Hintergrund
Ein aktueller Forschungsbericht untersucht, wie datenbasierte Verfahren die Vorhersage der Druckfestigkeit von Ultra‑High‑Performance‑Beton (UHPC) unterstützen können. Ziel ist es, die herkömmlichen experimentellen Aufwände zu reduzieren und gleichzeitig die Komplexität der Materialparameter abzubilden.
Methodik
Die Autor stellten eine umfangreiche experimentelle Datenbank zusammen, die als Grundlage für das Training und die Validierung von fünf fortgeschrittenen Lernalgorithmen diente: Extremely Randomized Trees, Light Gradient Boosting Machine, Extreme Gradient Boosting, CatBoost und ein künstliches neuronales Netzwerk. Zusätzlich wurden erklärbare KI‑Methoden wie SHAP, ICE und PDP eingesetzt, um die Einflussfaktoren zu analysieren.
Ergebnisse
Unter den getesteten Modellen erzielte CatBoost die höchste Vorhersagegenauigkeit. Der Bestimmtheitsmaß R² lag über 0.90, das Root‑Mean‑Square‑Error betrug etwa 4.5 MPa und der Mean‑Absolute‑Error etwa 3.6 MPa. Diese Kennzahlen belegen, dass das Modell die meisten Druckfestigkeitswerte zuverlässig reproduzieren kann.
Einschränkungen
Eine Subgruppen‑Analyse zeigte jedoch, dass die Vorhersagegenauigkeit bei Proben mit einer Druckfestigkeit von ≥ 180 MPa nachlässt. In diesem Bereich traten systematische Unterschätzungen auf, was auf die geringe Anzahl hochfester Proben im Datensatz zurückgeführt wird. Nutzer sollten daher bei sehr hohen Festigkeiten vorsichtig interpretieren.
Erklärbare KI
Durch die Anwendung von SHAP‑Werten und partiellen Abhängigkeitsdiagrammen konnten die wichtigsten Eingangsvariablen identifiziert werden, darunter Zementgehalt, Silikastaubanteil und Wasser‑Zement‑Verhältnis. Diese Erkenntnisse verbinden die Vorhersagekraft des Modells mit physikalisch nachvollziehbaren Einflussfaktoren.
Bedeutung für die Praxis
Die Studie demonstriert, dass interpretierbare maschinelle Lernverfahren eine wertvolle Unterstützung bei der ersten Bewertung von UHPC‑Mischungen bieten. Sie ermöglichen
Ende der Uebertragung