用机器学习预测混凝土抗压强度

混凝土抗压强度（$f_c$）是结构设计中最重要的指标之一。传统做法依赖试配与养护后实测，周期长、成本高。用机器学习直接从配合比预测强度，是个很自然的研究切入点。

问题定义

把配合比（水、水泥、砂、石子、粉煤灰、矿渣等用量）作为特征 $X$，抗压强度作为目标 $y$，建立一个回归模型：

$$
y = f(X) + \varepsilon
$$

常用数据集

• UCI Concrete Compressive Strength：1030 组样本，8 个成分特征 + 龄期
• Kaggle：多个衍生版本，含更多外加剂信息

一条最小可运行流程

import pandas as pd
from sklearn.ensemble import RandomForestRegressor
from sklearn.model_selection import train_test_split
from sklearn.metrics import r2_score

df = pd.read_csv("concrete.csv")
X, y = df.drop(columns=["strength"]), df["strength"]
X_tr, X_te, y_tr, y_te = train_test_split(X, y, test_size=0.2, random_state=42)

model = RandomForestRegressor(n_estimators=300, random_state=42)
model.fit(X_tr, y_tr)
print("R2:", r2_score(y_te, model.predict(X_te)))

随机森林通常就能拿到 $R^2 \approx 0.85$ 以上的结果，作为基线已经不错。

下一步

• 引入 XGBoost / 梯度提升 提升精度
• 用 SHAP 做可解释性分析，回答「哪种成分影响最大」
• 尝试 多任务学习 同时预测多个龄期强度

下一篇打算展开讲 SHAP 在配合比分析里的实战。