SCM 混凝土强度预测与智能配合比系统

为什么要在做试验前先跑机器学习？

在混凝土工程中，引入粉煤灰、硅灰和矿渣等补充胶凝材料（SCM）是减少水泥用量、降低碳排放的核心途径。然而，材料掺量、水胶比等变量交织在一起，每调整一次配合比，就需要成型试块并养护 28 天后才能做抗压强度试验，单组试错的时间与材料成本居高不下。

庞大的配合比空间无法靠试验穷举，但过去的文献里沉淀了大量历史数据。我的真实动机是在物理试验前，利用机器学习模型对强度进行预判，将低效或性能不达标的候选方案在计算机端提前过滤，把原本长达数周的试验试错转移到数秒完成的计算模拟阶段。

数据来自多篇文献收集汇总的 1,456 条 试验记录。由于多源数据格式混乱，我先进行了字段核对与清洗。直接输入原始用量无法反映水化反应的物理本质，于是我将原始配合比拆解并换算为水胶比、骨胶比、砂率以及各类 SCM 替代率等 8 项工程特征。

在比对了随机森林、XGBoost、LightGBM 等 5 类模型后，基于直方图算法的 LightGBM 表现最佳，在独立冻结测试集上取得了 R² 0.862、RMSE 6.62 MPa 的预测精度。

为了让模型预测结果敢在工程中参考，我还做了两件事：

用 SHAP 做归因解释：展示水胶比与各类材料掺量对强度的影响趋势，确认模型逻辑符合材料学常识；
用保形预测（KNN-RSCP）量化风险：根据待测配合比在数据空间中的位置自适应伸缩预测区间，在 90% 目标覆盖率下实现了 90.1% 的真实经验覆盖，给出一个有概率保障的范围而不是死板的单点数值。

在完成研究验证后，我按照软件规范将代码解耦重构，交付包含三个完整层面：

Python 核心包（scm_concrete_ml）：封装了数据校验、8 项特征工程计算、模型训练预测接口及 KNN-RSCP 保形预测计算模块。
命令行工具（CLI）：通过 scm-concrete-ml demo 命令，可以在终端一键完成数据批量导入、特征转换、强度点预测与区间导出，自动生成 summary.json 指标汇总与 predictions.csv 结果。
中文 Streamlit 交互界面：提供开箱即用的 Web 页面。用户不仅可以手动拉动滑动条调整配合比参数、实时查看抗压强度预测与概率区间，还能使用扩展的多目标优化模块（结合 Pareto 非支配解识别与 TOPSIS 综合排序），在强度、成本与 SCM 替换率之间快速筛选候选配合比方案。

为保持客观严谨，系统使用中明确了以下边界：