机器学习在智能水泥基复合材料中的应用与实践

机器学习基础模型与 复合材料研究融合 

1. 机器学习在复合材料中的应用概述

2. 机器学习用于复合材料研究的流程

3. 复合材料数据收集与数据预处理 实例：数据的收集和预处理 

4. 复合材料机器学习特征工程与选择 实例：以纳米材料增强复合材料为例，讨论特征选择、特征工程在提高模 型性能中的作用。

5. 线性回归用于复合材料研究 

实例：线性回归和多项式回归在处理复合材料数据中的应用

6. 多项式回归用于复合材料研究 实例：多项式回归在处理复合材料数据中的非线性关系时的应用 

7. 决策树用于复合材料研究 实例：决策树回归在预测水泥基复合材料强度中的应用 

复合材料研究中应用 集成学习与支持向量 模型 

1. 随机森林用于复合材料研究 实例：随机森林在预测复合材料性能中的应用 

2. Boosting 算法用于复合材料研究 实例：Catboost 在预测复合材料强度中的应用 

3. XGBoost 和 LightGBM 用于复合材料研究 

(1) XGBoost 

(2) LightGBM 

(3) 模型解释性技术 

实例：XGBoost 和 LightGBM 在水泥基复合材料性能预测中的应用，模型比 较 

4. 支持向量机 (SVM) 用于复合材料研究 

(1) 核函数

(2) SVM 用于回归（SVR） 

实例：SVR 在预测复合材料的力学性能中的应用 

5. 模型调参与优化工具包

(1) 网格搜索、随机搜索的原理与应用 (2) 工具包 Optuna 

实例：超参数调整方法，模型调参与优化工具包的应用

6. 机器学习模型评估 

(1) 回归模型中的评估指标（MSE, R 2, MAE 等） 

(2) 交叉验证技术 实例：比较不同模型的性能并选择最佳模型

1. 神经网络基础 (1) 激活函数 (2) 前向传播过程 (3) 损失函数 

实例：手动实现前向传播 2. 神经网络反向传播与优化 

(1) 梯度下降法原理 (2) 反向传播算法 (3) 随机梯度下降(SGD) 

实例：实现梯度下降算法

3. 复合材料研究中的多层感知机(MLP) 

(1) MLP 架构设计 (2) MLP 的训练过程 (3) MLP 在回归和分类中的应用

复合材料研究中应用 实例：构建简单的 MLP 解决复合材料中的回归问题 

神经网络 

4. PINNs (1) PINN 基本原理 (2) 弹簧振动正问题中的 PINNs (3) 弹簧振动逆问题中的 PINNs 

实例：使用 PyTorch 构建 PINNs 

5. GAN (1) GAN 基本原理 (2) 针对表格数据的 GAN (3) 增强数据的评估指标 实

例：构建 GAN 生成水泥基复合材料数据 

6. 可解释性机器学习方法-SHAP (1) SHAP 理论基础 (2) 计算和解释 SHAP 值 

实例：复合材料中应用 SHAP 进行模型解释和特征理解 

论文实例解读与复现：选择两篇应用机器学习研究水泥基复合材料的 SCI 论文 1. Comparison of traditional and automated machine learning approaches in predicting the compressive strength of graphene oxide/cement composites. Construction and Building Materials, 2023, 394: 132179. 2. Machine learning aided uncertainty analysis on nonlinear vibration 

论文复现机器学习综 of cracked FG-GNPRC dielectric beam. Structures, 2023, 58: 105456. 

合应用以及 SCI 文章 ? 论文中使用的复合材料数据集介绍 

写作 ? 论文中的复合材料特征选择与数据预处理方法 ? 论文中使用的模型结构与构建 ? 机器学习研究复合材料的超参数调整 ? 复合材料研究中机器学习模型性能评估 ? 复合材料机器学习研究结果可视化图 

1 随机森林算法示意图 

图 2 人工神经网络结构 

图 3 连续特征和抗压强度的皮尔逊相关系数 

图 4 SHAP 方法的特征重要性 

图 5 不同 ML 模型的实际值与预测值的比较：(a) SVR；(b) RF；(c) AGT；(d) ANN:30-54-1；(e) ANN:30-41-84-1；(f) ANN:30-37-20-27-1图 

6 测试集上的 ML 模型残差值：(a)SVR；(b) RF；(c) AGT；(d) ANN:30-54-1； (e) ANN:30-41-84-1；(f) ANN:30-37-20-27-1 

图 7. ML 模型在测试集上的结果 (a) AG；(b) ANN；(c)RF 课程总结与未来展望 ? 课程重点回顾 ? 机器学习在复合材料中的未来发展方向 ? 如何继续学习和深入研究 ? Q&A 环节