XGBoost模型全局特征重要性蜂窩圖如圖9所示，其中每個點的顏色從藍色過渡到紅色表示相應特征值由小變大。觀察圖9可以得到以下結論：

a）水泥含量對蔗渣灰混凝土抗壓強度的影響。水泥含量的特征值與SHAP值呈現正相關，這表明水泥含量對抗壓強度有正面的影響。

b）細骨料含量和蔗渣灰摻和量對蔗渣灰混凝土抗壓強度的影響。隨著細骨料含量和蔗渣灰摻和量的增加，SHAP值呈現先增加后減小的趨勢，這說明過多的細骨料含量和蔗渣灰摻和量對混凝土抗壓強度有負面影響。

c）水灰比對蔗渣灰混凝土抗壓強度的影響。水灰比的值與SHAP值呈現負相關，這表明水灰比對抗壓強度具有負面影響。

綜合圖8和圖9的信息，可以得出結論：蔗渣灰摻和量較低時并不會明顯降低混凝土的抗壓強度。

4" 結" 論

本文構建了基于集成學習的蔗渣灰混凝土抗壓強度預測模型，首先通過試驗探究了蔗渣灰摻和量對混凝土抗壓強度的影響，然后挑選出了預測能力最佳的集成學習模型，最后定量分析了輸入變量對蔗渣灰混凝土抗壓強度的影響。所得主要研究結論有：

a）蔗渣灰混凝土抗壓強度試驗結果顯示，蔗渣灰摻和量在10.00%以下時對混凝土抗壓強度沒有明顯的負面影響，蔗渣灰摻和量超過10.00%時對混凝土抗壓強度表現出了負面影響。

b）XGBoost模型在4個模型中預測效果最好，它在訓練集的R、M、r、a10分別為0.976、1.811、2.344、0.875，在測試集中的R、M、r、a10分別為0.833、6.229、11.898、0.333。

c）蔗渣灰混凝土抗壓強度的影響因素分析結果顯示，水泥含量對抗壓強度影響最大，對抗壓強度有正面影響；蔗渣灰摻和量影響相對較小，并且蔗渣灰摻和量過多會有負面影響，該結果與本文進行的試驗結果基本符合。

本文發現，在混凝土中使用替代率不超過10.00%的蔗渣灰來替代水泥，不僅能夠確保混凝土的性能，還有助于減少環境污染，這為混凝土配合比設計提供了有益的指導。XGBoost模型的應用不僅能夠支持混凝土質量控制方面的工程實踐，還突顯了在可持續性設計中合理使用蔗渣灰的重要性。

參考文獻：

［1］黃萍， 徐青， 吳能森， 等. 蔗渣灰特性及其在建筑材料的應用研究綜述［J］. 武漢工程大學學報， 2022， 44（6）： 599-607.

［2］王卓琳， 黎慶濤， 田瀟凌， 等. 甘蔗糖廠廢棄物蔗渣灰綜合利用的研究進展和展望［J］. 輕工科技， 2018， 34（2）： 74-76.

［3］Andreo P V， Suleiman A R， Cordeiro G C， et al. Beneficiation of sugarcane bagasse ash： Pozzolanic activity and leaching behavior［J］. Waste and Biomass Valorization， 2020， 11（8）： 4393-4402.

［4］Martirena Hernndez J F， Middendorf B， Gehrke M， et al. Use of wastes of the sugar industry as pozzolana in lime-pozzolana binders： Study of the reaction［J］. Cement and Concrete Research， 1998， 28（11）： 1525-1536.

［5］Ambedkar B， Alex J， Dhanalakshmi J. Enhancement of mechanical properties and durability of the cement concrete by RHA as cement replacement： Experiments and modeling［J］. Construction and Building Materials， 2017， 148： 167-175.

［6］Rodier L， Bilba K， Onsippe C， et al. Study of pozzolanic activity of bamboo stem ashes for use as partial replacement of cement［J］. Materials and Structures， 2016， 50（1）： 87.

