万博体育bet 土木工程学院冯闯教授团队在国际权威学术期刊《Construction and Building Materials》（中科院一区TOP期刊，IF=7.4）上发表题为“Comparison of traditional and automated machine learning approaches in predicting the compressive strength of graphene oxide/cement composites”的研究论文。2021级硕士研究生杨金龙为该论文的第一作者，冯闯教授为通讯作者，万博体育bet 土木工程学院为第一通讯单位。

氧化石墨烯增强水泥复合材料（GORCCs）的抗压强度（CS）预测对于加速其在土木工程中的潜在应用至关重要。然而，传统的实验和理论建模存在耗时、成本高、效率低等问题，同时考虑多种耦合因素的影响也具有挑战性。这项工作首次开发了探索GORCCs的CS与多个耦合因素之间复杂关系的机器学习（ML）方法。结果表明，所开发的模型可以准确预测GORCCs的CS。特征重要性分析表明，超声分散GO在聚羧酸减水剂溶液中是实现良好分散的最有利的分散方法。在使用的ML模型中，我们发现AutoGluon-Tabular (AGT)模型不仅表现出最高的预测置信度，而且还提供了更好的结果可解释性。此外，与传统的ML工作流程相比，用户可以更有效地训练AGT模型，避免了耗时的超参数调整过程。

文章在线网址：https://doi.org/10.1016/j.conbuildmat.2023.132179

作者：土木工程学院；审核：杨会峰