［7］Al-Akhras N M， Abu-Alfoul B A. Effect of wheat straw ash on mechanical properties of autoclaved mortar［J］. Cement and Concrete Research， 2002， 32（6）： 859-863.

［8］Xu Q， Ji T， Gao S J， et al. Characteristics and applications of sugar cane bagasse ash waste in cementitious materials［J］. Materials， 2018， 12（1）： 39.

［9］Sales A， Lima S A. Use of Brazilian sugarcane bagasse ash in concrete as sand replacement［J］. Waste Management， 2010， 30（6）： 1114-1122.

［10］Katare V D， Madurwar M V. Experimental characterization of sugarcane biomass ash： A review［J］. Construction and Building Materials， 2017， 152： 1-15.

［11］馬財龍， 王文虎， 侯憲龍， 等.基于可解釋機器學習方法的RC深受彎構件開裂剪力預測［J］. 新疆大學學報（自然科學版）（中英文）， 2023， 40（5）：621-629.

［12］李萌， 武海軍， 董恒， 等.基于機器學習的混凝土侵徹深度預測模型［J］. 兵工學報，2023，44（12）：3771-3782.

［13］李宏偉， 王文武， 賈馮睿， 等.鋼筋混凝土黏結-滑移行為敏感性分析及機器學習模型［J/OL］. 遼寧石油化工大學學報： 1-9（2023-06-26）［2024-01-26］.http：∥kns.cnki.net/kcms/detail/21.1504.TE.20230625.1448.008.html.

［14］李騰宇， 梁晉鵬， 陀廣泉， 等. 蔗渣灰對砂漿性能及孔結構的影響研究［J］. 混凝土與水泥制品，2022，（10）：92-95.

［15］Sagi O， Rokach L. Approximating XGBoost with an interpretable decision tree［J］. Information Sciences， 2021， 572： 522-542.

［16］張馳， 郭媛， 黎明. 人工神經網絡模型發展及應用綜述［J］. 計算機工程與應用， 2021， 57（11）： 57-69.

［17］李慧， 李正， 佘堃. 一種基于綜合不放回抽樣的隨機森林算法改進［J］. 計算機工程與科學， 2015， 37（7）： 1233-1238.

［18］Guo R H， Fu D L， Sollazzo G. An ensemble learning model for asphalt pavement performance prediction based on gradient boosting decision tree［J］. International Journal of Pavement Engineering， 2022， 23（10）： 3633-3646.

［19］Freund Y， Schapire R E. A desicion-theoretic generalization of on-line learning and an application to boosting［C］∥European Conference on Computational Learning Theory， 1995. Berlin， Heidelberg： Springer Berlin Heidelberg， 1995： 23-37.

［20］Shah M I， Javed M F， Aslam F， et al. Machine learning modeling integrating experimental analysis for predicting the properties of sugarcane bagasse ash concrete［J］. Construction and Building Materials， 2022，314：125634.

［21］Sai Vamsi Gangadhar M， Absar W， Siddharth A， et al. Comparative study on sugarcane bagasse ash and banana peel powder on concrete and its properties［J/OL］. Materials Today： Proceedings. （2023-01-24）［2023-11-27］. https：∥doi.org/10.1016/j.matpr.2023.04.041.

［22］Wang H Q， Yi W， Liu Y. An innovative approach of determining the sample data size for machine learning models： a case study on health and safety management for infrastructure workers［J］. Electronic Research Archive， 2022， 30（9）： 3452-3462.

［23］王健峰， 張磊， 陳國興， 等. 基于改進的網格搜索法的SVM參數優化［J］. 應用科技， 2012， 39（3）： 28-31.

［24］Naderpour H， Mirrashid M. Estimating the compressive strength of eco-friendly concrete incorporating recycled coarse aggregate using neuro-fuzzy approach［J］. Journal of Cleaner Production， 2020， 265： 121886.

［25］Mi J X， Li A D， Zhou L F. Review study of interpretation methods for future interpretable machine learning［J］. IEEE Access， 2020， 8： 191969-191985.

附錄A

（責任編輯：康" 鋒）